写在前面

结束秋招已经很长一段时间了，如今也已经入职一段时间了，应大佬邀请整理一下面经，回馈一下有志于从事算法工作的学弟学妹们，毕竟自己也是曾经站在巨人的肩膀上，得到一些帮助，受益匪浅。

笔者背景，C9 硕，非科班，互联网领域公司投递的岗位主要是“机器学习”（数据挖掘、搜索广告推荐方向，偶尔也投递一下 nlp 方向，cv 也懂一些），教育和金融领域的公司也投了几家（分别是竞赛教练和量化研究岗）。

因为秋招 19 年开始地特别早，所以投递的时间比较早，而且规划和定位比较明确（地点不想去的尽量不投（例如北京））。秋招一共面了 14 家左右大厂（只投递杭州、上海、深圳岗位），放弃了几家外企的面试。

「几点建议」：

  1. 多出去看看走走，能收获很多不一样的东西。
  2. 遇事不慌，戒骄戒躁。
  3. 注重积累，持续学习。
  4. 很多时候认真就输了，但不认真也就真的输了。
  5. 学会鼓励与成就他人。
  6. 常怀敬畏之心，敬畏一切。

阿里（杭州）

一面(60min)

  • XGBoost 和 Lightgbm 的优化点，与传统 GDBT 的区别与联系？
  • 为什么二阶泰勒展开？为什么梯度下降地更快更准？
  • 展开有没有效果的损失？
  • LSTM 和 GRU 原理，与 RNN 的区别与联系？
  • LR 与 SVM 的区别与联系？
  • 生成模型与判别模型的区别？
  • 牛顿法与梯度下降法的区别？
  • 了解过哪些评估指标？
  • L1、L2 正则化区别，为什么可以用在特征选择上？
  • 亿级数组中找 TopK
  • 其他就是比赛介绍，面试官自己做过类似的比赛，所以比较感兴趣。
  • 数据清洗、特征工程、模型、模型融合

二面(45min)

  • 简单地介绍下 LR？
  • 类别不平衡有哪些解决方法？
  • 展开有没有效果的损失？
  • 介绍下常用的几种聚类方法？区别与联系？
  • 硬间隔与软间隔的区别？
  • 参数模型与非参数模型的区别？
  • 了解提升方法吗？介绍下最基础的 AdaBoost 以及提升树？
  • 了解过哪些 embedding 技术？
  • word2vec 中两种方法的区别与联系？
  • 二叉树路径总和，找出所有路径
  • 再是比赛和项目介绍，聊业务聊了很久。

交叉面(30min)

  • 说说 EM 与 Kmeans 的区别与联系？
  • 多类别不平衡可以怎么解决？
  • XGBoost 和 Lightgbm 与传统 GDBT 的区别与联系？
  • 有哪些主流的优化方法？
  • kmeans 如何确定类的数量？如何优化计算效率？
  • SVM 效果一定比 LR 好吗？
  • Softmax 与 Negative Sampling 的区别与联系？
  • 过拟合都有哪些解决方法？
  • 当今 embedding 技术有哪些挑战与机遇？
  • 问了一些业务方面的问题该如何去思考设计方案，答得不是很好

腾讯（深圳）

一面(50min)

  • Lightgbm 的优化点，与传统 GDBT 的区别与联系？
  • Xgboost 都有哪些改进的地方？
  • Xgboost 和 Lightbgm 的特征和数据的分布式分别是怎么做的？各自存在什么问题？
  • 简单地介绍下 SVM？
  • 了解哪些词向量的方法？
  • 决策树都有哪些分裂指标？
  • 把知道的优化方法都说一说？
  • 特征选择都有哪些方法？
  • 了解过 Bert，GPT 和 ELMo 之类的模型吗？
  • 问了业务方面的问题，给了两个场景，问如何识别外挂？
  • 其它就是比赛及项目方面的问题。

二面(45min)

  • 简单地介绍下 word2vec？说下具体训练过程？
  • gbdt 怎么做分类？
  • 卷积神经网络的具体原理？
  • 说说过拟合都有哪些解决方法，越多越好？
  • AdaBoost，random forest 和 gbdt 的区别与联系？
  • word2vec 中两种方法的适用场景和优缺点？
  • 简单说说 HMM？
  • 了解过多模态？
  • 再是比赛和项目介绍。
  • 给了几个业务场景题，这块一时想不到什么方案，答得一般。

三面(30min)

  • 简单介绍一下 word2vec 和 fasttext？
  • 为什么随机森林比较好？
  • dropout 为什么可以防止过拟合？
  • 梯度消失和爆炸都有哪些解决方法？
  • SVM 适用于什么样的数据分布？哪种分布它不 work？
  • 了解过 transformer？讲讲 multi-head
  • xgboost，rf 和 LR 的适用场景？
  • 简单说说 Bayes？
  • 聊业务，开放题设计方案

百度（上海）

一面(45min)

  • LR 与 SVM 两个算法的适用场景以及它们之间的区别与联系？
  • Boosting 和 Bagging 的区别与联系？
  • rf 和 gbdt 各自优化的是偏差还是方差？
  • 解释一下 AUC 的计算方法和它代表的意义？
  • L1、L2 正则化区别与联系？
  • 快排和归并
  • 其他就是比赛和项目介绍。
  • 数据清洗、特征工程、模型、模型融合

二面(45min)

  • 说说 xgboost 的分裂指标？xgboost 与 GBDT 的区别？
  • AUC 有哪些计算方法？
  • BERT，GPT 和 ELMo 的区别与联系？
  • FM，deepfm 原理？
  • 了解哪些 graph embedding 方法？
  • 注意力机制的原理？
  • BN 都有哪些作用？
  • Softmax 与 Negative Sampling 的区别与联系？
  • word2vec 中两种方法的区别与联系？
  • 堆排和亿级数组中找中位数。

三面(40min)

  • 聊比赛项目经历，说说遇到的挑战和困难，还有改进的余地吗？
  • 说说在研究生期间的工作，你碰到过最困难的事是什么，以及是怎么解决的？
  • 对各大公司推荐引擎有比较深入的了解吗？
  • 如果给你一个好看视频的场景，你会如何解决？
  • 职业规划相关

华为（杭州）

华为云，直接在六月的时候被叫过去进行顶尖人才专场面试。

一面(40min)

围绕简历，然后问了业务中大数据方面的解决方案有没有想法，中间问了些数据清洗及特征工程方面的问题，还穿插了很多模型压缩与实时流方面的问题，说到时进来做面向芯片的 AI 加速算法，普及了华为在这方面的前景与优势。

二面(30min)

简历提问，然后介绍华为近些年取得的巨大成就，聊聊业务，人生，价值观以及兴趣爱好。

蘑菇街（杭州）

一面(50min)

  • 自我介绍
  • 梯度消失与梯度爆炸的解决方法？
  • 把知道的优化算法及各自的优缺点都说说看？
  • 围绕项目谈论，一些细节，一些知识(特征工程与模型融合)
  • 特征种类，正则化之类的？参数有哪些？怎么做特征工程，特征选择等
  • 手写代码及测试，斐波那契数列。

二面(35min)

  • 自我介绍
  • EM 与 kmeans 的区别与联系？
  • 说说 transformer 中 multi-head 的作用？
  • 说说处理超长文本一般都有哪些方法？
  • lightgbm 都有哪些优化的点？
  • 围绕项目谈论
  • 手写代码及测试，二叉树层次遍历。

hr 面

  • 工作中优缺点
  • 选择公司的侧重点
  • 自己的 offer

字节（上海）

一面(35min)

  • 自我介绍
  • 比赛项目：任务，角色，使用方法，模型，调参
  • 讲讲 xgboost？
  • tfidf 有哪些优化方法？
  • 实现 tfidf；判断链表是否有环

二面(30min)

  • 自我介绍
  • 比赛项目
  • CNN 的反向传播细节？
  • 了解 Bert 和 XLNet？
  • 电梯调度(所有人在 1 楼进电梯，当电梯停在 i 层时则所有人走出电梯步行到自己所在的楼层中，求所有人爬的楼层数目和的最小值)

网易互娱（杭州）

数据挖掘 US

一面(45min)

  • 自我介绍
  • 项目：(比赛 + 项目)怎么做的
  • lstm 解决了 rnn 的什么问题，为什么会有这个问题？
  • 激活函数都有哪些？
  • relu 的问题是什么，怎么解决？
  • 平衡二叉树是什么？
  • 给一个游戏的场景，比如荒野行动，推荐系统应该怎么做？
  • 会使用 hadoop 和 spark 这些吗？
  • 说一下业界推荐系统的流程是怎么样的？

二