超强整理，非科班硕士的算法面经 (阿里 腾讯 字节 美团)
写在前面
结束秋招已经很长一段时间了，如今也已经入职一段时间了，应大佬邀请整理一下面经，回馈一下有志于从事算法工作的学弟学妹们，毕竟自己也是曾经站在巨人的肩膀上，得到一些帮助，受益匪浅。
笔者背景，C9 硕，非科班，互联网领域公司投递的岗位主要是“机器学习”（数据挖掘、搜索广告推荐方向，偶尔也投递一下 nlp 方向，cv 也懂一些），教育和金融领域的公司也投了几家（分别是竞赛教练和量化研究岗）。
因为秋招 19 年开始地特别早，所以投递的时间比较早，而且规划和定位比较明确（地点不想去的尽量不投（例如北京））。秋招一共面了 14 家左右大厂（只投递杭州、上海、深圳岗位），放弃了几家外企的面试。
「几点建议」：
- 多出去看看走走，能收获很多不一样的东西。
- 遇事不慌，戒骄戒躁。
- 注重积累，持续学习。
- 很多时候认真就输了，但不认真也就真的输了。
- 学会鼓励与成就他人。
- 常怀敬畏之心，敬畏一切。
阿里（杭州）
一面(60min)
- XGBoost 和 Lightgbm 的优化点，与传统 GDBT 的区别与联系？
- 为什么二阶泰勒展开？为什么梯度下降地更快更准？
- 展开有没有效果的损失？
- LSTM 和 GRU 原理，与 RNN 的区别与联系？
- LR 与 SVM 的区别与联系？
- 生成模型与判别模型的区别？
- 牛顿法与梯度下降法的区别？
- 了解过哪些评估指标？
- L1、L2 正则化区别，为什么可以用在特征选择上？
- 亿级数组中找 TopK
- 其他就是比赛介绍，面试官自己做过类似的比赛，所以比较感兴趣。
- 数据清洗、特征工程、模型、模型融合
二面(45min)
- 简单地介绍下 LR？
- 类别不平衡有哪些解决方法？
- 展开有没有效果的损失？
- 介绍下常用的几种聚类方法？区别与联系？
- 硬间隔与软间隔的区别？
- 参数模型与非参数模型的区别？
- 了解提升方法吗？介绍下最基础的 AdaBoost 以及提升树？
- 了解过哪些 embedding 技术？
- word2vec 中两种方法的区别与联系？
- 二叉树路径总和，找出所有路径
- 再是比赛和项目介绍，聊业务聊了很久。
交叉面(30min)
- 说说 EM 与 Kmeans 的区别与联系？
- 多类别不平衡可以怎么解决？
- XGBoost 和 Lightgbm 与传统 GDBT 的区别与联系？
- 有哪些主流的优化方法？
- kmeans 如何确定类的数量？如何优化计算效率？
- SVM 效果一定比 LR 好吗？
- Softmax 与 Negative Sampling 的区别与联系？
- 过拟合都有哪些解决方法？
- 当今 embedding 技术有哪些挑战与机遇？
- 问了一些业务方面的问题该如何去思考设计方案，答得不是很好
腾讯（深圳）
一面(50min)
- Lightgbm 的优化点，与传统 GDBT 的区别与联系？
- Xgboost 都有哪些改进的地方？
- Xgboost 和 Lightbgm 的特征和数据的分布式分别是怎么做的？各自存在什么问题？
- 简单地介绍下 SVM？
- 了解哪些词向量的方法？
- 决策树都有哪些分裂指标？
- 把知道的优化方法都说一说？
- 特征选择都有哪些方法？
- 了解过 Bert，GPT 和 ELMo 之类的模型吗？
- 问了业务方面的问题，给了两个场景，问如何识别外挂？
- 其它就是比赛及项目方面的问题。
二面(45min)
- 简单地介绍下 word2vec？说下具体训练过程？
- gbdt 怎么做分类？
- 卷积神经网络的具体原理？
- 说说过拟合都有哪些解决方法，越多越好？
- AdaBoost，random forest 和 gbdt 的区别与联系？
- word2vec 中两种方法的适用场景和优缺点？
- 简单说说 HMM？
- 了解过多模态？
- 再是比赛和项目介绍。
- 给了几个业务场景题，这块一时想不到什么方案，答得一般。
三面(30min)
- 简单介绍一下 word2vec 和 fasttext？
- 为什么随机森林比较好？
- dropout 为什么可以防止过拟合？
- 梯度消失和爆炸都有哪些解决方法？
- SVM 适用于什么样的数据分布？哪种分布它不 work？
- 了解过 transformer？讲讲 multi-head
- xgboost，rf 和 LR 的适用场景？
- 简单说说 Bayes？
- 聊业务，开放题设计方案
百度（上海）
一面(45min)
- LR 与 SVM 两个算法的适用场景以及它们之间的区别与联系？
- Boosting 和 Bagging 的区别与联系？
- rf 和 gbdt 各自优化的是偏差还是方差？
- 解释一下 AUC 的计算方法和它代表的意义？
- L1、L2 正则化区别与联系？
- 快排和归并
- 其他就是比赛和项目介绍。
- 数据清洗、特征工程、模型、模型融合
二面(45min)
- 说说 xgboost 的分裂指标？xgboost 与 GBDT 的区别？
- AUC 有哪些计算方法？
- BERT，GPT 和 ELMo 的区别与联系？
- FM，deepfm 原理？
- 了解哪些 graph embedding 方法？
- 注意力机制的原理？
- BN 都有哪些作用？
- Softmax 与 Negative Sampling 的区别与联系？
- word2vec 中两种方法的区别与联系？
- 堆排和亿级数组中找中位数。
三面(40min)
- 聊比赛项目经历，说说遇到的挑战和困难，还有改进的余地吗？
- 说说在研究生期间的工作，你碰到过最困难的事是什么，以及是怎么解决的？
- 对各大公司推荐引擎有比较深入的了解吗？
- 如果给你一个好看视频的场景，你会如何解决？
- 职业规划相关
华为（杭州）
华为云，直接在六月的时候被叫过去进行顶尖人才专场面试。
一面(40min)
围绕简历，然后问了业务中大数据方面的解决方案有没有想法，中间问了些数据清洗及特征工程方面的问题，还穿插了很多模型压缩与实时流方面的问题，说到时进来做面向芯片的 AI 加速算法，普及了华为在这方面的前景与优势。
二面(30min)
简历提问，然后介绍华为近些年取得的巨大成就，聊聊业务，人生，价值观以及兴趣爱好。
蘑菇街（杭州）
一面(50min)
- 自我介绍
- 梯度消失与梯度爆炸的解决方法？
- 把知道的优化算法及各自的优缺点都说说看？
- 围绕项目谈论，一些细节，一些知识(特征工程与模型融合)
- 特征种类，正则化之类的？参数有哪些？怎么做特征工程，特征选择等
- 手写代码及测试，斐波那契数列。
二面(35min)
- 自我介绍
- EM 与 kmeans 的区别与联系？
- 说说 transformer 中 multi-head 的作用？
- 说说处理超长文本一般都有哪些方法？
- lightgbm 都有哪些优化的点？
- 围绕项目谈论
- 手写代码及测试，二叉树层次遍历。
hr 面
- 工作中优缺点
- 选择公司的侧重点
- 自己的 offer
字节（上海）
一面(35min)
- 自我介绍
- 比赛项目：任务，角色，使用方法，模型，调参
- 讲讲 xgboost？
- tfidf 有哪些优化方法？
- 实现 tfidf；判断链表是否有环
二面(30min)
- 自我介绍
- 比赛项目
- CNN 的反向传播细节？
- 了解 Bert 和 XLNet？
- 电梯调度(所有人在 1 楼进电梯，当电梯停在 i 层时则所有人走出电梯步行到自己所在的楼层中，求所有人爬的楼层数目和的最小值)
网易互娱（杭州）
数据挖掘 US
一面(45min)
- 自我介绍
- 项目：(比赛 + 项目)怎么做的
- lstm 解决了 rnn 的什么问题，为什么会有这个问题？
- 激活函数都有哪些？
- relu 的问题是什么，怎么解决？
- 平衡二叉树是什么？
- 给一个游戏的场景，比如荒野行动，推荐系统应该怎么做？
- 会使用 hadoop 和 spark 这些吗？
- 说一下业界推荐系统的流程是怎么样的？
二面(30min)
- 自我介绍
- 项目：(比赛 + 项目)
- 介绍 xgboost？
- bagging 和 boosting 有什么区别？
- 还是游戏的场景，推荐系统的特征方面应该怎么做？
- 智力题：一幅地图上已知标签的少数群体，如何才能最快地去获取其它群体的标签。
- 都有哪些 offer，公司一般如何选择？
- 职业规划
美团北斗（上海）
机器学习方向
一面(45min)
- 自我介绍
- 围绕简历比赛问：任务，角色，使用方法，模型，调参
- 随便说一个算法（说的 LR）
- LR 损失函数不能是平方差吗？
- 优化方法都有哪些？
- AUC 的作用？
- 如何优化 AUC 的计算？
- 智力题：坐飞机问题。
二面(40min)
- 自我介绍
- CNN 1*1 卷积核的作用？
- Xgboost 和 Lightbgm 与 gbdt 的区别与联系？
- 高维稀疏特征可以怎么处理？
- 给一个场景题：美团 app 的猜你喜欢（特征的在线获取和处理）具体方案如何设计，模型只能用 LR 模型
- 然后比赛项目：任务，角色，使用方法，模型，调参
- GBDT 怎么做分类？
- 智力题：一个盒子里面有 4 个白球和不知道几个红球，扔进一个球（不知颜色），再取出一个，结果是白球，问扔进是白球的概率。
其它一些手撕代码题：
- 无序数组找出重复二次的所有数字。
- M*N 的矩阵，每个格子中都有一个非负整数，只能向右或向下移动，求从左上角到右下角的所有路径中的最大值/最小值。
- M*N 的矩阵，有无数个点，用最快的速度找到离指定点最近的那个点。
- 按一定顺序排列的字母串，随机打乱后的字母串复原回原排列顺序各字母移动次数之和最少为多少。
- 买卖股票的最佳时机含手续费。
- 大数相乘
- 矩形区域不超过 K 的最大数值和。
暂时能记起来的就这些，还有些 ov 海康中兴啥的实在太久了，教育和金融公司的面经感兴趣的可以关注我公号(海边的拾遗者)进行交流，先更新这些，祝大家心想事成，多多加油！
