菜鸟的面试：科大讯飞和作业帮

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。

电话面试，一面20分钟左右，首先是自我介绍，说了基本情况。然后开始问项目，科大讯飞的面试官对比赛项目很关心，因为他们自己也在做。问了kaggle竞赛的贷款偿还能力预测问题，他们在合肥好像有一个跟金融方向相关的部门，所以问了这个。问比赛是如何分工的，都给了哪些数据，对特征含义的理解程度。有哪些属性有缺失值，是怎么填充的。对长拖尾分布的数据进行log处理的好处。为什么用XGBoost模型，是怎么调参的。简单介绍LR、SVM和XGBoost，这三个模型中哪个处理数据不平衡的Cover能力最强？（这个问题完全打错了，我说的是LR模型，因为LR模型的参数中有class_weight可以设置处理数据不平衡；被面试官指出是XGBoost，号称能处理10：1的数据不平衡。）还问了调参过程中recall达到了多少。SVM的核函数都有哪些？总之是围绕项目来的，而且问的比较细致，数据结构算法的东西完全没有涉及到。回答的磕磕绊绊，而且好多都没给出明确的回答，不过一面竟然过了，可能比较缺人吧。

补充二面：08.07

电话面试，十五分钟左右。没有自我介绍，也没问具体的技术。大概看了我的简历说我做的都是预测，用过哪些模型。然后问了对深度学习掌握的情况。让介绍一下贷款偿还能力预测这个比赛，这个比赛的难点在什么地方。对未来工作地点是怎么考虑的，期望薪资是多少。然后问了我还有什么问题，就愉快的结束了。

--------------------------------------------------华丽的分割线-----------------------------------------------------

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。。。

#科大讯飞##作业帮##面经##内推##秋招##算法工程师#