反馈，阿里机器学习面经，也是对我研究生期间的一个总结分享

先做总结

像我们这样的渣硕，能进入阿里，运气与内推必须兼得，内推来自导师的一位师弟，我非常感谢他，让我省去了在笔试纠缠的时间，以及把我推向合适的岗位。内推的另一个好处就是及时掌握面试的进度，当然，从笔试一步步杀上来的大佬，我是非常佩服的。
而面试时你的策略、口才，还有推理逻辑能力决定了运气降临时你是否能把握住机会。还有就是，实习以及工作经历可以加分很多，我给大家的建议就是能在研二春招时进入实习，转正或其他大厂的秋招会容易的多。
找工作，有时候还是看机遇，比如我这个实力，去面正儿八经海康大华的机器视觉岗位，估计会被秒的渣渣。另一种情况就是，我的一位能力非常不错的同学，就是因为沟通问题，光是倒在hr面上就有2次，今年3月份就开始准备找工作了，直到11月才定了offer。

写在前面

阿里的这次面试，历时2个多月，4轮面试，时间如此之长是我始料不及的，毕竟小伙伴去网易，前后上下午还是2天就面完了，拿了offer。在此期间我也准备了不少面经，有操作系统、计算机网络、数据库等，有刷算法题，有机器学习基础的，最终发现，死记硬背没有用，靠的还是平时积累，以及你解决问题的思路和能力。

准备的资料目录：

xgboost模型
CNN卷积神经网络
RNN递归神经网络
传统机器学习笔记
L1、L2正则
caffe框架
操作系统
计算机网络
排序
算法题
数据库
B树、B+树、红黑树
数据结构
收集的一些面经

15年

本科毕业后，我去了某大型国企做自动化，一年后业务调整，转岗去做网络相关的业务，深感自己基础薄弱，又爱好计算机，于是14年年中，决定考研后，我每周都申请出差，甚至一个人做2个人的工作，为了就是白天干活，晚上有自由的时间呆在酒店里看书（出差的话，时间自由支配，不需要上下班，不需要打卡什么）。
15年春，过完年的我，每天下班回家还沉迷在dota2不可自拔，直到单位高升的大领导找到我谈话，想把我借调去他那干活，我才想起来还有考研这一回事。回到位置上一查，嘿嘿，还不错。虽然我对学历不是很看重，但是当我看到屏幕上370多分的成绩单，想到之前没有勇气拼一把报浙大，还是挺遗憾的。不过也不错，好歹是母校的研究生。
拒绝了领导和老大请辞，交了离职书，在亏了半年的奖金后，我回到了学校。后来我才知道，学历对应届生的影响，比我想像中的要大。而学校与学校之间，差距是明显的，这也导致我研究生期间异常辛苦。

能去好学校就去好学校，减少许多波折，学！历！非！常！重！要！。当然，有时候计算机专业除外，感觉计算机行业并没有那么看重学历，可能是因为缺码畜吧，能力还是很重要的。不过学历不好，敲门的时候会困难许多

学习与项目

这一块就不多写了，导师下面只有我一个人想做深度学习，第一年真的是补基础，上课时就抱着mac自学，回寝室搞环境经常弄到1-2点。后来课题组新申请了项目，整个项目只有我一人，装caffe被虐，看文献被虐，写python被虐，找数据被虐，其中之苦无处诉说。收获就是，我对整个系统从数据获取、特征选择、数据预处理、网络选择、调优、评价等的流程非常清楚，在面试的时候带来了很大的好处。
忠告：实验室好与坏差距就在于传承；好的实验室是让你站在师兄的肩膀上去探索，导师的项目都是技术前沿，从你进入学习到独立承担任务，在团队支持下都会有一个较为平顺的过渡期。而我是一个人在泥地中摸索，撞了墙还不知道咋回事，非常打击个人信心。不过我也非常感谢这段经历，工作不是都一帆风顺的，虽然我一度想放弃，最终坚持了下来。

kaggle这样的竞赛经历非常加分，非常非常非常有用。机器学习、深度学习等项目最大的难点其实就来自于真实的数据，真实的应用场景，处理这些数据的过程到最终建模，评价，就是一个很好的成长

17年6月

就这样到了秋招季，比起外面世界里，那些实习经历丰富、本硕985、211计算机专业、简历光鲜的优秀学子们来说，我只是一个工作了几年，因为热爱代码而跨专业考回母校的双非渣硕。像BAT这样的大厂，是不在我们这种渣硕考虑之内的，虽然学校里比我渣的人更多,但我分析了一下，自己弱势明显：

本科非计算机，面试官印象不好
学校非985、211，难过hr的简历关
我只希望去机器学习、深度学习的岗位，要求高、岗位少
投简历时，不考虑开发岗位，原因是我java基础更差，没写过一行java代码，什么spring，什么虚拟机，都不知道。

在试着内推了一下海康的算法岗，连简历都没过的情况下，我对找大公司岗位的热情降到了谷底，最终给自己的定位就是去创业公司快速成长，到时候再跳槽。暑期忙于小论文的修改，看着身边同学参加BAT的笔试、面试、被刷，我居然非常庆幸，没有在这上面浪费时间。而同时，我也非常迷茫，回到学校后，再次就业并不清楚自己实力到底如何，想着至少找个公司试试吧。就这样，发完论文时，已经是8月底了，而各大厂的秋招，已经进行了大半。

9月中旬

听闻一起做外包项目的小伙伴，拿了网易的java岗offer，着实为他感到高兴。这时而我的导师，也在微信里发了这么一句话："xxx，阿里招人，我向我的一个师弟推荐了你，你好好准备下，尽快联系他"，伴随着一张微信名片。看到时，我犹豫了，因为我没有信心，而且我也没准备，甚至连面经也没看过。既然老师给了机会，我也努力一下，最多也不过是和同学一样，被拒，就当增加一次经历。

说起来，我的导师其实是个非常nice的人，也很认真，跟着他去给本科生上课（一周大概3-4门课），他从来都是慢慢说，慢慢写，直到写满整个黑板，而不是放ppt对着念。研究生期间他虽然不允许大家出去实习（为这个事我曾经和他闹的比较紧张），但是对我们的学术上所有事情都亲力亲为，每一个同学的论文他都会仔细修改过，也鼓励过我继续做算法，我非常尊敬他。

建议

但是对于不读博的研究生来说，我们最终还是要面对找工作的事情，面向工资编程的对吧。那么我建议在不和老师闹僵的前提下，尽量去企业实习（6个月最好，3个月时间太短），学术上效率要高，毕业的要求都达不到的话，实习再多也没用不是

研一期间不要顾着完成作业就行了，已经不是本科生了，尽早跟上师兄师姐的研究进度，争取能完成小论文初稿
研二上学期把导师的项目做一部分，然后小论文发表出去
研二下学期，参加大厂、专业相关小厂的实习生招聘，和导师沟通，争取6个月的实习时间。当然，这期间不能一点都不顾实验室，实习生工作任务不会那么繁忙，在公司里有空时就做做导师的项目。
转正、或冲刺一搏秋招，研三上学期完成大论文初稿和导师项目。
春招、毕业答辩，正式offer，报道。

时间是过的很快的，就这么几段时间，过了，那就过了。我就是因为对比其他同学来说，活干的多一点，和老师沟通也比较多，虽然一度比较僵，最后导师还是帮我推荐了工作机会。

面经

发了简历，过了许久，2周、3周？我在路上接到了一个电话，开始了正式的面试历程：
当时的记录如下，全凭记忆吧，比较简洁：

一面

1.什么是有监督训练，什么是无监督训练，举一个无监督例子（一开始没有进入状态，我居然忘了什么是无监督算法，我就扯了下卷积神经网络一开始提取的图像特征是无监督的，举例：无监督k-means）
2.怎么解决过拟合问题：决策树剪枝、svm松弛变量、L1，L2正则化，dropout （面试官补充了一个 Early Stopping，其实这个方法在项目中使用还是比较多的，但是我不清楚叫early stopping，其实就是评价训练正确率、测试正确率曲线，提早结束训练）
3.L1，L2是什么，有什么区别，在什么情况下使用L1，什么情况下使用L2
4.什么是交叉验证
5.还有什么方法可以减少过拟合（从数据预处理角度，比如降维：PCA，还有就是平衡不同类数据的权重，图像中减去数据集的均值）
6，如何解决数据缺失的情况（丢弃、补0、补均值、补固定值、补预测值，通过我之前做的实际项目，分别阐述这样做可能会造成的后果）
7。LR、SVM、决策树的区别（一开始问我区别，我讲了LR和SVM对中心点分类的区别，面试官提示了一下，不用讲这么深，从模型复杂度，激活函数等方面来阐述）
8.SVM中需要解决的重要数学问题是什么（拉格朗日对偶问题，具体的数学内容我说不太了解，面试官说没关系），其实是应该是把有约束条件的解转化为无约束条件的解，梯度下降法使用了什么重要的数学依据（函数的局部最小最大值）
9.为什么要做数据归一化，在梯度下降时有什么好处（加速梯度下降，减少梯度下降时的摆动，根据下降曲线进行讲解，很容易得出）
10。什么是前馈传播，什么是反向传播，推导一下反向传播算法，(手写一个三层神经网络，w11，w12,w13,w21,w22,w31。我说的时候有点把自己绕晕了，不过bp其实理解了就这么回事，实际使用时就是一行代码)
11.有哪些特征选择的方法（不太理解意思，跳过了。后来想了想，的确不太了解，其实是特征工程，怎么评价选择的特征优劣，比如卡方检验、相关系数检验、pca等），这个问题我回答不出来，原因是我主要做图像相关的项目，特征工程是没有用过的。
12.简述下kmeans算法，如何选择k的个数（说了和业务相关），k-means++是怎么确定k的个数，面试官提示k和业务无关（++没接触过，不是很了解，他说没关系，http://www.cnblogs.com/dudumiaomiao/p/5839905.html）。
13.GBDT和随机森林的比较（BGDT是指梯度提升树）（刚好复习的时候看到过这个题，就大概说了下，一个boosting，一个是bagging，处理方式是偏差和方差等）
14.模型评价指标 ROC、AUC（我回答的不是很好），然后又问我精准率和召回率是什么，用0，1样本来说明（我手写推导了一下TP、TN等）
15.有没有用过tensorflow，（我说用过，框架不太好改，虽然有keras的封装，自己后面主要还是手写算法，或者用pytorch）
16，DNN也就是深度学习，问我深度学习正确率很高，是否是真的很有能力。（我从计算资源和时间成本方面做了下解答，意思是不能盲目相信深度学习，大样本下的深度学习，其实就是包含了各种可能性的一种超强分类器。面试官是觉得深度学习非常不错的。不过我和我导师的研究结果，还有根据生物神经科学相关的一些研究，还是觉得生物的学习并不是深度的，人脑的功率只有20瓦，而且脑神经的信息传播比较简单，传播速率也并不快，深度学习还没有触摸到人脑的本质）

面试官很友善，一开始我还没有进入状态，他会解释他问这个问题想问什么方向，过程中还会给我提示，让我也超常发挥了一些。

一面是压力面，问题很广，很多都没有准备过，全凭自己理解回答

二面

一面离二面过了很久，因为内推时间太晚了，一面结束的时候，已经9月底了，马上又赶上国庆，秋招差不多结束了。想着既然面试了，就把所有面试都走走完吧，于是耐心等待。
一周之后，国庆回来，二面，二面没做纪录，全凭记忆吧：

自我介绍
选择一个自己印象最深刻的项目，基本上从项目展开
随时会打断，问你这么做的原因，为什么不那样做
项目大概讲了40分钟，基本上方方面面都说到了，后面问了几个排序算法以及时间复杂度，时间就差不多了
现在在用什么语言，愿不愿意转java
之前为什么离职，想要考研，为什么想读计算机，职业规划是怎么样的
还有什么问题要问他的

这个面试官应该是这一组的负责人吧，没有问特别多的基础知识，一直在考察我的工程能力，运气也挺好的，也是一个非常nice的面试官，说我本科不是科班出身，学习能力挺好的，并没有特别在意我本科的专业。

二面主要聊项目，这个时候面试策略与逻辑就很重要了，如果只是简单介绍，问一句答一句，面试官会发现时间还很多，就会问一些基础问题，很容易问到你的知识盲区，然后挂了。如果从项目出发的话，你表达能力+，逻辑能力+，就很容易得到面试官的认可

三面

部门内的面试通过后，继续走流程，几天后：三面，是交叉面，感觉上应该是淘宝那边的业务算法同学。
因为也没问太多基础题，所以全凭记忆：

1.自我介绍
聊项目，这次项目感觉没有上一次有激情了，巴拉巴拉，所以互相聊完呢，发现时间才过了20多分钟，我心里一紧
卷积神经网络的结构，怎么调参的
场景题：怎么去判定淘宝上好评与差评是不是刷的。确认了一些数据来源以后，讲了文本分析，通过监督学习的方式筛选好评与差评，面试官继续问还有没有别的方法，我想了下：通过IP地址、时间等特征的聚类，分离一些特别明显集中的好评，那么就是刷的。面试官问：还有没有继续改进的可能，我：通过交叉数据，停留在页面上的时间，搜索的关键字，找过几个同类产品等特征。
这个问题是我最狼狈的一个问题了，因为完全没有接触过，全凭自己去猜
有没有参加过什么比赛（非常遗憾，没有。前文我也大概提过，15年的时候，深度学习还不是很热，实验室就我一个人做这个方向，项目压力又大。所以后面的同学，多去参加一些比赛，哪怕最后照搬前几名的思路，也会有很多收获）
学习深度学习的途径是什么？逼乎（哈哈），一些公众号，还有每年整理的会议论文。
你有什么问题？我就问题上一个题目，发现我和面试官的思路差不多

这个面试官比较严肃，有点怕怕的感觉。

HR面

三面过后，我知道了自己的评级，运气比较好，A-。不过比较遗憾的是，内推的师兄明确说HC没了，每一轮面试其实都是要走流程的，所以我的阿里面试之路也就到此为止，看了一下自己的状态，面试中，看来是呆在简历池里了。我心态也比较好，毕竟大厂不在我的计划之中，这次面试收获很多，我还是比较知足的。

到了11月初，面过了一个比较看好的小厂，岗位也是算法岗。不过对面的hr不太厚道，要求我先去实习，说offer要等我转正再谈，我想想也好，免得浪费我三方次数，自己一直也没有实习经历，趁到过年前还有4个月，可以去实习下，于是就开始了实习之路。公司还是挺好的，也非常有潜力，和家里人沟通了一下，做好了毕业后在这的准备。

直到。。

幸运女神的降临，11-28日，收到阿里hr小姐姐的电话，帮我安排了第二天现场HRG的面试。一些大佬拒了阿里的offer，加上一些调整因素吧，我的简历被部门捞了起来。懵逼中，也没准备hr的面试，第二天就这么去了阿里西溪园区。

hr面就一道题，具体内容我就不说了，基本上就是和你聊聊各个时期的经历。我也就一五一十把各种情况说了一下，包括当初从考研到决定考研的慎重决定心里路程说了一下，然后具体说了什么也不太记得了，就不放了。
你有什么想问的。我：部门情况，岗位相关业务场景是哪些。
然后，30分钟左右，hr说就到这吧，我：非常感谢，再见！我就出来了，然后，我就回去上班了，有了之前2个多月的经历，我发现自己异常平静。