国庆刚过就接到了淳儿姐的offer call，开心。写个面经，机器学习算法工程师。 一面，基础面： 1.precision和recall的定义和公式； 2.不平衡数据集的适用指标有哪些； 3.AUC、ROC的定义、实际意义、画法； 4.画ROC曲线，依照曲线上某点解释意义； 5.除了修改mercy，还可以用哪些方法来处理不平衡数据集； 6.写贝叶斯公式，解释先验、似然、后验； 7.写vc dimension的公式，解释其意义、作用； 8.简单介绍神经网络和CNN，介绍一下CNN对NN的改进之处； 9.介绍inception、VGG、R...

感谢杨教主，感谢我的福星潼哥哥，连续盼来了华为、搜狗、贝壳、讯飞的算法offer，个人能力有限，而且犟得不肯转岗，就不奢求bat，面向工资编程了，小小的还个愿，祝我杨教主千秋万代，一统江湖。emm…最后，真想把潼哥哥圈起来，每天抱着吸仙气😋

自我介绍 项目细节 深度学习问题：过拟合及其解决方案，sigmoid和relu激活函数的形式、历史、特点等等 两道概率论问题（后来发现是牛客上概率论专项练习的原题） 编程题：两个无序数组去重复 C++：vector增长方式，怎样避免内存拷贝（直接开辟定长空间）；函数调用时需要进行返回值的拷贝，如何避免拷贝（作为引用形参传入） 有什么要问他 简历面完至今官网没挂（内推人查也是面试中），但是再无面试

自我介绍；为什么控制专业想做算法；撕代码，分析复杂度；学过哪些分类模型；介绍神经网络；神经网络优化方法介绍CNN；SVM与lr的优缺点；朴素贝叶斯介绍；RF和adaboost优缺点分析；三次握手四次释放；为什么是3次握手；数据库指令；Linux指令；进程与线程；分布式；有什么问题。问了面试官建议，面试官说表现很好，希望能一起工作。第二天：挂

一、二面问题汇总： 自我介绍； 非CS专业为什么做机器学习（我记得有本书上说机器学习产生于控制学科...）； 看成绩单，因为我们学校信息学院分院之前自动化和计算机课程几乎相同，所以面试官比较满意； 与岗位相关的课程介绍； 分类器了解哪些，自己写过哪些； 熟悉的语言，用过哪些框架； 最熟悉哪个分类模型； 项目介绍； 项目中用到的算法详细； 树模型和熵介绍，为什么xgboost效果好； 除了课程外读了哪些书和视频公开课； 线性回归解析解的推导（三种方法），SVD与PCA的关系； 深度学习的适用场景； 深度学习与传统...

寒武纪是我第三个通过的（大华、CVTE），AI独角兽，前景很好，面试的体验也不错

一面（30分钟+ 撸项目（很细节，第一个项目每一步都要问为什么不用某个其他的方法） 讲讲adaboost和random frost的相同之处和不同，各自应用范围，实际应用选择 对SVM的理解，简单推导SVM，为什么要用对偶问题（二次规划+核化）具体讲一下为什么要核化，核化的过程 讲一下DL中目标检测的大类和特点（one stage、two stage）为什么two stage比one stage慢，为什么one stage比two stage精度高？one stage在哪些具体方面检测精度不高（ROI+default box的深层理解） ...

非常非常感谢学长的白金内推码，也非常感谢hr小姐姐的面试前后的提醒、通知。以下为面经：

回馈牛客，攒人品！！！人品好，面试就成功了一半！！祝咱们问的都会，蒙的都对！ 周三一面 30+分钟，问项目的细节（被问到的大多是项目中涉及的）： 自我介绍 抠了两个项目的具体实现过程 自编码器介绍 ResNet用过吗？没 BN层原理、参数介绍 Pooling层原理、反向传播的计算过程 卷积层原理、反向传播的计算过程 项目中的CNN具体介绍 CCA和PCA的区别 平时用的框架 有什么问题问他（超级赞的小哥哥，说我基础很扎实...（其实我一直复习ML，DL都是捎带。结果那天人品爆发，问的正好都会）） 周五二面 20+分钟，问基础 自我介绍 时间最长的项目、实现流程、自己写的代码量 色彩空间介绍...

记下面试经历，给大家一些参考 面试我的小哥哥有些羞涩的感觉…下午两点多我刚刚吃完饭，就正好接到了面试，只面了15分钟，凉凉 1.解释方差 2.PCA的实现过程；推导PCA 3.传统的图像特征有哪些 4.Sift特征为什么能实现尺度不变性（讲sift原理到一半，我发现完全解释不了为啥尺度不变，就停了，尴尬） 5.Hough直线检测的原理 6.梯度下降和牛顿法的区别 7.SVM和Lr的共同点和不同点 8.rf和Adaboost的异同 9.给出一堆大小不一的矩形框，快速求矩形框的灰度值之和（当时没理解，这不是肯定要遍历么…后来结束后我想这些...