本文已經收錄至我的GitHub,歡迎大家踴躍star 和 issues。

https://github.com/midou-tech/articles

機器學習整體難度還是有點，不過這個崗位真的是很香，錢多，發展空間足未來可期啊。

本篇文章面經是三位大佬面試百度機器學習崗位的面試題，其中兩位已經拿到offer，趕緊複習起來，下一個offer就是我。

更多的面經和內推資訊，請微信搜索 龍躍十二 即可獲取。

一面

• 詢問簡歷上做過的項目，以及項目細節
• 演算法題：
• 二叉樹中序遍歷（要非遞歸解法）
• 兩個有序鏈表的歸併。
• 快排
• lstm 詳細講講解
• attetion 機制
• 混淆矩陣，F1等計算
• n個人進餐館，都把帽子掛在門口，走的時候隨手拿一頂，問拿到帽子恰好是自己的人數的期望
• ML 與 DL比較
• 實習的一些問題

二面

• 演算法題：返回二叉樹中路徑和為某一值的所有路徑、反轉句子中單詞順序

• 區塊鏈比賽和專利

• 我驚了個呆，大佬竟然還了解區塊鏈，準確指出了我的區塊鏈項目和專利的不靠譜處（我也知道啊，所以我轉ML了啊）

• 項目

• 這個就隨便聊了聊

• AUC計算

• 很奇怪，我面試後看了看發現給出的是正確方法，但是面試官說不對。。。

• 進程和執行緒是為什麼被提出的

• 執行緒間如何通訊

• 快排複雜度的證明

• 特徵篩選方法

三面

• 基礎數據結構和演算法有哪些
• 是的你沒猜錯，我把課本羅列了一下，順序表 鏈表 哈希表 樹系列 圖系列，選擇插入冒泡希爾堆快速基數外部排序，就過了。。。
• 推薦類演算法比較
• 機器學習演算法比較
• 聊了聊區塊鏈

已經拿到offer

這是下一位同學的面經

一面

• 聊項目，聊的非常細，我的項目就是比賽，面試官甚至問了我提分的過程，一開始多少分，做了哪些工作之後升到了多少分之類的；

• 跟過擬合有關的一些問題，詳細的內容已經記不清了；

• 聊xgboost；

• 聊deepFM；

• 項目中用到了LSTM，為什麼可以用LSTM，它的主要用處是什麼，以及LSTM的梯度消失問題；

• 演算法題：二叉樹中的最長路徑；

• 演算法題：x的平方根。

  二面：

• 聊項目；

• 聊GBDT；

• 演算法題：二分查找；

• 演算法題：最大堆的插入；

• 聊deepFM；

• 不定長文本數據如何輸入deepFM，如果不截斷補齊又該如何輸入；

• 項目中為什麼使用LSTM；

• 項目中整個過程中都做過哪些優化。

  三面：

• n個數中等概率抽取m個數。

  三面就問了一道概率題，剩下的基本上是聊天。 總的來說面試難度不高，感覺也是我運氣好吧。

這是下一位同學的面經

一面

• 給一個數組，數組的數字代表股票價格，求一次買賣的最大股票收益
• 1-n的全排列
• lstm是什麼的升級？解決了什麼問題？
• 講一講各種激活函數
• attetion 機制
• embedding的深層含義是什麼
• c 的const欄位有什麼意義
• RF和GBDT的區別
• 為什麼GBDT可以提高準確率
• 矩陣分解

二面

• 自我介紹
• 講區塊鏈
• 區塊鏈中51%攻擊的經濟學原理
• 求樹兩個節點的最低公共祖先
• 講kaggle比賽
• xgboost比gbdt的優化都有哪些
• 為什麼xgboost要求二階導數
• 泰勒展開逼近殘差，二階比一階精度高
• 通用性，所有二階可導的loss function都可以用
• 有些函數梯度在一階上變化小，二階變化大，參考牛頓法
• 為什麼gbdt沒有正則
• 講項目
• 計算一下項目中DNN的參數個數
• gbdt與lr區別
• 集成為什麼會提高效果
• l1 l2正則
• xgb lgb調參怎麼選參數
• 貪婪搜索唄？面試官覺得不行？難道是貝葉斯參數優化？
• 怎麼樣在沒有得到未來數據的情況下提高模型對未來預測的效果
• 講道理我覺得這個問的非常扯淡，不就是泛化性，然後我說了一些降低方差的方法，面試官說是對未來預測的準確性，沒有get到他的點，最後被說對演算法的追求不夠。。。。

更多的面經和內推資訊，請微信搜索 龍躍十二 即可獲取。