社招一年：滴滴算法面经(定价策略算法)
滴滴定价策略面经
校招时候就面过滴滴，整体感觉滴滴是面试体验最好的，面试官是以一种平等的态度来交流技术，即使有时候卡壳也会慢慢提醒（两次都拿了offer）
安利一下 牛客题霸
https://www.nowcoder.com/activity/oj
最近各大厂的视频面试都用牛客平台，要求编译运行，难度比白板写提升了，多写写练练手帮助很大，面试时候写个bug free的代码，拿到offer的概率大大提升
1面
- 项目，针对项目中的细节询问比较多，比如怎么抽象问题，损失函数怎么定的，为什么要选这个损失函数，正负样本怎么来的，怎么验证结果
- 算法题：求树深 时间复杂度（LeetCode easy，时间复杂度是O(N)，因为要扫一遍所有的节点）
- 算法题：矩阵，只能向右或向下，求最大路径 时间空间复杂度（LeetCode easy 入门级的动态规划，时间复杂度O(M*N),空间复杂度O(N)）
- linux基础：awk实现left join（算法工程师少不了的基本功，awk sed建议学一下，实际工作中也是很有用的）
- 机器学习基础：boosting和bagging的区别 （bagging就是投票策略，会降低方差，减小过拟合风险，boosting是降低偏差的策略，可以描述一下 Adaboost和gradient boost的区别）
- 梯度下降的更新公式，和梯度提升的区别 （这里可以继续结合boosting来说，梯度提升是在函数空间的，而梯度下降是在参数空间的）
2面
- 机器学习基础：xgb和gbdt区别（基本是必考题目，从主要的优化点说起，xgb是二阶泰勒展开，gbdt是一阶，可以类比牛顿法和梯度下降法的区别，牛顿法收敛更快，但是由于更快逼近目标，会增大过拟合风险，因此在目标函数里有一个显示的惩罚项，与叶子节点数和叶子节点的权重有关，来控制模型复杂度；另外还有分裂节点的选择，xgb怎么选取最优分裂节点，有哪些加速的优化之类的知识）
- 算法题：给一个字符串和一个k，要求找到不超过k个不同字符的最长子串的长度，on时间（LeetCode上的medium或者是偏简单的hard题目，用划窗的思路做）
- 概率题：2人抛硬币，正面赢，反面让另一个人抛，求先抛的人获胜的概率
- 深度学习基础：cnn和全连接的区别（参数共享，降低运算量）
- lstm有什么新的改进，替代（针对rnn来说 通过门电路把连乘转换成了连加，一定程度上缓解了梯度消失问题，梯度爆炸可以直接clip不需要考虑，另外就是广度了，lstm的应用和改进）
3面
- 预测一个城市不同区域一天的发单量，和滴滴业务相关，设计一些调度策略
- 预测一个城市不用区域的降水量（这个可以作为前一道题的特征）
- 判断用户感知是否顺路，给出思路（怎么获取训练数据，怎么去判断用户的感知到底顺不顺路，找一些简单的规则）
- 概率，抛硬币，连续两次正面向上为止，求次数期望
