二本本科，双非硕算法岗秋招
背景：本科科班软件开发，硕士方向机器学习，数据挖掘，目前发表四篇 SCI 一区论文，一篇EI会议，还有三篇一区在投。
秋招时间线：七月初就开始海投（主要是牛客网上的一些 sp 专场）-- 8月底差不多结束。
秋招 offer：目前是收到了百度（知识图谱），美团（推荐算法），触宝（推荐算法），腾讯实习转正（推荐算法），京东（推荐算法）的意向书；目前来说秋招基本结束，后续可能会再面一下字节，阿里。
到目前为止投了大概有30-40家公司，底下列出一些，有些记不得了，非常明显的是大公司基本上都能有面试的机会，但是中厂比较看重学历：
阿里：二面挂，流转到第二志愿；放弃
字节：放弃面试
腾讯：offer 大 sp
百度：offer sp
美团：offer 白菜拒
触宝：offer sp
京东：offer sp
其他：简历挂或者放弃面试
目前在腾讯实习，推荐算法，组里的人基本都是985硕士或者博士，当初腾讯实习面试经历了四轮技术面+1轮hr，还是要求蛮高的。
就秋招而言，我简历上有论文，有大厂实习，有项目依旧被刷简历的原因应该就是学历太差了，算法岗目前来看学历门槛还是比较高的。
秋招准备的整个过程：
首先肯定是 leetcode 刷题，我大概是刷了 250 题左右，这个题量已经可以应付大多数公司了，字节除外。其实主要还是搞明白几大类题型，比如 dfs，bfs，dp .etc。就我面试下来的感觉，面试过程中dp出现次数比较多，笔试反而是一些基础题型。刷多少题不是很重要，主要是得理解每一类题型的套路。
其次就是科班的一些基础知识储备，我面试过程中被问到过 python 的装饰器，python 的垃圾回收机制，优先队列，哈希冲突解决方法等一些基础知识，出现次数不多；基本数据结构需要完全掌握，包括排序的各种时间复杂度，以及怎么算，尤其是快排和堆排，可能问你 nlogn 怎么算的，还有可能让你写 topn 这种送分题（虽然我没遇到过）。
最后就是机器学习相关的知识，这部分非常多，也问的非常详细。这部分一般有两种问法，一种是从简历中开始发散性考察，另一种就是直接上来全是八股。比如说一些经典题型：
1. 过拟合，欠拟合；
2. BN解决的问题，怎么解决的，以及与LN的区别；
3. 各种激活函数，优化方法，损失函数；
4. 样本不均衡怎么办，采样破坏了分布怎么办；
5. L1，L2正则适用场景；
6. AUC 怎么算，为什么推荐系统用 GAUC，AUC和F1适用场景；
7. softmax上溢，下溢问题；
8. LSTM究竟是哪一步缓解了梯度消失和爆炸；
......
上述都是一些常见的问题，也是我在面试过程中被问到过的。在大部分的面试过程中，八股文是必须的，但却不是最重要的，最重要的还是对自己简历上项目，实习的理解（这其实也算在八股文的范畴），以及如何在面试过程中将自己做过的东西清楚的表述出来。比如我简历里写了bert，那么bert的整体结构以及细节就必须全部掌握，粗粒度的知识点基本上都是描述下结构，描述下多头自注意力机制，自注意力公式，说说为什么用LN，为什么用残差结构，还可能直接拓展到 transformer，问 encoder 和 decoder 哪部分不一样；再进一步就是问为什么 transformer 用 positional encodding 而 bert 自己学习 positional embedding，为什么 CV 基本用 BN 而 NLP 用 LN，自注意力相比于 RNN 的路径长度，计算复杂度，decoder 那边的 mask 机制怎么做的；再细一点直接就到代码的具体结构，比如 transformer 的隐层维度是多少，多头具体是分了几个头，bert-base 几层以及隐层维度是多少 .etc. 基本上问不到这么细，除非是熟悉 nlp 领域的面试官会这么问，但是面试官不问，不代表你不能说，在不经意间说出这些详细的数据可以极大的提升面试官对你的观感。在讲完 bert 以后可以自己拓展说 bert 的缺点，以及目前针对这些缺点的一些改进版 bert，比如面百度，就可以详细说一下 ERNIE 的三个版本分别是怎么样的。主动出击，不要等面试官问，直接把他想问的东西全部喂给他。
在面试过程中还有一点非常重要，在一面结束的时候直接询问面试官部门相关的业务，以及目前最新在做什么，面试官一般都会大致和你描述一下，比如目前在基于多模态构建推荐系统架构什么的，在拿到这些信息之后，在一面和二面之间的空隙可以进行一个充分的准备。比如我在面百度的时候，一面面试官告诉我是知识图谱相关业务，我就花了一些时间从宏观层面上研究了知识图谱目前的相关研究，然后在二面的时候全部输出给面试官。在说完这些之后还有一步就是根据自己的项目经验，输出自己对于这个业务的优势所在，比如我之前做过 NER，以及文本语义相似度匹配，那么我就直接从知识图谱构建的其中一个流程“知识抽取”切入，详细展开了目前 NER 的相关研究以及目前的难点（包括了目前难点的一些解决方案）。
在春招的时候我基本上把所有常见的机器学习，深度学习知识点，相关模型做了一个详细的笔记，所以在秋招的时候没复习多久。在项目方面把自己总结的项目流程全部写出来，之后不断演练，其实也就是背了下来（由于是自己的总结，所以并不是死记硬背），避免面试的时候紧张出现思维混乱；对于项目中的相关知识点，模型全部详细掌握，并且自己模拟有可能会问到的问题，写下来并演练。整个秋招下来，笔记大概有 50 页左右，基本上每次面试所问的问题都能涵盖在里面，所以就没有对面试做相关的总结。
每次面试流程其实大致都是相同的，自我介绍（2分钟）；实习项目介绍（10分钟）；聊实习项目，根据项目问一些问题（5-10分钟）；聊简历其他东西（5-10分钟）；刷题（20分钟）。每一面的方式有略微的不同，一面基本上是根据简历问一些八股，二面会进一步根据业务来问一些问题，三面可能会出一些场景题，具体还是因人而异。
面试流程：
触宝：3面技术面+1面hr+1面董事长面；总共5面，面试难度较大，当初投的是 sp 专场，技术面一周内约完，hr面等了两周，董事长面等了大半个月左右。 百度：3面技术；流程很快，基本一周就结束了，意向书等了一周左右；由于我之间实习拿到过百度 offer，所以感觉秋招技术面有点走过场的感觉。
美团：2面技术+1面hr；技术面流程很快，hr 等了一周，催了之后才面，意向书等了一周；实习期间面过，可能面评不错，感觉也有点走过场，倒是 hr 面很正式。
腾讯：转正答辩，主要还是看实习期间的产出，答辩过程也比较随意。
京东：2面技术+1面hr；技术面两天约完，hr等了一周，意向书等了一周。
总结：
秋招大概两个月的时间，简历被拒过很多次，已经习惯了，总共面了大概 14 次面试，其实在去年暑假就想过要不要转成开发，后来还是坚持了下来。整体看来，学历一般的人找算法岗还是需要让自己的简历丰富起来，比如好的论文，知名的比赛，大厂的实习，其实只要占了一样就可以去尝试冲一下算法岗；如果什么都没，那还是乘早转成其他方向，不然面试估计都不会有。 最后还是希望学历一般的同学不要觉得进大厂没戏，不管是算法还是开发，搞起来就行了，自信最重要。此外简历需要写的清晰一些，突出重点；在选部门的时候其实可以选一些竞争比较小的部门，这样成功几率会大一些。
查看3道真题和解析