字节阿里德勤数据分析/机器学习方向经验贴（已字节offer）

阿里-机器学习工程 – 已拒绝 （官网投递）

德勤智慧债 - 算法方向 – 未知，估计没了吧（公众号投递）

阿里机器学习岗位：面试官电话通知 - 阿里笔试 – 1面 – 已拒

德勤智慧债-算法方向： hr 电话通知 --面试 (hr和团队三位面试官面你一个人)- 未知

字节数据开发；hr – 1 面 – 2 面 – 未知

😝字节数据分析：

一开始我以为是偏产品的数据分析，准备了很多关于产品调研分析之类，但是一个没用上哈哈哈哈。感觉面试官很nice，很耐心，对于你的问题都会有很详细的解答，你回答不全面的问题，也会深入的补充，总之面试感觉十分nice。对职位的含金量充满好感。

1. 实习经历揉的很碎，这个肯定要准备的，碎到具体的业务指标，为什么选择这样的指标，为什么重要？

2. python 算***在基本的难度上增加难度，重点看思维能力，当时我好像是二进制位的题。

3.SQL 实现，一定要熟练窗口函数，lead，leg，row_number， partition by 这种。我的2题具体是啥忘了，但是 类似于 SQL，表user_time中字段是user_id ， time（用户访问时间），求每个用户相邻两次浏览时间之差小于三分钟的次数。

* 要分清楚 排序1123 和 113 实现的区别。掌握这种思路基本就可以应对了

select 
user_id,
count(*)
from 
(
  select 
  user_id,
  time,
  row_number() over (partition by uder_id order by time) as l1
  from user_time
  group by user_id
 ) a

 left join 
 (
   select user_id, 
   time,
   row_number() over (partition by user_id order by time) as l2
   from user_time
   group by user_id
 ) b
 on a.user_id = b.user_id
 where b.l2- a.l1 == 1
 and a.time - b.time  <=3
 group by a.user_id 
 

7. 统计学！计算样本样的公式方法，假设检验，错误类型要了解的比较透彻，滑动平均之类的。

8. 时间序列，arima模型的讲解

9. 金融杜邦分析（偶也不知道咋问到哈哈，可能我有金融的学习和实习在简历上）

10.tableau可视化

11.数据埋点的理解

12.剩下的就是 你最好了解一下hive，map reduce，用户模型之类，BI
tool，指标体系搭建（好像也是他们平时要实践的）等吧

😝阿里机器学习工程：

我是有点试错的心态投的很机器学习的岗位，因为毕业想往这个方向努力，所以暑假面试看看他们到底需要什么样的人。

阿里的感觉是比较重视工程的能力，你是不是可以应对量级较大的数据，很多模型的存在很依赖于要达到什么样的目的，数据的关注的重点：数据质量，数据你怎么处理，怎么使用，比模型调参更体现了你的能力。

笔试就网上搜索吧，每场考试两题一小时，题目不一样。

面试补充

1. 机器学习流程（越细越好）

2. 机器学习的一些底层原理推到也要了解，这是区分你和只会使用模型的人的一点。

3. 数据获取，爬虫的方面

4. 海量级数据储存问题

5. 海量数据的分析问题

7. 数据质量的问题

8. 数据泛化能力的问题

9. 数据抽取的代表性的问题

10. 数据特征选择，离散化等处理

😝德勤智慧债 – 算法方向

德勤我有点误打误撞，吸引我的是算法方向，又一次看看这个方向大家需要什么样的人。四个面试官和你在一个skype 里，面试官很nice。

德勤感觉注重工具和实际结合的应用能力。需要思维很开阔，很会解决问题（毕竟四大）

1. 必问的简历实习经历，机器学习项目

2. 算法的理解，要深入理解哦

等。。。。。。。。。。。。

基本问题参考以上贴分享吧

3. 风险预警指标体系

4. 怎么将你的能力，工具运用在金融一些供需链的构建

5. 怎么样去获取一些金融信息数据，比如舆情啊之类的

6. NLP 自然语言处理会不会的，理解了多少

7. 如果我只有4/5公司的财务数据指标和非财务数据指标，那你怎么做最终的分析

等，有点健忘

就是这种很偏实际应用的问题，怎么用你的算法，用工具，思维去解决。

这个岗位我是找人内推了一下，我以为我第一个字节网申凉了，hhhh，然后推上去给我匹配到了开放岗位，我也想不通哈哈哈。面试官还是结合我的简历去了解我的数据挖掘方面的情况，因为说也有这些需求。

基本数据处理机器学习等问题参考参考参考以上，以下补充：

1. 数据库一些建立的模型应用场景

2. ETL 数据仓库技术

3. 聊了一下我做过的反欺诈机器学习整个流程细节，楼主说了好久，就很细就对了

4. 接3，既然做了欺诈，就要了解有不同的欺诈模型

bb们最好做的时候，都要知道你为什么要用这个方法，用什么去量化结果，有的时候图可能没有数字方法准确。

4. 各种机器学习评估指标 什么 那些matrix得吃透昂

5. 归因分析是啥？应用场景（具体一些）

6. r 语言的使用

7. python 的使用

8. 主成分分析和因子分析 （用r咋用的，楼主说的是SAS）