文末彩蛋：七月在线干货组最新升级的《名企AI面试100题》免费送！

01 个人情况

本人是非计算机专业，毕业之后机缘巧合进入算法岗位， 跟七月结缘是计算机专业的学长推荐的七月的题库。

原工作中主要接触的是传统的机器学习算法，NLP也只是浅层了解，面试时发现仅有传统机器学习算法是不够的， 所以报了七月的NLP就业小班。

02 学习情况

预习阶段我把传统机器学习算法过了一遍，深度学习和NLP的预习课程没来得及过，直接导致我第一次作业就被干趴下了，花了一周，交的东西自己都不忍直视（不敢去想像褚博士是怎么硬着头皮看下去的）。

意识到自己的菜之后，之后开始老老实实的边上NLP课程，边补深度学习，PyTorch和Tensorflow的课程。最怕上褚老师的直播课，因为自己作业没交，练习没做完，代码没啃完，所以每次见到老师都瑟瑟发抖。

虽然怕老师，但是我一直认为自己是很幸运的，在我算法之路的开始阶段， 能有一位专业的老师引路，节约了很多自己摸索的时间。

褚博士带我们看英文论文，分析源码，教我们NLP最新技术，提供丰富的学习资源，提供简历的修改建议，项目的优化方案等等，在这过程中，我学习到的不仅仅是当前NLP领域的技术，更多的是一种思维方式和学习方法的转变，一名合格的算法工程师应该有的专业素养及个人修养，其重要性远甚于某个模型的公式推导及应用的。

IT行业更新迭代周期越来越短，某种模型很快就被淘汰，**但优秀的思维方式、学习方法及自我修养一直都是非常具有竞争力的，**我认为这是我在七月，跟着褚博士取得的最大收获。

03 面试情况

面试流程一般分为以下几个阶段：自我介绍、项目介绍及提问、代码及算法考核。自我介绍、项目介绍、算法考核不论公司大小都是必须的，数据结构部分公司考核。

数据结构：

（1）手撕快速排序、冒泡排序，归并排序；

算法：

（1）逻辑回归的原理及步骤介绍、手写逻辑回归的损失函数；逻辑回归的损失函数中为什么是连乘？相加是否可以？

（2）为什么要做最大似然估计？

（3）K-means的原理和步骤实现（口头介绍及板书），手写K-means的代码；局限性及优化的方法；聚类除了K-means之外还有哪些方法；

（4）EM算法分为几步？每步分别是什么？EM算法与K-means算法的区别与联系？

（5）ID3，C4.5和CART的区别与适用场所；

（6）SVM和CRF算法原理介绍；SVM求出来的最优值是否是全局最优；怎么判断一个最优值是全局最优还是局部最优？

（7）HMM和CRF的区别；

（8）多维空间中的分类算法有哪些；

（9）有一个圆，一个点在圆内，一个点在圆外，如何分类；

（10）RF是什么？粒子群优算法计算过程、参数调整过程？

（11）动态规划中最短路径的求法；

（12）XGBoost的优化原理及目标；

（13）如何衡量一个词的重要程度；

（14）敏感词的查询及匹配；

（15）transformer框架介绍；

（16）BERT的主要任务，局限性；为什么要乘以缩放因子；

（17）transformer中的attention机制与BahdanauAttention的区别；

（18）word2vec中的负采样是怎么处理的；

特征工程：

（1）特征工程包括哪些内容？

（2）缺失值的处理方式；

（3）异常值的检测方法；

（4）特征变量的筛选过程；

（5）为什么要做归一化；

（6）spearman与pearson的区别；

（7）过拟合和欠拟合的定义，处理方式；

（8）如何解决多重共线性问题；

�