本文转载自 牛客网
自我介绍
大家好，我是老班长，一名老牛油（至于多老呢？我基本是第一批关注牛客网的同学，我加牛客网qq1群的时候，群里只有400多人（现在估计10多个群了吧），那时的产品经理是兴宝，哈哈，估计很多人不知道吧）
一直在牛客刷题，也听了不少左程云老师的算法课，受益匪浅，本篇面经作为一个回馈吧，感谢牛客，希望牛客越来越牛。
春招拿到了阿里实习offer，腾讯WXG劳务实习生offer，秋招（就是现在）拿到了腾讯MIG核心部门的offer(后来谈正式offer时候发现是sp，有点小激动)，搜狗搜索SP（对面给的口头，我没接受，很抱歉），freewheel
学校这块（部分人关注点比较奇怪），本科东北大学（信息安全），研究生哈工大（PR ML DL）
春招过程
投的太晚了，没有面试机会
二面挂（可能是方向不太符合，一直问题python和C 底层原理的内容）
笔试挂
阴差阳错，师兄给投成了“应届生春招找工作”这种情况，经过多方沟通无果后，没能得到美团的面试机会。
你对机器学习的理解
除了CNN还熟悉其他深度学习模型吗？
学校情况（导师是谁，腾讯的HR很关心你的导师是谁？）
你有什么想问的？
最终，经过煎熬的等待，给了劳务实习生offer（劳务这种，比较坑人，幸好没去，类似外包，建议大家也不要去）
进了房间，跟面试官对视了十几秒，面试官开口了：你怎么这么被动，要回推销自己，ok？
然后我就开始了我得表演，从决策树到SVM，从BP到CNN，基本上把我会的都喷了。
面试官感觉我刹不住车了，然后就叫停了。问了一道题，随机数1~5，如何生成随机数1~7
因为腾讯每年都要来哈工大线下面试，所以相当于多了一次机会
面试官在处理公司的事儿，等了很长时间
上来给了一页题目，指了两个，你先做着吧，我这还有点事儿。一道题目是智力题，64匹马，8个赛道，找出最快的4匹马。编程题是类似于一个归并排序的东西。（写面经的时候，被实验室ACM大佬看到了，甩了我一句，你考虑过4个赛道怎么解决吗？给跪了）
项目说一遍，老生常谈
BP神经网络推导一遍
其他细节记不清了，反正都是基础就对了
最后补了一句，你要是会点NLP知识就好了
妹的，8点打电话，让我准备环境，8点半视频面试，真着急
上来编程（然而一些特殊情况没有考虑到，在面试官的提醒下也没做出来，我就知道内推凉了，怪我菜，认栽）
什么是Kmeans，与EM怎么联系
介绍下决策树，说一下属性选择方法
说下PCA
第一个编程题你会了吗（mmp，就顾着回答你问题了，我哪有时间思考？不会，然后挂了）
上来就问项目，从头说到尾
说一下LeNet的网络结构，一层层说，带着卷积核大小，越详细越好
项目里采集数据的流程
问kaggle比赛的项目（竟然不知道kaggle是啥，醉了）
kaggle项目里如何处理数据，计算特征相关性用什么办法
缺失值怎么处理？验证集怎么划分？哪些指标说明你的模型调优了？调节过模型的哪些参数
过拟合的标志有哪些？
决策树如何后剪枝
编程题，2sum（恩，面试官不同C 11语法）
自我介绍，讲一下你的优势，你对我们团队了解吗？blabla，10分钟搞定。
自我介绍
项目问问
你了解决策树吗？回答：ID3 C4.5 优缺点 树的融合（GBDT，RF） 我的实现。这里注意，面试官只问“你了解决策树吗？”，我的回答比较丰富，这里面试的一个tips就是，要尽可能主动的向面试官灌输你会什么内容，做好知识输出。
L1 L2了解吗？回答：L1 L2的作用，为什么有这样的作用？一般求L1的优化方法（坐标下降，LARS角回归）（面试官一脸懵逼，你们老师这都讲吗？我说我是自己看的。。。深藏功与名）
链表逆序你会吗？回答：非递归 递归
开放题，如何判断一个query是时效性query（答得比较差，就不贴了）。为什么面算法会有这种问题？因为面试官原来是做搜索的，专门搞时效性query，mmp。
自我介绍（学校学习课程和项目）
看过哪些书？说了一堆（西瓜书，李航之类的）。说完，面试官疑惑的问：你没看过PRML？黑人问号，赶紧把吴恩达视频和cs231n拿出来压压惊（后来实习才知道，面试官正在看PRML这本书）。
说了一下大致的项目，大概介绍一下（面试官评价基础很扎实）
问了loss优化方法，说了BGD，SGD，各自优缺点，优化方向（Adam之类的）
问了一个开放题，说是考验一下我的反应能力（阿里确实比较喜欢脑子灵活的同学）。题目：用户打开一个App时，我们可以得到用户的坐标（经纬度），那么如何根据经纬度得到城市名称呢？回答：没有预先定义的数据库，智能调用高德等第三方接口（因为高德被阿里收购了嘛）；不要求做高精度定位，可以将大城市为中心构建区域块（所有区域块内的经纬度映射到这个城市。这种题目要紧密集合业务来说）
投了阿里，腾讯，今日头条，美团，滴滴，搜狗，接下来挨个说吧
阿里一面（电面，45min）
阿里二面（电面，50min）
阿里HR面（视频，10min）
腾讯OMG内推一面（视频，60min）
腾讯OMG内推二面（视频，30分钟）
腾讯线下面试WXG一面（现场，90min）
腾讯线下面试WXG二面（现场，40min）
腾讯线下面试WXG HR面（现场 ，20分钟）
美团面试
今日头条
滴滴
搜狗
秋招过程
之前没听说过这家公司，不过据说是一家不错的外企
一面，主要说项目，然后英语“谈笑风生”了一段
二面，又说了一遍项目。编程题（有序数组的交集，是的，和腾讯问的一样），然后又谈笑风生了一段
目前还没结果
外企特点是连续两面，绝不拖泥带水
一面主要聊项目。面试官比较慈祥。因为二面面试官还在面试，之后聊了一些学校的事儿。期间一直询问是否愿意做软件开发（果断不妥协）
二面，聊了一下项目。然后问了一些基础东西（C 虚函数 原理，实现ls功能，LCA（树中两个节点的最低公共祖先））
目前还没结果
一面，项目 编程题（数组中第一个大于等于K的数，判断树是否相等（同构 对应节点值相等））
HR面也推掉了（很抱歉搜狗了，那边邀约了很多次，一直让我考虑搜狗。搜狗也很优秀，但是还是更喜欢腾讯的岗位，只能抱歉了）
一面讲了项目。然后面试官开始问你会不会这个东西，你只需要回答会或者不会，不需要具体讲解（可能面试官比较信任吧）
后来因为拿到了腾讯的offer，所以就推掉了之后的面试（面试官还问美团匹配和腾讯一样的岗位，你考虑吗?哈哈，这样的感觉真好）
还在实习的时候，今日头条就开始提前批了（需要白金码）。本来有一个白金码但是因为还没准备好，所以没投
后来面试的同学都拿到了offer，就慌了，于是匆忙的内推了一份
笔试挂（两次笔试都挂了，足以证明我就是个菜鸟）
了解你本科学校，研究生导师（腾讯HR真的很关心导师是谁）
为什么选择推荐方向
实验室的工作，扮演的角色是什么？
你有什么优缺点，
确定意向
另外提一句，9月11二三面，9月12四面，HR面，说是为了在笔试前走完流程，直接累的我腰疼。
这一面应该是技术总监，不会怼人的那种
基本就是聊聊项目，最近看什么论文？（是否关注论文这点很重要，反应你对前言技术的关注度）
技术的大方向，不会问具体的细节
所以比较轻松
这一面，比较困难，因为面试官完全不看简历，完全不用你做自我介绍，上来直接开始怼
SVM与LR的优缺点（竟然还有人问这种问题）
SVM与LR的应用场景，那么更适用于这种场景？
GBDT，RF，XGboost相关
特征提取方法，如何判断特征是否重要
如何采集样本，样本类别不均衡对模型有什么影响（中插一条消息：很多伙伴私信我要微信号，当然我很愿意与大家交流。秋招过去了，我也该忙别的事了，可能最近都不来牛客了，我的微信是wang9448664 耐心的你会看见的）（此时，面试官一度怀疑简历上的项目是否是真的）
其他的一些细节问题，在你的回答里挑问题，不是主动问的（所以TIPs是：可以通过自己的回答来引导面试官的面试方向，但是要有度，否则容易引火烧身）
编程题目：有序数组的交集（这个算法主要是搜索领域经常用，如果能给出在搜素领域的优化方式，那就能拿下这个面试官了。可惜太菜，我只给到了O（n）的时间复杂度）
最后补了一句：前面答的还不错
阿里的项目，然后聊聊对推荐的认识，谈话内容主要集中在推荐领域
编程题：怎么判断链表是否有环，还没说完，面试官就说不用说了，你有啥想问的，哈哈
只说了阿里的项目，就结束了。
秋招投了腾讯（提前批），今日头条，百度，美团，京东，搜狗，freewheel，Amazon
本来在阿里实习，转正答辩通过，可以拿到offer，但是base地在杭州，与我的意向不是很符合，所以放弃了。不过在此感谢实习期间所有的阿里师兄对我的帮助，阿里的项目经历也成为我秋招面试时的宝贵财富。
腾讯MIG一面（电面，40min）
腾讯MIG二面（电面，40min）
腾讯MIG三面（电面，50min）
腾讯MIG四面（视频，30min）
腾讯MIG HR面（电面，20min）
今日头条
美团
搜狗
Amazon
FreeWheel
其他的都是投了，但是还没有面试，估计不会面了。
面试总结
等面试结果是痛苦的，我经历过两次。现在牛客里流传“终于收到某某公司的短信了”，结果一看是业务推销短信。然后大家一致评论“又疯了一个”。很有意思
正视自己。不排除有非本人因素造成面试失败的，但是这绝对是极小概率事件。通常来讲，面试失败了，还是因为你某些地方还没理解透。你可能SVM推导卡在了一个步骤上，然后你抱怨说我只要看一眼书就会了，但是对不起，面试官认为你是比那些能顺利推导的同学是差一些的。
项目一定要真实具体。一个项目能够完整的从头到尾叙述下来，对于其中各种出现的问题，要有合理的解释。你在叙述项目的过程中，面试官会随时打断你，问你为什么？胡乱编个项目蒙混过关？不存在的。
如果是现场面试的话，一定要画结构图。因为面试官也是普通人，听你说一遍，并不能对你的项目有一个直观的认识，所以画图最好
最容易忽略的两个点：一是项目来源，项目背景；二是项目的创新点。大多数人在复述项目的时候一再强调各种花里胡哨的技术，这会另面试官反感的。阐述项目来源会让面试官更容易理解你项目的意义，否则说了半天，面试官不知道你在解决什么问题，那就囧了；其次最重要的是创新点，或者解决了哪些难点，如果一个项目很简单，或者是已经有成熟的解决方案，那你的项目意义在哪里呢？
如果你的目标是算法工程师，就不要让社团活动、优秀班干部占据太多的篇幅，一页简历空间就那么大，在有限的空间里尽可能展示自己的技术实力。
从上边的面试经历可以看得出，春招面试还是比较痛苦的，一般时间较长，且大多数时间纠结在基础知识。所以春招的面试准备重在基础和刷题，因为大部分人都没有项目经历，所以只能靠基础知识评价你的能力了。
春招如果能拿到一个不错公司的offer，并做了一个较为完整的项目，那么恭喜你，秋招很简单。比如我的阿里实习经历，面试官看了项目以后就默认你有了较为扎实的理论基础（毕竟去BAT实习的还是少数啊），大部分考察你的实践能力，也就是问项目。
实习经历可以是一个金钥匙
简历
我理解等面试结果的你
给明年的你
刷题是必须的，书目就是上边列的哪些
每天一道或者两道，风吹雨打也不能停。如果坚持住，一年后你就成了
最好能有两个相关的项目，而且是有质量的，不要太水
没有项目的，可以去参见比赛（kaggle，天池），比赛成绩高，比项目管用。成绩不高的，一定要有自己的解决方案。
C ：《C primer5》《STL源码分析》《深度探索C 对象模型》《Effective C 》《Effective STL》 （虽然有些书有点老，不过开卷有益吧）（其他语言就不管了哈）
python：《python学习手册》《python源码分析》《改善python程序的91个建议》（Python必须要会）
刷题：《编程之美》《剑指offer》《程序员代码面试指南》《leetcode》
算法相关：《统计学习方法》（这本多看）《数据挖掘导论》《数学之美》《田林轩视频》《吴恩达视频》《西瓜书》
首先说算法工程师有几个方向：NLP，推荐，CV，深度学习，然后结合公司业务做得内容各不相同
传统机器学习算法：感知机，SVM，LR，softmax，Kmeans，DBSCAN，决策树（CART，ID3，C45），GBDT，RF，Adaboost，xgboost，EM，BP神经网络，朴素贝叶斯，LDA，PCA，核函数，最大熵等
深度学习：CNN，RNN，LSTM，常用激活函数，Adam等优化算法，梯度消失（爆炸）等
推荐系统：itemBasedCF，userBasedCF，冷启动，SVD（各种变形），FM，LFM等
NLP：TF-IDF，textrank，word2vec(能推导，看过源码)，LCA，simhash
常见概念：最大似然估计，最小二乘法，模型融合方法，L1L2正则（Lasso，elestic net），判别式模型与生成式模型，熵-交叉熵-KL散度，数据归一化，最优化方法（梯度下降，牛顿法，共轭梯度法），无偏估计，F1（ROC，recall，precision等），交叉验证，bias-variance-tradeoff，皮尔逊系数，
概率论，高数，线性代数（像我一样懒的人，就可以遇到哪里复习哪里，:D）
常见问题（具体答案去搜知乎或者百度，最好能在实际项目中总结出来）：
学明白上述所有内容你需要多长时间？反正我这么笨的人用了不到一年时间（我本科完全没接触过算法相关，完全是研一学的）
常见损失函数
SGD与BGD
如何处理样本非均衡问题
过拟合原因，以及解决办法
如何处理数据缺失问题
如何选择特征
L1为什么能让参数稀疏，L2为什么会让参数趋于较小值，L1优化方法
各模型的优缺点，以及适用场景
成为算法工程师，应该学习哪些东西
推荐书籍
简历项目
刷题
其他
找工作时，互相帮助，多加几个交流群，观摩大佬的一举一动
多和上班的师兄沟通，因为他们能把简历直接给到leader手里
多向周围的大神学习。就像我实验室的ACM大佬，他是我让我佩服的五体投地的存在。每次有什么不会做的编程题，找他解释都是秒解。还要感谢实验室的师兄，带我项目，助我去阿里实习。
别人问你问题，你能讲明白
躺在床上，闭着眼，能完整的阐述一个算法（什么是完整？以SVM为例，SVM的推导？KKT条件？什么是支持向量？什么是松弛变量？为什么推导成对偶形式？核函数的作用是什么？如何选择核函数？模型优缺点？）你说这些问题我都明白，但是你是否能形成一个知识体系呢？一提到SVM，就能想到所有这些问题呢？
能够达到第二步的要求，那么面试官在问“说一下你对SVM的认识”，你就可以滔滔不绝的讲了，这样面试官才能认可你，这样就很舒服了。
什么叫学透了，学明白了
人脉太重要了
最后，感谢一年努力的自己（实验室的ACM大神说，你正以肉眼可见的速度成长）。没错，一年前的今天，我菜的不能再菜了，从一个算法小白，经过一年的努力还是能轻松拿到腾讯的offer。所以，你呢？
3838
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
