2019春招算法面经汇总

一、二面问题汇总：

自我介绍；

非CS专业为什么做机器学习（我记得有本书上说机器学习产生于控制学科...）；

看成绩单，因为我们学校信息学院分院之前自动化和计算机课程几乎相同，所以面试官比较满意；

与岗位相关的课程介绍；

分类器了解哪些，自己写过哪些；

熟悉的语言，用过哪些框架；

最熟悉哪个分类模型；

项目介绍；

项目中用到的算法详细；

树模型和熵介绍，为什么xgboost效果好；

除了课程外读了哪些书和视频公开课；

线性回归解析解的推导（三种方法），SVD与PCA的关系；

深度学习的适用场景；

深度学习与传统方法的区别，深度学习为什么效果这么好；

熟悉数据结构与算法吗；

贪婪在机器学习中有哪些应用；

想在哪个城市，为什么，为什么不去**城市；

面试了哪些公司，有哪些offer；

为什么去面试这些公司，找工作看重哪些方面；

有什么问题。

（已拿offer，感觉引导发问很重要，不建议坐等面试官提问再回答）

作者：Owen😈💤
链接：https://www.nowcoder.com/discuss/95240
来源：牛客网

1.介绍项目，被外界打断三次，有种便秘的感觉，讲完了，面试官在百度问题，然后问我项目技术问题，回答之后他说他看过那篇论文，然后就没了

2.项目花了30+分钟，跳出你的项目，谈谈传统机器学习（小弟深度学习弱渣），你觉得传统学习，深度学习本质区别？

我回答：线性-非线性？

面试官：不对。

我再答：分类-回归？

面试官：不对，你理解不行啊，基础有点差（我内心：。。。）那我再换个方式问：Linear regression跟logistics regression的本质区别？

我：线性非线性？

面试官：不对

我：内心就是mmp)不好意思，我没理解好这个点，请问你能跟我说下正确的理解答案吗？

面试官：不可能啊，这是面试，百度很多你自己去百度

我：目瞪口呆。。。

面试官：再问个问题，预处理知道吗？我们讲讲归一化吧，归一化的本质是什么？

我：去除数据的差异？

面试官：不对

我：把所有的data都scale到同一个range下？方便比较特征？

面试官：不对，你不是搞深度学习吗？这个跟BN思想一样啊。

我：BN的就是去除数据之间的差异，减少层层之间的依赖啊

面试官：你没理解到点上去

我：目瞪口呆twice

3.这样吧，你桌面共享出来，你写个backprop:

（内心OS：妈耶~怕不是被针对了，别人30分钟就出了，我1个多小时还要写code

打开一个sublime，写了个SGD的简单方法敷衍了下

交换问题：1.所在部门干啥的？2.对我的评价及建议：动手能力不错，但是理论基础差。。。。

作者：小蜗牛学技术
链接：https://www.nowcoder.com/discuss/93521
来源：牛客网
一面：
（1）自我介绍
（2）介绍项目，介绍了一个CTR项目，针对项目提问题
特征选择，特征工程，随机森林是怎样重要筛选特征的，RF/XGboost/GBDT区别，树模型如何处理缺失值和连续值，模型融合stacking
（3）手写代码，简单题目，有序数组的二分查找（重复数字返回第一个），二叉树相加，是否子结构，都是leetcode easy题目，写得有点慢。。。
二面：
（1）自我介绍
（2）介绍项目
（3）给定一个项目，如何分阶段完成
（2）列举两个优点和缺点
（4）保研还是考研，为什么不能保研
（5）在实验室早上几点去，晚上几点回
（6）工作地点
（7）我去了两个公司实习，比较一下这两个公司
（8）如何看待你应聘的岗位

作者：编程一头牛
链接：https://www.nowcoder.com/discuss/90245
来源：牛客网

知道应该在面试完及时整理面经，方便自己也方便他人，但是懒癌发作一直没有下手。（懒癌怎么能找到好工作呢？！）今天下午刚刚结束了作业帮一面，回来总结一下。

1）科大讯飞合肥大数据中心，本来投的是北京的研究院但是被Hr分到了合肥，就索性面了。

2）作业帮提前批机器学习算法岗，没有自我介绍，面试官拿着之前提交的电子版的简历，问项目。问了项目的分工情况，然后开始逐点问，对数据预处理怎么填充的缺失值，哪些判定为异常值，对连续属性进行离散化有什么好处，Logistic回归能处理浮点数吗？多项式组合特征对哪个模型中效果提升最大。这个没答上来，问了面试官，面试官说是Logistic回归里面提升最大，而且组合起来的两个特征也是想出来的，没什么理论支撑。还问了模型的评价指标AUC是如何计算的，ROC曲线的横纵坐标代表了什么含义。XGBoost模型里面参数有哪些？如何发现过拟合。XGBoost模型中对数据进行采样的好处？主要是针对简历里写的不清楚的地方提问的。给了一个编程题，如何最快的在循环有序数组中查找某个值，在纸上写，怕各种陷阱，迟迟不敢下笔。然后又给了一个算法题，如何最快的找出两个集合中的交集，提出用哈希表的方法，问了这种方法的复杂度，然后又问如果这两个集合都特别大，不能再内存中构建哈希表该如何做？可能是想让我回答多线程相关的内容，但是我不会。如何设计哈希表？期间也问过有编过多线程多进程的代码吗？没有。。。然后面试官总结数据结构基础知识不扎实，写代码太慢，说可以推荐我去数据分析岗，被我拒绝了hhhh

面试官说的没错，确实基础知识非常欠缺，而且很多问题都没能给出正面回答，秋招之路还很漫长！明天面试ThoughtWorks，听说巨难，很慌张。。

最近一周的面试有点吃不消，还没准备好就被推着走，小身板儿快承受不住了。

比特大陆面试，现场面。办公地点在奥体公园旁边，下了地铁还有挺远一段。官方流程不清楚，我面了两面。

两面面试官都开场直接说我们不做机器学习，是区块链方向的，你看你还有没有兴趣，有兴趣的话继续聊。虽然区块链很火，但是我也不太清楚具体是做什么的，然后也没明确回复我未来想走什么方向，所以就接着聊。面试官都很好，不清楚他们的方向也没关系，会考察基础的数据结构和算法，还有就是将自己以前做过的东西，他们会顺着你说的抛出新的问题。

一面面试官问了三个算法题：1）给出字符串，按正方形的方式输出。然后检查空字符串的情况，是否会出现异常。2）快排。3）在循环有序数组中找出某个值的位置。写了前两个，第三个只说了思路。面试官检查代码检查的超细致。一丢丢问题都能发现。

二面面试官问了实验室的情况，数学建模竞赛中用过的哪些成熟的模型，让讲一个自己做过的项目。面试官是数学专业的博士，对概率和数学推导比较看重，项目里用了XGBoost模型，然后问我原理，我大眼瞪小眼，然后又问了一个概率的问题，有关生日的，我又大眼瞪小眼。最后推荐了两本区块链方向以及一本计算机方向的书，说应届生不要去设想工作会是什么样子的，要把基础打扎实，具体模型的适用条件，假设条件，简化过程，原理等等要掌握，合适的工作自然会来。

vivo，视频面。技术面+HR

周二晚上9：30的视频面，大概四十分钟。全程自己balabala，讲项目，讲自己会啥，感觉面试官比较疲惫话都不想说。晚上收到了第二天HR面的通知，效率惊人。

周三下午HR面试，10分钟。1）自我介绍。2）现在各行各业都有大批人转计算机，你怎么看。3）你觉得对你这个岗位来说需要哪些素质。4）基于你说的这些素质，你自身的优势在哪。5）工作地点怎么考虑的。期间HR还接了一个电话跟人说拜拜，我以为在跟我说，条件反射的跟她说了拜拜，后来才发现不是跟我说的。HR说后续通知大概在23号左右发出。

阿里口碑，两面。一面现场，二面电话。

口碑地点在北三环环球贸易大厦，交通很方便。周三上午，面了一个半小时。先写代码，给出二叉树的前序和中序序列恢复二叉树的结构。开始没写出来，在面试官的提醒下写出来了。

然后自我介绍，介绍项目，项目里的特征都有哪些，哪些对结果的影响大？

机器学习课上都讲了些什么，有没有学过数据结构。

掌握了哪些机器学习模型。

然后LR、SVM、XGBoost模型的区别；RF、GBDT、XGBoost、AdaBoost的区别。

XGBoost和GBDT哪个模型性能好，为什么？

介绍LR的原理。

LR和SVM的时间代价比较过没有。

有没有看过python库里的源码？

无监督学习掌握什么方法？回答k-means，别的真的不知道了，从来没重点看过。

然后给了一个大概的数据分布，问如何聚类。最后面试官说了是密度聚类的方法。

问CRF、HMM知道不？不知道

LDA知道不？不知道

规则学习了解吗？不了解。

面试官说有时间把这些看一下，都要了解。一面给过了。

当天下午就接到电话，约了周四下午面试。二面面试官听声音就觉得有点严肃，说话也是句句戳脊梁骨。

自我介绍、介绍一个项目

问XGBoost如何实现的正则化？我说模型里面的目标函数本身就包含了正则化

然后说某个特征让加入正则化如何设计。我没听明白问题，然后面试官就放弃这个问题了

问前期的数据分析，怎么做的。有没有分析出什么有意思的东西来。没有。。其实都没什么分析

特征筛选怎么筛选的。我说用的模型里面有一个特征评分，选取了一个阈值，分数小于这个阈值的特征就删去了。然后问我阈值怎么选，我其实是随便定的，然后就含糊的回答。面试官说那你是排脑门定的啊。

问我有监督学习和无监督学习模型掌握了哪些。

问一个区域确定人口中心划区域用什么方法，开始我说用k-means，然后他问我具体怎么实现。我说先设定一个k值，他问k值怎么定，拍脑门吗？不过在没有先验信息的情况下，确实没法选，就多试几个不行吗。然后我说那用密度聚类。

那密度聚类的密度函数用什么？我不知道

给饭店确定菜系，是鲁菜、川菜、西餐、混合菜系。。。你需要收集哪些数据，用什么方法

两个有序数组怎样最快的确定差集，复杂度是多少？

面试官提议工作中很多时间都在做数据分析的事情，这个工作要先做好。

经过这些面试确实发现自己掌握的只是冰山一角，感慨：得到的都是侥幸，失去的都是人生。

作者：风引
链接：https://www.nowcoder.com/discuss/99349
来源：牛客网

一面 算法题 两条链表求第一个公共节点。

逻辑回归推导

最大似然及交叉熵

正则及各自优劣

评价指标及含义

问了一个实习的项目，40分钟，过。

二面，

问了kmeans的计算过程及复杂度

剩下全程问项目，基本全程自己讲，40分钟过。

三面，总监面，主要问了问之前实习怎么跟pm对接需求，在每项工作中参与的程度。简单介绍了下每个项目背景和业务价值。

场景题：网易云音乐评论的个性化推荐。40分钟，过。

作者：offer我踩着七彩祥云接你们了
链接：https://www.nowcoder.com/discuss/97260
来源：牛客网
作者：Jeffery008
链接：https://www.nowcoder.com/discuss/102265
来源：牛客网

作者：盛晨晨
链接：https://www.nowcoder.com/discuss/101927
来源：牛客网

国庆刚过就接到了淳儿姐的offer call，开心。写个面经，机器学习算法工程师。

一面，基础面：

1.precision和recall的定义和公式；

2.不平衡数据集的适用指标有哪些；

3.AUC、ROC的定义、实际意义、画法；

4.画ROC曲线，依照曲线上某点解释意义；

5.除了修改mercy，还可以用哪些方法来处理不平衡数据集；

6.写贝叶斯公式，解释先验、似然、后验；

7.写vc dimension的公式，解释其意义、作用；

8.简单介绍神经网络和CNN，介绍一下CNN对NN的改进之处；

9.介绍inception、VGG、Resnet；

10.为什么VGG要使用小的kernel代替大kernel；

11.目标检测RCNN系列介绍；

补：介绍HMM模型，手推前向后向算法

12.手撕代码，剑指offer原题，分析时间复杂度；

13.场景应用题，我用了simnet解决；

14.simnet介绍；

15.有什么问题问他；

二面，感觉面能力：

1.自我介绍；

2.项目介绍；

3.挑了三个项目详细介绍了使用的方法、思路等等；

4.深度学习与传统方法的区别；

5.深度学习和机器学习各自的适用场景、举例说明；

6.在CV中用到的机器学习方法介绍；

7.对CV、NLP和ML的偏好、看法；

8.找工作时对公司哪个方面更加看重，为什么要来贝壳面试（汗）；

9.有什么问题问他；

三面hr面，姐姐超漂亮，一切和谐顺利，聊得很开心，感觉过了CVTE的hr面之后，其他公司的hr面都是so easy难度的。

S面是boss面，聊的项目和学校生活经历。

嗯...贝壳面试体验很好，但当时连现场的吃的都没好意思吃，饿着肚子面了一下午，更不用说搭讪了，后悔，没有去要小姐姐们的微信

讲讲去年在秋招过程中积累的一些粗浅的经验，希望对大家有帮助。

以下为面试过程中可能会遇到的问题，结合了网络资料以及自我的理解，如果大家需要更全面细致的总结，可以加我的微信：zhengzhixian1468 加我的时候可以备注一下来自牛客。

• 支持向量机SVM
  在整体框架上，首先要知道SVM的学习策略是间隔最大化，可形式化为一个凸二次规划，等价于正则化的hinge损失函数的最小化问题，最后通过SMO方法解决接下来可根据李航的统计学习方法或者周志华的机器学习的SVM章节从头开始回忆细节。可根据以下问题串联算法原理细节。
  1、函数间隔和几何间隔的区别？
  分类超平面可表示为wx+b，y为分类类别(1/-1)，其中函数间隔(function margin)为y(wx+b)，可代表距离超平面的远近即为对样本分类的确信程度。此时会显易见想到如果成比例改变w,b，虽然没有改变分离超平面但是会增加函数间隔，所以需要对分离超平面进行规范化即除以||w||，得到几何间隔。https://blog.csdn.net/maymay_/article/details/80263845
  2、怎么得到svm目标函数？
  基本思想为相近样本点使其最大间隔化，这样确保距离超平面很近的点能有足够大的区分度。即为最大化样本(xi,yi)之间的最小几何间隔。实际上以上思想是对数据结构化分布做了描述。
  3、 什么是kkt条件?  什么是支持向量?
  将含由不等式的约束问题通过拉格朗日法得到了无约束问题，此时得到了KKT条件，通俗来将有以下几个条件
  （1）拉格朗日式L对各个参数求导为0
  （2）等式约束f(xi)为0
  （3）拉格朗日系数alpha>=0
  (4) 拉格朗日系数alpha 与不等式约束式子g(xi)的乘积=0
  
  可由以上可的，当alpha>0 时，g(xi) =0即其解x向量就是支持向量这里同时说明支持向量机只依赖于alpha>0的样本点,其他样本点对其没有影响,说明支持向量对噪音不敏感
  4、 什么是松弛变量?
  所有训练样本并不是线性可分的，意味着不能满足函数间隔大于等于1。为了提高容错率使得函数间隔加上松弛变量 sigm且sigm>=0 。对于每个松弛变量需要支付代价,则改变目标函数+C sum(sigm),其中C为惩罚系数,C越大表示误分类的个数越少。
  5、 为什么推到成对偶形式?
  
  (1) 对偶问题更容易求解
  (2) 能够自然的引入核函数,进而推广到非线性问题
  6、核函数的作用是什么?有哪些核函数?如何选择核函数?
  
  (1) 什么是核函数?
  特征函数为将欧式空间映射到希尔伯特征空间, 核函数K(x,z)就为特征函数的内积。
  核技巧为只定义核函数K(x,z),不定义映射函数, 通过核函数直接计算映射函数的内积。
  2 核函数的作用?
  将低维的欧式空间映射到高唯特征空间,将线性不可分在高维特征空间中变得线性可分,在svm中拉格朗日对偶问题中的内积xi*xj 可以用核函数代替 。核函数可将两组数据映射为核空间内的两个点,看两个点之间的距离判断是否为同一分布。
  3 有哪些核函数?
  1)高斯核函数RBF: 其嵌入空间(embedding space)非常丰富,使得原空间的不同分布能够映射到不同的点.
  核函数能将连续函数空间填满的kernel叫做general kernel.
  2)多项式核函数:多项式函数不是general kernel. 因为更高阶的多项式不能由低阶多项式的线性组合构成
  3)字符串核函数(string kernel function):核函数不仅定义在欧式空间,还定义在离散数据集合. 字符串核函数是定义在字符串集合上的核函数
  7、 模型的优缺点?
  

  优点:
  1 、基于结构风险最小化原则，正则化的合页损失函数(当样本被正确分类且函数间隔(确性度)>1 的时候损失

  数为0,否则损失函数为1-y(wx+b))，有更好的泛化能力

  2 、在对偶问题上可以使用核技巧,避免了高维空间的复杂映射

  3 、SVM问题是凸二次规划函数,可以求得全局最优解

  缺点  1 、有较大的空间消耗，主要是储存训练样本与核函数，适用于训练小样本
  
• 逻辑回归 LR
  1、为什么可以用(要用)sigmoid 函数?
  
  (1) 为什么可以用: Sigmoid函数定义了逻辑回归的条件概率，<w,x>的内积代表数据属于正类(y=1)的确信度。<w,x>越大则x属于正类的确信度越大。由于建模需求,需要将<w,x>从整个实数空间映射到条件概率P(y=1|w,x)，Sigmoid 函数单调递增能反映确信度，并且能够将实数空间(-无穷,+无穷)映射到(0,1)区间内,能表示概率意义,更加直观。
  (2) 为什么要用:指数分布具有最大熵的性质,即在满足前提假设下的分布，分布越均匀越好.在逻辑回归中认为P(Y|x)服从伯努利二分布,并且P(y|x)=f(wx),可根据最大熵的性质推出sigmoid函数。
  2、 逻辑回归对于多分类怎么做?
  P(y=k|x)的概率分布，等价于softmax，计算在哪类的概率值高。
  3、逻辑回归能否解决非线性分类?
  

  (1)非线性超平面可通过变换替换，使得超平面关于新变量线性。

  (2)逻辑回归不是wx+b这样的形式,需要变换为有内积的对偶形式，再利用核技巧。但LR对偶形式系数不稀疏，但是svm对偶形式系数是稀疏的，所以当线性可分会选择svm

  4、逻辑回归有哪些应用场景?

  在特征很多的场景，比如上亿
• 决策树
  1、 如何生成决策树？
  决策树思想：表示给定特征条件下的条件概率分布，分类即将该节点分到条件概率大的一边，决策树是一个递归选择最优特征的过程，特征将训练机划分成子集，在当前条件下该状态是最好的分类  1）若子集能被正确分类，则构造叶节点 2）若自己没有完全被正确分类，则对自己选择新的最有特征（递归过程） 终止条件：直到所有训练子集能被正确分类
  2、 决策树属性选择的方法?
  
  1）信息增益
  2) 信息增益比
  3、什么是ID3 ID4.5 CART?
  特征分裂准则：信息增益（熵H(Y)-条件熵H(Y|X) ：即已知特征X后Y的信息量减少的程度
  ID4.5：由于信息增益选择取值较多的特征问题，使用信息增益比进行矫正
  CART分类回归树，回归树特征选择标准为最小化平方误差，分类树则为吉尼系数，吉尼系数越大不确定性久越大。
  4、 决策树如何后减枝？
  
  损失函数为C(T)+a|T| ，其中C(T)是训练数据的预测误差，|T|为叶子结点的个数，a为权衡模型复杂度的系数。
  对树任意内部节点，计算以t为单节点的损失函数 与 t为根节点的损失函数，并且由此计算减枝后整体损失函数减少程度。
  5、 决策树的优缺点？
  
  缺点：（1）噪音对决策树生成影响很大，我们所希望的分类器对噪音是健壮的。（ 2）决策树是基于贪婪算法，难以找到全局最优
  优点：（1）对数据类型和缺失值,离群点鲁 （2）可解释性很强，抽取分类规则路径
  6、决策树的适用场景
  中小型数据集，适合小特征量。若特征量过多则可能被剪枝。
• 决策树集成算法
  1、 什么是adaboost?
  
  Adaboost是提升方法的一种特例，其算法主要思想为：
  (1) 、一个弱分类器在每一轮训练过程中改变数据的权值分布，即提高前一轮被分类器分错类的样本的权值
  (2)、将多个弱分类器组合成一个强分类器，即加大分类误差小的弱分类器的权值
  算法模型为加法模型,不能直接用SGD优化方法更新权重，故用前向分步算法更新权重。
  2、 什么是GBDT？
  重点是新的模型是在之前模型的残差往梯度方向走
  3、什么是xgboost?
  

  (1)  为什么xgboost是对误差进行建模？

  xgboost是集成学习boosting框架下的学习算法，因为特征空间是用分段函数去逼近的，所以采用additive training去学习我们的模型。additive training 是第t轮的模型预测=第t-1轮的模型预测+新的函数f(t)，新的函数就是我们所学习的，其中q为叶子索引代表树的结构，w为叶子结点的权重，所以新函数为特定的叶子结点的权重
  

  (2)  如何学习新函数

  通过最小化目标函数得出新函数，目标函数是基于结构风险最小化原则，目标函数=误差拟合+模型复杂度
  

  对误差拟合函数二阶泰勒展开，对模型复杂度包含（叶子结点数 和 叶子结点权重）

  最后通过对目标函数求导 得到最优权重(该权重与一阶与二阶信息有关) 以及 已知权重下的目标函数（打分函数）

  (3) 如何生成xgboost?
  

  选取最优特征，在最优特征下寻找最佳属性分割点，评判标准为类似于吉尼系数形式，递归生成树
  (4)xgboost有哪些参数？
  

  -学习率 eta ：学习率越小，迭代次数越多。

  -最小孩子权重 min-child-weight：控制叶子结点中二阶导数和的最小值，即样本的数量越少（由于h大约均在0.01附近），越容易过拟合

  -最大深度 max_depth
  -最大叶子结点数 max_leaf_node

  -后剪枝参数gamma
  -L2参数lambda
  -L1参数alpha (控制模型复杂度)

  -样本随机采样 subsample；列采样比例 colsample_bytree
  (5)xgboost 有哪些优点？
  

  -树节点分裂方法，利用近似算法，二阶导数为权重值的分位数作为切分点

  -自动学习特征缺失值的方向

  -列抽样(借鉴随机森林)，行抽样

  -学习率(eta)的shrinkage，增加迭代次数

  -自定义损失函数

  -特征预排序
  (6)xgboost和gbdt的区别？
  

  1）GBDT是以CART作为基分类器，xgboost支持线性分类器，其中线性分类器的xgboost相当于正则化的逻辑回归（分类问题）或

  线性回归（回归问题）

  2）GBDT的目标函数含有一阶信息，xgboost的目标函数含有二阶信息，最小化目标函数可得关于函数空间f(t)的梯度迭代或牛顿迭代，

  牛顿法能更快的收敛。同时xgboost加入了正则项，控制了模型的复杂度。

  (7) Lightgbm对xgboost有哪些改进？
  -Histgram算法 将浮点型数值离散为K个，统计离散值的累积量，遍历直方图找最优特征分裂点
  -直方图加速：叶子结点的直方图可由父亲结点的直方图与兄弟结点的直方图做差得到
  -leave wise 选取信息增益最大的叶子结点继续分裂（容易过拟合，利用max_depth参数控制)
  
• 深度学习
  (1)  什么是卷积网络？什么是vgg16-19 ？
  vgg16有同样大小卷积核3*3和2*2池化层，最后三层为全连结，全连结耗参数，卷积耗时间，在每次卷积后均有Relu激活函数进行非线性映射。
  (2)  为什么多次小核要好于一次大核？
  增强非线性映射
  (3) 什么是ResNet?
  神经网络存在退化现象(degradation),即会随着深度增加达到饱和后,再持续增加深度准确率下降(测试集和训练集准确率均下降,故不是过拟合).
  为了解决这个问题，引入了残差但愿，一个残差单元学习的目标为输入和输出的差别H(x)-x,而不是完整的输入H(x)

作者：vivalazy
链接：https://www.nowcoder.com/discuss/106725
来源：牛客网
作者：所以只能好好学习天天向上
链接：https://www.nowcoder.com/discuss/138474
来源：牛客网

因为代码能力比较差，论文还是发了不少，所以楼主很早就确定了要找算法工程师岗的目标

也问了历届师兄师姐都去了什么地方，怎么做准备的。去年的时候看着师姐师兄找工作似乎挺简单的，就想着到时候找个工作应该不难，结果后来才知道师兄师姐有笔试的公司基本都没投。。哭死

其实是三四月份开始投简历的，当时想着找个大厂的暑期实习，就开始各种投，做了一堆笔试，但是当时也没有刷过题，所以就看着一堆编程题，想着春招的时候就感受一下为秋招积累经验吧。。。。上半年就一直在做老师的项目，一直被催着出一篇文章。到了五六月份的时候面了几个实习，第一个面了携程的挂了，后来拿了华为的、上汽的，其他的笔试那么烂肯定都没消息的，然后老师一直让写论文不给实习。

七月出国开了个会回来感觉再不实习来不及了，就在实习僧上狂投了一波，面了好几家，sap、阿里的一个做自动驾驶的斑马网络、阿里的外包、平安科技8.6、金融一帐通、森亿智能等等积累经验，不太想去或者面不到，就拖到八月初了，感觉提前批都开始了怎么还能继续拖着呢，就没去实习开始补面试中遇到的不会的问题，被问死的东西。看过的东西记不住，就开始总结，写博客

那时候感觉一堆要补的，简历也要改，还有很多提前批的开始了要开始投，就很忙很忙。很早之前就知道要刷题刷leetcode，有人告诉我寒假就要开始刷题了，但是我就一直拖着，直到面试了让手撕代码，就完全一脸懵逼了。于是暑假了才开始刷题，看书。买了周志华的西瓜书，李航的统计学习方法，看网上的机器学习常见面试题，查面试不会的东西，复习简历里的项目和论文，同时还要稍微继续做做自己学校的项目。。。

然后就开始投简历，因为编程差，怕投算法找不到工作，又因为觉得算法比较有发展前景所以只想投算法的，到目前为止差不多投了五六十家吧，拿了5个offer，还有一些没去面的就不管了

面试一个个数一下吧，流水账

阿里：

找师兄内推了蚂蚁金服，电面了一下挂了，说对算法理解的深度不够，还说我态度不好。。。。。可能楼主说话的语气平常没有练习好。。。感觉阿里大佬问的确实很深，直接问算法的本质是什么，哑口无言不知道怎么回答

又内推了口碑，简历挂电面都没

面经 https://www.nowcoder.com/discuss/138543

大疆：

7.28

没有上海的机器学习算法岗，我就投的图像岗

七月份的提前批

似乎有个笔试，完了电面问了简历，挂了

面经 https://www.nowcoder.com/discuss/138428

腾讯：

7.29

后来正式秋招笔试觉得做不过就没仔细做

认识携程的面试官，顺便帮我内推了腾讯优图医疗组，但是说当时八月中下就已经没hc了。。。。。

百度：

提前批投了面了2次

第一次面凤巢8.10，2面就挂了。问我分布式用过不，计算机操作系统学过不，我都没用过，凉凉

第2次是垂直行业搜索部门8.13 面经 https://www.nowcoder.com/discuss/138427

爱奇艺：

8.20

提前批 openday去的爱奇艺 没图像算法，就投了推荐 真的是 面试官看了我的简历说，你知道你投的是推荐吗 项目都不想问我 出了个算法题我写不出，就凉了

浙江大华：

提前批，八月吧，2个电话技术面，1个hr面，拿到了offer，让签两方，还有违约金。但是觉得价钱太少了而且后来发现上海只有算法岗的办事处，不能落户，就拒了

不过是拿的第一个offer，还是给了一波自信的

携程：

三月面过一次，当时准备的不好，还没睡醒。让画网络结构，不会，又问了别的也不太会，就挂了

提前批8.21，面了一面，说我方向不太对，所以换了3个面试官，讲了项目，问我了解别的xgbt，逻辑回归之类的不，大概讲了下，面试官不是很满意。但是之前参加一个活动给大佬内推了一份简历，所以过了一周先通知我去二面，还没面，过了几天跟我说我面试通过了。。。。直接发了提前批意向书。。

算法二面卷子 https://www.nowcoder.com/discuss/138438

网易：

内推的提前批线下笔试了一下 挂了 8.11

笔试题 https://www.nowcoder.com/discuss/138437

游族网络：

提前批，8.14，随便面的，介绍项目，感觉还没我面实习难。。。面试官说专门下载看了我发的论文。。。。我很惶恐。。

面试官很年轻，聊的时候说那边做数据的比较多，组也比较小，十几个人，我自己感觉不是很合适

复旦微电子：

8.29

提前批

刚去北京京东参加了三天比赛会学校立马面的

噼里啪啦问了一堆问题 面完就跟我说凉了

问了问多xxx应该怎么做。我又没做过= = 就瞎扯

美团：

听说不怎么招，同学去面还挂了，只能面一次，后来就没行动

头条：

笔试太太太难了直接凉凉

小红书：

笔试了，第一批没叫我去面试，10.27第二批叫我去面我没去

拼多多：

不喜欢这公司，没投

唯品会：

岗位投错了，9.15让我去面数据挖掘，当时拿了其他offer就拒了面试

DELL EMC：

提前批现场面了一次，1小时代码卷子，+聊天

发现公司是做存储的，机器学习不太做，hr就给换了个组

过几天电面了一次，后来九月15让我去公司笔试面试，我也没去

ebay：

九月才开始校招

参加宣讲会拿了面试直通卡，10.23去面了下

分搜索，支付，大数据三个大组

面了还没出结果。自己感觉方向不是很匹配

寒武纪：

笔试发现是c++，就没做

滴滴：

九月才开始，就没投

360：

提前批投过，笔试考一堆操作系统，计算机组成啥的，不会，凉

华为：

实习投了过了要改文章就没去

优招因为实习投过所以流程不对不能投

秋招一面1小时，2面综合面，完了又喊我专家面，四面总裁面，等结果中

联影：

三月实习投过，地理位置太偏了，方向也不喜欢，技术比较传统。但是联影张江我没投，可能会好点

sap：

投过实习，感觉投的那个技术一般般，乱乱的，过了实习面试没去

科大讯飞：

笔试凉

英特尔：

叫我去笔试的时候有offer了，就没去笔试

思科：

见面会去面了一下，说只招1个人，没拿到直通卡，笔试全英而且当时有offer了就没做

招商银行信用卡中心、海康、触宝、 ：

简历挂？？？可能是专业不能改所以看起来不对口的问题

交通银行、兴业银行、xx银行：

喊我去现场笔试/在线笔试，考的很计算机基础知识，不想做/不想去了/瞎写了

英语流利说：

笔试挂 方向也不太契合他们做语音的多 我做图像

b站：

提前批，九月中旬3技术，1hr面

拿了offer。

做广告算法的，不喜欢，组也不大。leader看起来不错，薪水开的不错。不过不喜欢，拒了

亚马逊、微软：

不敢投

商汤、旷视：

斗胆内推也是挂

58赶集：

笔试题奇葩，就c++，没做

上汽通用泛亚：

做自动驾驶的，拿了暑期实习offer。钱太少了。。一天才100 没去

VMware：

软件开发岗 英文笔试题 考一堆数据库、操作系统、计算机组成，不会，挂

图玛深维：

面了3小时，创业公司，后来没消息了

欢聚时代：

上海没图像，投了推荐

面试时候说我知道协同过滤，面试官问我别的还会啥，我不会了。。。。。写了个代码也没写好，挂了

室友拿了他家的nlp，钱很多

汇顶科技：

笔试后快两个月了让去面试

本来不想去，说可以给的比华为多，就去面了

感觉面试官不咋感兴趣我的项目，凉了

第四范式：

面AI反欺诈，2个视频面，过了，三面部门leader问我想做啥，我说做图像但没找到岗位，他就给我推过去了图像组，又4面了下过了，5面是联合创始人，问了几个技术原理，没回答好就挂了

这公司很奇怪，不让去公司面，2次临时约半小时后的时间电面/视频面，反正也没过，这公司后来的事情大家也都知道了= = 总觉得怪怪的

中兴：

没去面，感觉这公司要凉，而且基本没图像岗位

平安科技：

面了3天，做医疗图像，方向特别匹配，1技术，1 leader，1hr面，每天一面，不去算弃权。。 最后拿了offer，给的也不算少

总结：

5个offer，自己一般满意吧。如果早点刷题可能会有不一样的结果。但是没有那么多如果

建议：

关注招聘公众号，每个公司都有，会有一些活动。比如爱奇艺开放日，京东的比赛，阿里大文娱的开放日，很多同学都不知道

抓住机会多参加活动，openday，讲座开放日。我携程的offer就是参加活动捡的。。。

传说给的很少的公司可能也会突然给的很多，比如平安科技、b站

多刷题，早刷题，多看书，看原理，手推公式，手写代码

自己的项目细节搞清楚，源代码看会，网络结构会画，

查查常见面试题，问的很多差不多，记不住就背会，或者总结写下来

自己没做过的东西如果是基础的话也要稍微了解下，看看科普帖子之类的

有空可以做kaggle、建模比赛，怎么做的要能讲清楚

多和师兄师姐打听，别的实验室的别的学校的也都打听一下

欢迎关注楼主的csdn博客

https://blog.csdn.net/sunflower_sara