從今年3月份暑期實(shí)習(xí)到秋招一直投的算法崗（數(shù)據(jù)挖掘嫡意、機(jī)器學(xué)習(xí)），今年聽說投算法的人特別多劳曹，競爭激烈奴愉，自己之前本來想去金融，后來覺得還是喜歡互聯(lián)網(wǎng)铁孵，從去年11月才開始好好看書锭硼，又不是CS科班出身，所以面試毫無優(yōu)勢可言蜕劝√赐罚基本上把大半個互聯(lián)網(wǎng)公司都面了一遍，雖然掛的太多岖沛，但面試官水平都很高暑始，面試中也學(xué)到了很多東西，認(rèn)識到很多地方不足婴削，要學(xué)的東西太多廊镜。我自己做過的項目主要是推薦系統(tǒng)和nlp，圖像了解過一點(diǎn)唉俗，所有面試主要還是圍繞項目展開嗤朴。有的時間太久配椭，細(xì)節(jié)想不起來了，想起來再慢慢更新雹姊，把不知道的知識點(diǎn)補(bǔ)上股缸。
面試主要考察點(diǎn)：
項目+機(jī)器學(xué)習(xí)（深度學(xué)習(xí)）基礎(chǔ)+數(shù)據(jù)結(jié)構(gòu)與算法+開放題+智力題（偶爾有）
攜程（實(shí)習(xí)）：
1.講項目
2.寫一下LR損失函數(shù)
3.SQL題，很簡單吱雏，但當(dāng)時沒想出來…
4.GBDT敦姻、xgboost用過嗎，解釋一下
5.距離公式有哪些（余弦距離等）
6.特征怎么選擇
7.隨機(jī)森林
8.二階的優(yōu)化算法知道嗎坎背，講一下BFGS
9.有沒有做指數(shù)衰減
滴滴（實(shí)習(xí)+校招）：
過完年回來替劈，參加映像最深刻的實(shí)習(xí)面試，全程3小時得滤，其實(shí)問的很基礎(chǔ)陨献，但是自己沒有好好準(zhǔn)備，很多基礎(chǔ)掌握不牢懂更。
1.講項目
2.SQL：left join眨业、inner join區(qū)別，寫了一道題
3.SVM是什么沮协、核函數(shù)有哪些龄捡、怎么選擇
4.LR損失函數(shù)推導(dǎo)一下
5.隨機(jī)森林、Adboost
6.AUC慷暂、ROC聘殖、recall、precision寫公式行瑞，AUC的直觀解釋
7.CNN的卷積公式
8.損失函數(shù)不可導(dǎo)奸腺，梯度下降法怎么辦？（次梯度血久？）
9.Python中l(wèi)ist和tuple的區(qū)別
10.正負(fù)樣本不平衡怎么辦
11.決策樹怎么剪枝
12.問了些數(shù)據(jù)結(jié)構(gòu)
校招：
1.寫個快排突照、改進(jìn)、find（s,p）氧吐，寫了4道代碼題
2.200G日志用筆記本找Top100的query
3.解釋一下xgboost
4.項目中用到了哪些特征
5.寫代碼：二分查找讹蘑、實(shí)現(xiàn)一個棧（查找、刪除筑舅、插入等操作）
6.DNN和CNN有哪些區(qū)別座慰，CNN有哪些優(yōu)點(diǎn)
7.LR和SVM各自有什么優(yōu)點(diǎn)和缺點(diǎn)
阿里（實(shí)習(xí)+校招）
內(nèi)推的螞蟻的風(fēng)控部門
一面：
1.7月底就打了電話，主要是講項目翠拣，然后針對項目提了很多問題角骤，面試官水平很高
2.數(shù)據(jù)樣本構(gòu)造、樣本選取
3.講了word2vec以及怎么應(yīng)用
4.看過什么前沿的論文，怎么運(yùn)用
5.垃圾評論檢測
二面（掛）：
1.文本相似度計算為什么不用SVD…
2.了解哪些優(yōu)化算法
3.為什么用wide and deep邦尊，不用lr+dnn集成學(xué)習(xí)
騰訊（實(shí)習(xí)+校招）
實(shí)習(xí)做了筆試背桐，邀請到酒店面試，是一個小哥蝉揍，很和藹
1.自我介紹链峭，講了一個項目
2.Xgboost、隨機(jī)森林的區(qū)別又沾，xgboost怎么并行弊仪，樹個數(shù)和深度怎么選擇
3.L1、L2正則化的區(qū)別杖刷，為什么L1得到稀疏解
4.解釋一下SGD励饵、drop_out、神經(jīng)網(wǎng)絡(luò)的BN層
5.代碼題：最大子序列的乘積
6.了解分布式計算滑燃，并行計算嗎
（第二天查了狀態(tài)是復(fù)試中役听，但到最后也沒收到復(fù)試通知，最后一天查狀態(tài)掛了…）
秋招內(nèi)推表窘，騰訊游戲的部門
一面（視頻面典予，全程寫代碼）
1.寫LR公式
2.DNN前向傳播、反向傳播乐严，求梯度
3.實(shí)現(xiàn)一下shuffle函數(shù)
4.了解強(qiáng)化學(xué)習(xí)嗎（不了解）
二面（掛）：
1.講項目
2.K-means瘤袖、隨機(jī)森林、DNN怎么調(diào)參
3.怎么防止過擬合
4.C++內(nèi)存怎么分配（說不知道昂验，直接跪）
5.寫C字符串拷貝函數(shù)strcpy
6.寫判斷是否二叉排序樹
美團(tuán)（校招）
1.推薦算法：SVD捂敌、協(xié)同過濾等，怎么做推薦的
2.解釋一下CNN既琴、RNN
3.數(shù)據(jù)怎么預(yù)處理黍匾、特征工程
4.特征選擇怎么做、決策樹怎么分裂的
5.推薦系統(tǒng)好壞評價
6.解釋一下A\B測試
7.提高外賣配送效率呛梆，需要考慮哪些因素
8.樣本怎么構(gòu)造、數(shù)據(jù)量有多大
9.余弦距離和歐氏距離區(qū)別
10.評論反作弊（被問了不下于3次）
京東（實(shí)習(xí)+校招）
校招投的上海這邊算法組磕诊，面了兩面說對我很滿意填物，要給部門老大看，但不一定有offer霎终，因?yàn)槔洗笫稚虾啔v太多…
1.講項目滞磺，特別是衡量指標(biāo)（PSNR、AUC）
2.怎么做推薦的
3.決策樹莱褒、GBDT击困、Xgboost講一下區(qū)別
4.Sql題：怎么用join實(shí)現(xiàn)分組排序和分組累加和
5.問了項目的word2vec和doc2vec算法
6.LSTM和RNN區(qū)別，LSTM語言模型解釋一下
7.了解Attention機(jī)制嗎
8.用過spark嗎(沒用過)
百度（校招）
先是內(nèi)推，面完3面后很久沒收到消息阅茶，就知道掛了
一面：
1.xgboost與GBDT比較
2.Python中numpy為什么快蛛枚，說用的C實(shí)現(xiàn)，然后問C++中STL底層脸哀，完全不會
3.Python中能表示的最大數(shù)
4.怎么做推薦蹦浦、文本處理方法
5.寫代碼：求兩個字符串的最小編輯距離
二面：
1.CNN怎么做文本分類
2.怎樣快速計算x的根號3次方，有內(nèi)存限制撞蜂，不能調(diào)庫函數(shù)（這個問題糾結(jié)了很久）
3.為什么文本相似度要用余弦公式而不用其他的?
三面：
經(jīng)理面盲镶，從技術(shù)到人生都問了很多
1.寫個代碼，求兩個有序數(shù)組的交集蝌诡，O(n)溉贿，沒想出來，只想出了一個二分查找
2.協(xié)同過濾
3.開放題浦旱，輸入一個劉宇色，彈出劉德華之類的，怎么做
校招霸面:
二面是百度鳳巢的闽寡，感覺水平很高代兵，答的不好，掛了
1.信息熵爷狈、信息增益植影、相對熵、交叉熵涎永、互信息思币、基尼系數(shù)
2.常用的有哪些損失函數(shù)，推導(dǎo)一下log loss的梯度
3.寫個代碼：快速排序羡微，平均時間復(fù)雜度谷饿、最壞情況
4.怎樣確定采樣的樣本數(shù)量
5.特征工程怎么做
6.特征值、特征向量解釋一下
7.解釋一下決策樹妈倔、隨機(jī)森林
8.推薦系統(tǒng)考慮的因素
9.路徑優(yōu)化考慮哪些因素
10.寫個代碼：字符串去重函數(shù)
愛奇藝（校招）
1.寫個二叉樹反轉(zhuǎn)
2.信息熵公式
3.CNN卷積的物理含義博投、pooling的作用
4.畫一下word2vec中的skip-gram模式圖
5.概率題：54張抽出2張同花色的概率，大小王任意一種花色都不算
其他公司
1.LR與SVM有什么區(qū)別
2.用過哪些Python庫盯蝴，介紹一下pandas中的dataframe
3.介紹一下MapReduce過程毅哗，與spark中的shuffle有什么區(qū)別
4.k–means的缺點(diǎn)，怎么改進(jìn)捧挺，如果數(shù)據(jù)類在不斷增加怎么辦
5.決策樹怎么剪枝的
6.LSTM與GRU的區(qū)別虑绵，經(jīng)典的CNN的區(qū)別
7.EM算法，收斂條件
還面了華為闽烙、唯品會翅睛、銀聯(lián)之類的，基本都是聊項目，所以沒什么好寫的捕发，但一定要對做過的項目很清楚明白疏旨，有很深刻的理解才行，其他的后面想起了再更新
