机器学习实习生面试总结(阿里 腾讯等)

转自:https://blog.csdn.net/Gavin__Zhou/article/details/71075217

如果侵权，联系版主删除。

以下均为大佬面试原文，与我无关，最近在准备实习生面试，转载了解一下套路。

今年来一直在找暑期实习，现在基本已经确定了，前后历经差不多2个月吧，发现了很多自己的缺点，同时也希望写出来供需要的人参考了解

---

先说下我自己的情况吧，决定去腾讯TEG的机器学习岗实习了，面试期间(3月初-4月底）投了不少公司的暑期实习(都是机器学习岗)，大概有这么多吧(按照投的时间顺序):

• 完美世界(笔试挂）
• 美团(offer)
• 阿里蚂蚁金服(offer)
• 腾讯TEG(offer)
• 滴滴研究院(offer)
• 去哪儿(offer)
• 360(笔试挂)
• 商汤科技(一面挂)
• 华为(offer)
• 网易有道(笔试通过，面试要去北京我没去）

百度没投，它时间很晚(4月底笔试，5月初面试)，然后我就没投了

每家的情况都说下吧: 
(1) 完美世界笔试挂，投的太早完全没复习果然gg了 
(2) 美团内推没有笔试（非官网投递），不过实验室的其它人都没获得面试机会（看脸??)，一面就直接过了(做机器学习图像的)，面试官还是很nice的，直接发offer了 
(3) 阿里就很坑了，3面技术面+HR面（更优秀的还有交叉面)，然而我并没有，三面面的不好，问了我一堆java源码的，我没答上来，到现在我还没有拿到offer，一直是面试中，估计也没什么戏，时间真的持续了好久；有意思的是，一面的面试官说今年ML岗太火，他们倾向于博士。。。。也是醉了 
(4) 腾讯现场面的，两面+HR面，每一面都刷很多人，一面去的时候人山人海，二面就很少人了，HR面去的时候只有我一个，我差点以为我走错片场了。。。结果过了，TEG网络部的机器学习岗 
(5) 滴滴研究院，也是非官网投的，两面+HR，问的比较深，感觉滴滴研究院这帮做算法的水平很不错，之后顺利通过，大数据策略组的机器学习实习生 
(6) 去哪儿也是现场面的，一个下午就面完直接口头发的offer，效率很高，两面+HR，一面是个小弟面的基础，二面HR后来告诉我是数据组的老大面的项目，顺利过了 
(7) 360不知道怎么回事，笔试做的感觉还可以，3个编程题AC了两个然后也没过，听说招实习很少 
(8) 商汤科技也是内推的，过了笔试，一面是香港打来的，问的非常深，只问deep learning，其它不问，面了50分钟吧，gg了 
(8) 华为暂时还没面，因为我拿了华为编程比赛的奖，所以免了笔试，不过笔试也不难 
(9) 网易有道投的是java开发，听说笔试挂了无数人，然而我没挂，后来让去北京总部去面，报销路费，我决定再三还是没去，放弃了，因为实习不想去java开发（那么为什么我当时投java开发???)

其实还有微软，不过那编程题实在是做不出来，ACM编程题，有兴趣的去感受下hihoder微软2017预科生，另外告诉一点，即使是PM也是要做这个题的。。。

---

给我的感触还是很多，总结如下:

(1) 早准备，我就是去年冬天在外地出差干活没复习，今年来做笔试的时候就很吃亏 
(2) 好好刷leetcode，基本在线面试的笔试题都是leetcode的题 
(3) 实习经验非常重要，有实习做过相关项目的话很加分 
(4) 了解的广不如了解的深，最好要在某个领域钻研的比较有心得（比如推荐，用户画像，目标检测等），因为面试官会顺着你的简历一直往下问，比如你做了用户画像，他就会问你怎么做的？如何做的特征工程？特征如何选择？balabala… 
(5) 想去阿里的一定要java玩的溜，尤其源代码, jvm，集合框架这是一定会问的 
(6) 虽然说搞ML的集中在算法方面，但是最好还是要会Hadoop，Spark之类的，毕竟你算法需要数据，数据只能你自己去拉（滴滴和阿里面试官原话） 
(7）ML竞争很激烈，做好心理准备

---

5月6号更新： 
（1）阿里的蚂蚁金服offer已经拿到 
（2）分享面试的具体问题

• 什么是boosting tree
• GBDT
• L1和L2正则为何可以减弱over-fitting?
• L1和L2正则有什么区别
• KNN和LR有什么本质区别
• 怎么理解Dropout
• 为什么random forest具有特征选择的功能
• random forest有哪些重要的参数？
• DNN为什么功能强大，说说你的理解
• SVM的损失函数是什么？怎么理解
• 介绍下Maxout
• 项目中over-fitting了，你怎么办
• 详细说一个你知道的优化算法(Adam等)
• 项目(比赛）怎么做的模型的ensemble
• stacking是什么？需要注意哪些问题
• 了解哪些online learning的算法
• 如何解决样本不均衡的问题
• fasterRCNN中的ROIPooling是如何实现的
• 如何进行特征的选择
• 如何进行模型的选择
• 什么是梯度消失？怎么解决
• 常用的有哪些损失函数
• XX用户画像挖掘怎么做的feature engineering?
• 假设一个5*5的filter与图像卷积，如何降低计算量？
• 做过模型压缩吗？介绍下
• 什么是residual learning？说说你的理解
• residual learning所说的residual和GBDT中的residual有什么区别？
• FFM和FTRL有过了解吗？
• 你对现在Deep Learning的发展和遇到的问题有什么看法？

基本这些就是我问的问题，不是一家公司，其它的问题还有，主要看你的简历和项目，这个每个人不一样

---

5月19号更新 
阿里大牛推荐了几本书（非基础类），虽然以前也知道可是没看过，大牛推荐了还是要看的，分享给大家： 
(1) Machine Learning A Probabilistic Perspective 
(2) The Elements of Statictical Learning

我自己推荐Bengio的”Deep Learning”一书