寫在前面

渣本渣，因為大數據方面我了解的太少了，所以在面試過程中很多關於大數據的問題我都回答不上來。

背景相關

碩士澳洲八大，IT。本科末流985，非IT。碩士因為跨專業，學的是Course Work，期間運氣比較好，有機會和幾位老師一起做了幾項ML相關的項目，因此畢業後找的工作都是算法相關的，希望能夠幫助到正在找工作的小夥伴。

面經

無論面試通過與否，都十分感謝在面試中遇到過的每一位面試官及HR小姐姐。大多數的面試官都非常nice，都在有意的引導我回答出正確答案。感覺面試比較玄學，面試過與不過，主要取決於基礎知識，除此之外也取決於眼緣。

騰訊算法（一面掛）

• 自我介紹
• 項目細扣
• LSTM與RNN的區別
• 梯度消失/爆炸產生原因
• 梯度消失解決方法
• 梯度爆炸解決方法
• Word2vec方法有哪些/區別
• 集成學習了解嗎
• XGBOOST/GBDT簡單介紹，區別
• 無手撕

位元組跳動算法（三面掛）：

一面

• CNN中感受野/權值共享
• Resnet理解
• Resnet相比全連接什麼區別
• Alexnet/VGG/Densenet/Googlenet
• 什麼是梯度消失/爆炸
• RNN/LSTM解釋
• LSTM怎麼緩解梯度消失/Resnet怎麼緩解梯度消失
• 有什麼方法能解決梯度消失
• 集成學習
• XGBOOST理解
• 手撕兩道：
• Two sum
• 最長公共子序列（理解成子串-子串手撕一遍，子序列在子串基礎上修改）

二面

• 自我介紹
• 項目細扣
• 如何避免過擬合
• LSTM理解
• XGBOOST理解/損失函數/正則怎麼算
• XGBOOST與GBDT對比/ Random Forest理解/Boosting與Bagging對比
• 為什麼XGBOOST在大賽上表現很好/與GBDT相比優勢
• 手撕兩道：
• 島嶼問題
• 編輯距離

三面

• 自我介紹
• TCP哪一層
• HTTP/HTTPS區別
• HTTPS為什麼Security
• 線程與進程
• 鎖/悲觀鎖樂觀鎖
• 手撕一道：
• LC Hard。題目忘記了，只記得dfs+dp，撕了20多分鐘才撕出來。

360算法

一面

• 自我介紹
• 項目細扣
• 特徵工程
• Precision/Recall/F-score/ROC/AUC
• AUC計算
• 項目為什麼選用AUC和F-score，為什麼不選用Recall
• LSTM與RNN的區別
• 梯度消失/爆炸的原因及解決方法
• word2vec方法介紹
• Transformer了解嗎/Bert了解嗎
• 除了神經網絡，傳統的機器學習算法了解嗎
• Boosting和Bagging區別
• 簡單介紹下XGBOOST/GBDT
• XGBOOST和GBDT區別
• SVM/SVM核函數
• 無手撕

二面

• 自我介紹
• 項目細扣
• Precision/Recall/F-score/ROC/AUC
• LSTM與RNN
• CNN中怎麼做的卷積/卷積的優勢/卷積之後接什麼層/為什麼做pooling/都有哪些pooling
• 卷積層/Pooling層（mean/max）的反向傳播
• 卷積層參數量計算
• 梯度消失/解決方法
• Resnet
• XGBOOST/GBDT/SVM/RF
• 特徵工程
• 學過什麼課/看了下成績單
• MapReduce/Spark/Hive
• Mit6.824
• 手撕一道：
• 記不太清了，沒有Hard那麼費勁，應該是Medium/Easy難度。

HR面

• 自我介紹
• 跨專業/Gap一年幹什麼了
• 愛好等個人問題
• 城市選擇
• 部門選擇理由
• 期望薪資
• 入職時間

華為硬件研究院算法（一面掛）

一面

• 自我介紹
• 部門介紹
• 崗位不太相符/為什麼選擇
• 各基本算法理解/時間空間複雜度
• 口述鏈表翻轉
• 手撕兩道：
• 二分
• 堆排序

東芝語音識別算法

一面

• 自我介紹
• CNN/RNN/LSTM理解
• SVM/RF理解
• Precision/Recall/F-scor/ROC/AUC
• 語音識別算法
• 特徵工程 -無手撕

筆試

• 前四道題都不難，LC Easy難度
• Python Keras 搭一個基本的CNN

二面（全程英文）

• 自我介紹
• 為什麼選擇東芝
• 澳洲生活
• 入職時間

花椒直播算法

一面

• 自我介紹
• 項目細扣
• 激活函數/比較
• RNN理解
• LSTM門控/作用/各門的激活函數選擇原因
• SGD/BGD/momentum/Adam對比
• Adam優點
• Resnet理解
• CNN各種模塊/名詞解釋
• 梯度消失/爆炸的原因/緩解方法/解決方法
• 常用的語言/庫/tensorflow-Keras/Theano/Pytorch
• 卷積層/Pooling層/dense層細扣
• 集成學習/Boosting/Bagging
• XGBOOST/GBDT/Random Forest
• XGBOOST的損失函數
• XGBOOST怎麼避免過擬合/ XGBOOST正則
• 隨機森林的隨機性體現在哪兒
• LR/SVM理解
• SVM核函數/作用
• Wrangling/項目Wrangling解釋
• 無手撕

二面（相當帥的一個小哥哥/眼睛帶笑）

• 自我介紹
• 項目細扣
• Word2vec理解/CBOW和Skip-gram對比
• Bert
• SVM理解/手推（太久沒看了沒推出來）
• LR手推
• XGBOOST/GBDT/Random Forest
• 各模型參數解釋/不同場合不同參數的影響
• RNN/LSTM理解/對比
• LSTM的方向傳播
• Kaggle比賽中LSTM及GRU的選擇
• CNN細扣
• 手撕一道：二分

Boss直聘算法

一面（面試官小姐姐很好看）

• 自我介紹等
• 項目細扣/各種參數/方法/架構等設置及原因（非常非常細）
• 主要是關於大數據方面的考核，這方面並不擅長。
• 手撕一道：大數據相關的題

面試官小姐姐非常非常nice。大數據並不擅長，小姐姐一直在引導我，人也很美！

二面

• 自我介紹
• 項目細扣
• Word2vec理解/CBOW和Skip-gram對比
• Bert
• SVM
• XGBOOST/GBDT/Random Forest
• 激活函數
• Optimizer對比
• Adam優點
• LSTM/RNN
• 梯度消失/爆炸
• 項目細扣
• 無手撕

三面

• 自我介紹
• 項目細扣
• 各種真實場景下的解決思路/例如做推薦都需要哪些特徵，每種特徵該怎麼得到
• 無手撕

HR面

• 直切主題，很乾脆，nice！

尾巴

以上列出的是我能回憶起的比較有代表性的面試，其他公司例如其他互聯網企業或國企銀行等，如果有小夥伴需要也可以告訴我。除此之外，以上列出的面試經歷也有很多問題記不太清了，可能或有一定程度的缺失。

希望大家都能拿到心儀的offer，也希望大家在日後的工作中更加努力，加油，加油，加油！