一线互联网公司机器学习岗位面试经验

最新推荐文章于 2024-09-04 15:30:21 发布

shuaishuai3409

最新推荐文章于 2024-09-04 15:30:21 发布

阅读量1.1w

点赞数 4

分类专栏：机器学习/云计算

本文链接：https://blog.csdn.net/shuaishuai3409/article/details/52886453

版权

机器学习/云计算专栏收录该内容

30 篇文章 4 订阅

订阅专栏

从9月18号开始投实习简历到10月21号，差不多一个月的时间，面了三个互联网公司，有研发岗和算法岗，有的拿到了internship，也有的被惨虐；会有面试通过的惊喜，也有一轮游的不甘；对结果的无法控制和等待过程中的焦虑，更会有对自身的不自信，相信每个面试的人都经历过，但无论如何实习这件事算是过去了，希望自己在接下来的路依旧不卑不亢，努力前行。

一、某度内容推荐平台架构岗面试总结（拿到internship）
时间：9月18号–9月28号
由于有玩的不错的同学腾二在这家公司，于是就直接内推了，从投递简历到三面结束共10天，不得不说其效率还是挺高的。其实本想是和腾二一样做web开发岗，当时面试准备的也是和web开发相关的，但由于之前没咋做过项目，servlet、session等知识不会，就被转到推荐平台架构设计岗了，最终通过面试，也是挺幸运的。下面总结下面试内容：

一面：
一面是个姐姐，之前听腾二说它的部门经理是学姐，然后我就以为是她，就一个劲称呼她学姐，可惜后来才知道不是。她问的比较基础，建议大家要熟悉考研408的知识，这样至少不会一轮游。
1. 介绍项目
  参加过天池大数据竞赛，所以这个问的比较细，这个比赛前前后后被问了有四次。虽然感觉一次比一次表述的好一些，但还是缺乏有力的总结，比如为什么用RF模型，这个模型比别的好在哪里，适用场景有哪些，优缺点是啥；特征工程的时候，为什么要这样处理，这样处理有什么好处；你自己的创新点在哪里？总而言之就是细节一定要把握好，多问问自己那块为什么这样做，针对可能会被问到的问题都准备下。
2. 数据库知识
  由于自己学过慕课网的数据库实战项目课程，对mysql有一定的了解，故在简历中刻意提到了这些。mysql数据库的索引优化，sql优化，常用sql语句的书写也要懂（嵌套的，稍微复杂些的也要会），熟悉下较流行的数据库，比如memcache，redis等。（主从复制原理也要懂，，多线程访问数据库）
3. 网络
  tcp协议三次握手四次挥手，http协议包含哪些请求，tcp对应协议，udp对应协议
4. 编程语言
  java的hashMap、hashTable等必问题，java虚拟机的GC回收算法，和C/C++区别等等
5. 数据结构
  两个编程题，判断单链表有没有环，并输出第一个环节点；找两个链表的公共节点。

总体来说，一面不是很难，这些需要大家有目的性的积累。

二面
二面是个男的，具体职位不清楚，但感觉比较难，个人面完后觉得要跪。问的网络方面的东西比较多，涉及到的原理性知识也偏多了些。

项目：

各种细节吧，每个人关注的点不一样，所以还是要把项目屡清楚，创新点、逻辑、多问几个为什么等等。
还问了我如何处理负载均衡，我回答的不好。
网络：

浏览器输入www.baidu.com会发生什么？（说的越详细越好），这个问题可以看出一个人对网络的熟悉程度，根据这个问题，牵扯到了许多，比如常见路由选择协议及底层原理，ARP/RARP协议，html界面如何返回，servlet /session等等，由于这些我之前不太了解，感觉面的很差。
数据结构：

就一个，全排列算法
编程语言：

java必问的那些，GC算法，多线程（最好有多线程项目，会是亮点）

二面完个人感觉很差，因为网络那块的知识感觉被虐惨了，但是数据结构方面问的其实不难，感觉复习的时候复习到树那块的知识就足够了。算法部分推荐大家看july的《编程之法》，不多，很系统。

三面

三面基本上没有问技术，问了两个智力题，然后就问了下实习时间，介绍了下他们做的内容，以及自己要去的话会做啥等等。但是由于自己的时间问题，不能满足他们实习6个月的要求，所以很遗憾，最终没能去成。

二、某一线互联网机器学习岗面试总结（一轮游）

机器学习岗还是很有挑战性性的，对机器学习算法理论要求比较高。这次面试主要围绕两个大数据竞赛，问了很多比赛中模型的细节，穿插着问了常用的分类、聚类模型原理、适用场景等问题。由于是第一次面算法岗，理论部分准备的不是特别充分，导致一轮被挂，没有觉得遗憾。以下是建议：

对常用模型要有熟悉的理解，从理论到应用，从推导公式，到深入理解，一个环节都不能少。要熟悉的理论知识：决策树、贝叶斯、逻辑回归、RF、GBDT、xgboost、KNN、k-means、adboost，甚至正则项L0、L1、L2的作用。

下面说说面试中被问到的：

决策树：信息增益、信息增益率、GINI系数。

信息增益用来度量属性划分样本的能力，信息增益越大，树的划分情况越好，越简洁，高度越低。

信息增益率：信息增益比上分裂信息熵，为了解决信息增益作为衡量指标的一个缺点（参考jiawei han那本书）

gini系数：用来度量分布不均匀性（不纯），总的类别越杂乱，gini指数越大，所以要找最小gini指标。
贝叶斯：贝叶斯原理，朴素贝叶斯。

注意若某属性A是连续值的情况，gini系数和信息增益都如何处理。
贝叶斯定理：

朴素贝叶斯: 掌握某属性是连续值情况如何处理（高斯分布），遇到0概率值怎么办（拉普拉斯校准）。若属性之间不是相互独立的怎么办？（贝叶斯网络）
k-means缺陷，knn如何制定k，kd树原理。
L0、L1、L2范式
参照下面两篇博客：
http://blog.csdn.net/zouxy09/article/details/24971995/
http://blog.csdn.net/vividonly/article/details/50723852
随机森林
http://www.36dsj.com/archives/21036

天池大数据竞赛大神bryan机器学习岗面试经验及资料整理

三、某小公司机器学习岗面试总结（internship）

这家面的是一家小公司，由于不是前两场电话面试，而是face-to-face，所以问的更具体一些。

主要还是问了天池的竞赛，不过又细化到了python下scikit-learn包API如何调用、参数如何设置等问题，当然RF等模型原理还是少不了问的，还问了模型的输入和输出等。日后我会整理出一篇关于天池竞赛思路的博客，以便下次面试使用。还有C++的多继承的缺点，java为什么要有接口。剩下的就是白板面试，现场写算法。总而言之，face-to-face问的更细，问的也最久，虽然是小公司，但是面试压力还是挺大的。

最后，祝愿大家能够不断努力，证明自己，找到自己喜欢的岗位。