写在前面

渣本渣，因为大数据方面我了解的太少了，所以在面试过程中很多关于大数据的问题我都回答不上来。

背景相关

硕士澳洲八大，IT。本科末流985，非IT。硕士因为跨专业，学的是Course Work，期间运气比较好，有机会和几位老师一起做了几项ML相关的项目，因此毕业后找的工作都是算法相关的，希望能够帮助到正在找工作的小伙伴。

面经

无论面试通过与否，都十分感谢在面试中遇到过的每一位面试官及HR小姐姐。大多数的面试官都非常nice，都在有意的引导我回答出正确答案。感觉面试比较玄学，面试过与不过，主要取决于基础知识，除此之外也取决于眼缘。

腾讯算法（一面挂）

• 自我介绍
• 项目细扣
• LSTM与RNN的区别
• 梯度消失/爆炸产生原因
• 梯度消失解决方法
• 梯度爆炸解决方法
• Word2vec方法有哪些/区别
• 集成学习了解吗
• XGBOOST/GBDT简单介绍，区别
• 无手撕

字节跳动算法（三面挂）：

一面

• CNN中感受野/权值共享
• Resnet理解
• Resnet相比全连接什么区别
• Alexnet/VGG/Densenet/Googlenet
• 什么是梯度消失/爆炸
• RNN/LSTM解释
• LSTM怎么缓解梯度消失/Resnet怎么缓解梯度消失
• 有什么方法能解决梯度消失
• 集成学习
• XGBOOST理解
• 手撕两道：
• Two sum
• 最长公共子序列（理解成子串-子串手撕一遍，子序列在子串基础上修改）

二面

• 自我介绍
• 项目细扣
• 如何避免过拟合
• LSTM理解
• XGBOOST理解/损失函数/正则怎么算
• XGBOOST与GBDT对比/ Random Forest理解/Boosting与Bagging对比
• 为什么XGBOOST在大赛上表现很好/与GBDT相比优势
• 手撕两道：
• 岛屿问题
• 编辑距离

三面

• 自我介绍
• TCP哪一层
• HTTP/HTTPS区别
• HTTPS为什么Security
• 线程与进程
• 锁/悲观锁乐观锁
• 手撕一道：
• LC Hard。题目忘记了，只记得dfs+dp，撕了20多分钟才撕出来。

360算法

一面

• 自我介绍
• 项目细扣
• 特征工程
• Precision/Recall/F-score/ROC/AUC
• AUC计算
• 项目为什么选用AUC和F-score，为什么不选用Recall
• LSTM与RNN的区别
• 梯度消失/爆炸的原因及解决方法
• word2vec方法介绍
• Transformer了解吗/Bert了解吗
• 除了神经网络，传统的机器学习算法了解吗
• Boosting和Bagging区别
• 简单介绍下XGBOOST/GBDT
• XGBOOST和GBDT区别
• SVM/SVM核函数
• 无手撕

二面

• 自我介绍
• 项目细扣
• Precision/Recall/F-score/ROC/AUC
• LSTM与RNN
• CNN中怎么做的卷积/卷积的优势/卷积之后接什么层/为什么做pooling/都有哪些pooling
• 卷积层/Pooling层（mean/max）的反向传播
• 卷积层参数量计算
• 梯度消失/解决方法
• Resnet
• XGBOOST/GBDT/SVM/RF
• 特征工程
• 学过什么课/看了下成绩单
• MapReduce/Spark/Hive
• Mit6.824
• 手撕一道：
• 记不太清了，没有Hard那么费劲，应该是Medium/Easy难度。

HR面

• 自我介绍
• 跨专业/Gap一年干什么了
• 爱好等个人问题
• 城市选择
• 部门选择理由
• 期望薪资
• 入职时间

华为硬件研究院算法（一面挂）

一面

• 自我介绍
• 部门介绍
• 岗位不太相符/为什么选择
• 各基本算法理解/时间空间复杂度
• 口述链表翻转
• 手撕两道：
• 二分
• 堆排序

东芝语音识别算法

一面

• 自我介绍
• CNN/RNN/LSTM理解
• SVM/RF理解
• Precision/Recall/F-scor/ROC/AUC
• 语音识别算法
• 特征工程 -无手撕

笔试

• 前四道题都不难，LC Easy难度
• Python Keras 搭一个基本的CNN

二面（全程英文）

• 自我介绍
• 为什么选择东芝
• 澳洲生活
• 入职时间

花椒直播算法

一面

• 自我介绍
• 项目细扣
• 激活函数/比较
• RNN理解
• LSTM门控/作用/各门的激活函数选择原因
• SGD/BGD/momentum/Adam对比
• Adam优点
• Resnet理解
• CNN各种模块/名词解释
• 梯度消失/爆炸的原因/缓解方法/解决方法
• 常用的语言/库/tensorflow-Keras/Theano/Pytorch
• 卷积层/Pooling层/dense层细扣
• 集成学习/Boosting/Bagging
• XGBOOST/GBDT/Random Forest
• XGBOOST的损失函数
• XGBOOST怎么避免过拟合/ XGBOOST正则
• 随机森林的随机性体现在哪儿
• LR/SVM理解
• SVM核函数/作用
• Wrangling/项目Wrangling解释
• 无手撕

二面（相当帅的一个小哥哥/眼睛带笑）

• 自我介绍
• 项目细扣
• Word2vec理解/CBOW和Skip-gram对比
• Bert
• SVM理解/手推（太久没看了没推出来）
• LR手推
• XGBOOST/GBDT/Random Forest
• 各模型参数解释/不同场合不同参数的影响
• RNN/LSTM理解/对比
• LSTM的方向传播
• Kaggle比赛中LSTM及GRU的选择
• CNN细扣
• 手撕一道：二分

Boss直聘算法

一面（面试官小姐姐很好看）

• 自我介绍等
• 项目细扣/各种参数/方法/架构等设置及原因（非常非常细）
• 主要是关于大数据方面的考核，这方面并不擅长。
• 手撕一道：大数据相关的题

面试官小姐姐非常非常nice。大数据并不擅长，小姐姐一直在引导我，人也很美！

二面

• 自我介绍
• 项目细扣
• Word2vec理解/CBOW和Skip-gram对比
• Bert
• SVM
• XGBOOST/GBDT/Random Forest
• 激活函数
• Optimizer对比
• Adam优点
• LSTM/RNN
• 梯度消失/爆炸
• 项目细扣
• 无手撕

三面

• 自我介绍
• 项目细扣
• 各种真实场景下的解决思路/例如做推荐都需要哪些特征，每种特征该怎么得到
• 无手撕

HR面

• 直切主题，很干脆，nice！

尾巴

以上列出的是我能回忆起的比较有代表性的面试，其他公司例如其他互联网企业或国企银行等，如果有小伙伴需要也可以告诉我。除此之外，以上列出的面试经历也有很多问题记不太清了，可能或有一定程度的缺失。

希望大家都能拿到心仪的offer，也希望大家在日后的工作中更加努力，加油，加油，加油！