19校招算法面经，腾讯美团已拿offer，百度阿里面试中
更改了之前的帖子，随着校招的进行，会不断更新我面的面经，目前已有美团的腾讯的offer，谢谢大家关注
收到了非常多的私信，希望大家能在帖子评论区直接询问，这样大家都能看到讨论的内容，更好的让大家一起讨论，我也不用同样的问题给每个人私信一遍，感谢！
美团AI算法提前批(已拿两offer)
第一轮：
17号清华双选会，一人可以选两个部门面试，每个面试就大概15min
两个部门共问到的问题有（模型多是根据项目问）：
1. xgboost原理，怎么防过拟合
2. gbdt推导
3. boosting和bagging在不同情况下的选用
4. DBSCAN原理和算法伪代码，与kmeans，OPTICS区别
5. LSTM原理，与GRU区别
6. 算法题：翻转中间由各种符号隔开的字符串
第二轮第三轮：
20号在望京，每个部门两轮
共问到：
1. EM算法推导，jensen不等式确定的下界
2. xgboost和lightgbm的区别和适用场景
3. LR的推导，损失函数
4. gbdt推导和适用场景
5. DNN的梯度更新方式
6. 算法题：2sum，3sum
7. 算法题： 从右边看被遮挡的二叉树，求露出的node
8. 概率题，抽蓝球红球，蓝结束红放回继续，平均结束游戏抽取次数
第四轮：
hr面
23-24号左右，两天把offer都发了，让意向选择
此外，正在面试另一部门，等终面，等拿到offer再更新！
---------------------------------------------
更新分割线，美团另一部门面完终面，在等offer，应该差不多，具体面经不方便透露，这个部门相对在起步和保密阶段
只说考到的点有 apriori，KM算法，匈牙利算法，模拟退火，贪婪，蚁群对比
--------------------------------------------
腾讯应用研究-机器学习提前批（已进入offer报批阶段，走流程）
腾讯一面应用研究-机器学习
面完直接说过，等二面
1. 扣简历的项目，扣的很细
2. xgb，rf，lr优缺点场景。。。真的逢面必问，有不了解的可以留下评论，我可以提点拙见，最好还是自己去网上扣一下这题
3. 算法题，单链表判断是否有环 (leetcode easy)，以及判断环入口，这题卡壳了没想出来
4. 算法题，给前序和中序，求出二叉树
5. 是否写过udf，问udaf，udtf区别和一些细节
腾讯二面应用研究-机器学习
面完没有直接说过，说等通知，感觉凉的一比，可能只能走到这儿了
1. 扣项目，问简历，其中涉及的算法和上面差不多
2. 问推荐算法，fm，lr，embedding
3. 算法题，10亿个32位正整数，求不同值，只给1GB内存。。。我只答出来4GB的情况，时间负责度还不是最优的，所以稳稳凉了，如果有人知道怎么解1GB，求回复，感谢
腾讯三面应用研究-机器学习
估计还有最后一面技术面。。。
1. 算法题： topK给出3种解法
2. 协同过滤的itemCF，userCF区别适用场景
3. 扣项目，问简历，其中涉及的算法和上面差不多
4. 对项目中一些技术选型产生质疑，并友好的一起讨论了这个问题
5. 推荐系统的大概步骤，解决冷启动。。。
腾讯四面应用研究-机器学习
最后技术总监面，onsite
1. 算法题：名人问题，给出最优解法
2. 问了一下项目和简历
3. 自我评价优缺点，怎么改进
4. 描述一个算法项目从kickoff-落地的全过程
腾讯五面应用研究-机器学习
总监面完立刻就hr面了
hr面就是常见的问题，城市啊，薪资待遇啊，对部门的评价，对总监的评价
然后就在系统中提示offer报批中。。。
希望大家都能找到自己喜欢的工作
--------------------------------------------
阿里一面机器学习算法工程师 (数据技术与产品部)
面完让等通知，不知道凉否
1. 扣简历，问得太细了，每个项目都要回答如果再做一次，有什么改进的地方，both算法上和模型选择上
2. 算法题，反转链表
3. 算法题，trim二叉搜索树
阿里二面机器学习算法工程师 (数据技术与产品部)
过了三周才二面，以为凉了，接下来继续等3面
1. 扣简历
2. CNN为什么比DNN在图像识别上更好，这题我答得很烂，有好答案的欢迎留言
3. 用mapreduce实现10亿级以上数据的kmeans
4. rf和gbdt基分类器区别，里面的决策树分别长啥样，怎么剪枝
5. 说一下gbdt的全部算法过程
6. 反转链表。。。这个倒是简单
--------------------------------------------
百度一面机器学习算法工程师 (搜索)
感觉有点凉
1. 聊简历项目，对搜索推荐算法的了解
2. 现场用collabedit写代码，一个怪异的归并算法。。。之前没遇到过，直接把归并写出来，但是说复杂度太高，优化了三遍还不行，最后说出用小顶堆解决了。。。反正这题做的不太好，百度对代码的细致和性能要求还是很高的。这题因为耗了很久，我之后又有事儿，也就没在面了。。。。感觉凉凉了，加上我之后可能也去不了北京onsite，估计机会不大了。
---------------------------------------------
蚂蚁金服一面算法岗
1. why LSTM，和Naive RNN区别
2. lightgbm优势
3. 简历上项目为何适用xgb和lr，对比其他分类算法的场景优势 (这题基本上逢面试必问)
4. 简历上聚类项目用到的ISODATA算法比kmeans有哪些改进
5. 算法题，单调函数求零点 (简单的二分法)
一面说过了，之后等二面了再更新
