我的算法实习经验分享：打铁仍需自身硬！

来源：Datawhale  作者：W同学，Datawhale优秀学习者

写在前面

大家好，我是西交W同学，本硕都非计算机科班，2023春季找暑期实习的时候收获了还不错的结果，拿到了阿里，百度，米哈游在内的几家互联网大小厂的offer，最终决定去和阿里进行暑期实习，大家分享一下我的心得体会。

相比于其他人，我的准备时间开始的比较晚，是在2月份左右才彻底放弃读博的打算，开始全身心投入到找工作的大军里的，一切与找工作相关的准备也是从那个时候开始的。所以从应试和速成的角度，确实有一些可以分享的干货和心得。但在长期的积累方面，我也做的远远不够，会提出一些方向，我与大家一起努力。这个经验贴主要会分为两个部分，知识干货和心得分享。

知识干货

在很多场面试中，面试官都透露出一个信息，就是实习面试的要求会比秋招面试低很多，比如场景题回答得很浅显，有的面试官会表示没事，毕竟你们在学校也接触不到，比如力扣没有手撕出来，有的面试官会表示这道题对实习生来说确实有些难了，所以同学们在准备的时候不要有太大压力，把自己简历上的内容复习完了就开始投递吧，ML/DL的内容是学不完的，边面边学，甚至做好终身学习的准备。

所以基于上述内容，我认为下面的三个干货中，最重要的是干货1，就是基础知识点的掌握，干货2和干货3只能说作为加分项或者和面试官侃大山的一些资料。

干货1：打铁仍需自身硬

想要求职算法实习，这里是第一处需要关注的地方。算法面试有一些相当高频的问题，所以有一些知识是一定要掌握的，包括但不限于写到简历里的项目，机器学习和深度学习方面的八股，考察对实际业务理解能力的场景题，力扣代码题。

下面罗列一些经常问到的知识点和一些推荐的资料：

机器学习知识：过拟合，欠拟合，优化器，特征工程，评价指标，常见ML算法（分类/回归/降度），经常会被问到的模型有GBDT，XGBoost，会问到它们的算法原理，建树过程，优缺点，改进方法等内容。这里推荐百面机器学习，牛客网算法工程师题库，统计学习方法。

深度学习知识：具体考查的内容跟面试的岗位有关，推广搜就会问双塔模型，单目标DIN，DIEN，多目标MMOE，ESSM这些模型。大体上来说会考察一些基础DL模型，比如CNN，RNN，LSTM，也会考察Attention，Transformer，RL这些内容，问一些网络模型，反向传播，实习的面试不会太难，最多是手写一下LR的损失函数和梯度，但我在别人面经上看到，校招的时候好像难度会提高到手写SVM和CNN，推荐去看一下百面深度学习和你所面试岗位领域内的经典论文。

场景题：会问一些和实际业务有关的问题，比如ab测试，线上线下不一致的原因，有的时候面试官也会和你描述一下他们现在正在解决的问题，让你提供一些思路和解决方案，来考察（白嫖）一下你，推荐咱们Datawhale的fun-rec开源教程。

力扣：手撕代码基本已成为每场面试的保留曲目，也是衡量面试是否通过的依据之一。可以按照tag分类，套路分类，高频题榜单这些来刷，算法岗的力扣不会太难，会在medium左右，按照上面的方法大概刷150-200道左右，手撕就没有太大问题。

这里建议大家在准备的时候不要光自己弄懂一个模型，要尝试去把知识点复述出来，因为是线上视频面试，是不能真正拿一张白纸给面试官手推这些模型的，要么是写伪代码，要么是口述，所以思路清晰，详略得当相当的重要，如回答XGBoost的时候，先把和基于残差建树，贪心这两点回答出来，后续再看情况或者跟着面试官的提问把二阶taylor展开，损失函数这些东西补充出来。

干货2：关注前沿技术分享

能跟踪业界前沿技术也是一个算法工程师应具备的能力，从实习面试的角度来说，面试官会希望一个理解他现在所做事情的实习生，可以在进来之后帮他分担一些任务，所以他在面试的时候也会就自己正在做的东西进行提问，因为这也是他最了解的知识，作为实习生的我们也有必要去关注一些业界正在做的事情。

我了解到的有美团技术分享（pdf手册），淘宝人技术分享（pdf手册），小红书技术分享（b站视频）。业界整体大方向是搜推一体化，不同模态一体化，粗排精排一体化，大模型，这里值得提一下，有的部门开始做一些大模型方向的尝试，所以也会问chatgpt的四个步骤。

干货3：关注模型之间的发展脉络

这也是考察的一个点之一，就是模型的发展轨迹。多目标的几个模型，hard-parm-sharing，到mmoe，到ple，到esmm，到esm2，为什么要这么优化，在实际的业务中，每次优化都是为了解决一些问题的，或者实际使用中，平行的两个模型之间孰优孰劣。

这些问题的难度比较高，也是开放问题，是一个面试者和被面人相互探讨的过程，如果这些问题回答得不错，面试官可能就会觉得你还挺了解业务全貌的，会有很高的加分。

心得分享

心得1：多投多面

每一场面试都有很多不确定的成分，比如和面试官是否聊得来，部门是否还有hc，以及是否和岗位是否匹配。不确定性永远无法消除，寻求确定性的办法就是多投多面，把时间花在不同的公司上，把鸡蛋放在不同的篮子里。

心得2：面试过程主动沟通

面试的重点是人岗匹配，核心就是自我展示，主动和面试官沟通不仅会让他更了解你的技术水平，也会让他认为之后和你可以顺利地开展工作。尽量要避免一问一答的形式，但注意不是通过抢话来做到，而是通过适当的补充和举例子。比如面试官问你a问题，你回答不上来，但你可以说你之前了解过比较相关的b问题，它的思路是什么什么，扬长避短呗。

心得3：做好打持久战的准备

面试流程一般都比较拖拉，少数能在一周内解决战斗的都算快，这段时间保持好自己的节奏，该吃吃该睡睡该运动运动。如果结果不够好，一定是因为没有到达最后的重点，再坚持坚持，一碗朴素的鸡汤送给大家。

希望读完本文的人能有所收获

致谢

最后感谢一下Datawhale就业小组的小四哥和然哥哈，我在2023年3月12号参加了Datawhale组织的模拟面试，没有问枯燥乏味的八股，而是结合面试者自身背景提出了对应的问题，让我在正式开始面试前意识到了很多问题，向他们致以真诚的感谢。

往期精彩回顾




适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑机器学习交流qq群955171419，加入微信群请扫码