百度-机器学习（已offer-手百推荐feed流）
百度正常批，成都面经
一面：
一面遇到的面试官十分注重算法基本功，因此一口气被问了5道编程：
1、链表反转
2、二叉树后序遍历
3、TopK
4、IP地址 32位int存储
5、快排非递归
全部编程题需要手写，但是我当场提出了是否可以使用电脑的要求，面试官特别好说话，就同意了，只是全程会盯着我的电脑......然后让我写了测试用例，感觉自己挖了坑
6、项目介绍
二面：
一面结束相隔一天就被通知二面。
二面的面试官特别萌，态度超nice，穿着一身AJ，感觉打球很不错的样子。
1、编程题01：编辑距离
2、编程题02：01矩阵找出最大面积的由1组成的矩形（lintcode 510-hard），当时给了非最优的解法，回家后找了下答案，的确是没有想到。
3、论文01逼问：
1）数据集
2）创新点
3）ARMA、LSTM、CNN、convLSTM原理以及网络结构
4）论文中的网络结构，每层参数如何计算、feature map大小的计算方法。
5）特征工程如何做的，是否使用过可视化组件，怎么用的。
4、论文02逼问：
1）创新点
2）MapReduce资源消耗的预测模型怎么做的，公式推导一遍。
3）Hadoop优化相关问题
5、专利逼问：
1）Spark原理、与Hadoop对比
2）CheckPoint原理，spark中的ckp有什么特性
3）专利中的模型如何优化计算成本
4）为何使用了图论方法
6、比赛逼问：
1）特征工程
2）缺失数据填补方法
3）滑窗法具体怎么做的
4）上分最快的几个方式详细介绍一下
5）为何选用LSTM+xgb
6）怎样做的模型融合
7、推导softmax
8、详细比较sigmoid、relu、leaky-relu等激活函数
9、Batch Normal的原理以及作用
10、怎样理解机器学习和深度学习。
二面基本上是简历面试，论文较为被看重，详细问了很多建模方法以及实现细节，包括keras里面的一些代码问题，但是面试官超好，全程没有紧张的感觉。
三面：交叉面
三面通知邮件中没有写房间号，到了现场被告知是部门随机，感觉就是哪个部门看重你，就会在三面面你。
面试官的确是手百-feed流的主管，全程场景题。
1、性格介绍
2、优缺点介绍
3、为什么要去北京
4、场景题
线上的图片推荐因为实时性要求不同分为图文和图集，balabal介绍一通图集 图文的区别，抛出一个问题：如何改善图集推荐时的bad case，要求给出各个模块的实现思路以及建模方法。
当被问到推荐系统相关问题时我是懵逼的，因为从没做过推荐，全程脑子里在搜索以前在天池看过的直播课，然后给出了一套设计方案。
面试官围绕我给出的方案一步步进行讨论和引导，差不多讨论了半小时。
给我的感觉就是，面试官并不会否定你的方案，而是围绕你给的方法一步步给予引导和改进，然后形成一套可实施的方案，在这过程中可能面试官看重的是你思考的过程以及一步步改进的意识。
5、介绍一下NLP的项目，图谱如何构建的，NER的效果如何。
交叉面的面试官真的是一个好的mentor，一个推荐方案从粗糙到细化，一步步给予引导，基本上自己没接触过，这30分钟至少搞清楚了图文、图集推荐的套路是怎样的，真的是受益匪浅。
四. HR：
26号收到面试通过的通知，要求27现场面签，因为学校三方的原因以及头条那边还没沟通薪资的原因，没有立即签约百度，HR也特别好，给了一定时间的宽限。
说实话，feed流算是百度核心部门，所以现在陷入纠结中......
五. 总结
百度的面试体验超好，没有刁难，没有超纲的问题，面试官只在乎你懂得东西懂得有多深，而不会触碰你简历上没有的东西，尤其是三面的mentor，真的超赞。
#百度##机器学习##面经##秋招#
