作者?| 空

學(xué)校?|?華南理工大學(xué)

研究?|?機(jī)器學(xué)習(xí)

出品 | AI蝸牛車?

個人經(jīng)歷

本人本科雙非，華南某985碩士，本碩都是計算機(jī)專業(yè)。本科玩過一段時間ACM，巨菜（現(xiàn)在想想，不管是考研還是求職，這段經(jīng)歷都為我?guī)砹嗽S多便利）。

有一篇SCI一區(qū)的論文，方向比較偏，是智能電網(wǎng)相關(guān)的，面試官都不太感興趣。有一個國際大數(shù)據(jù)比賽的一等獎和一個國內(nèi)數(shù)據(jù)挖掘比賽的冠軍。

面試情況

簡單介紹一下本人找暑期實(shí)習(xí)的情況，從2月中旬開始準(zhǔn)備，投了字節(jié)閃電內(nèi)推，鵝廠提前批，阿里CBU和企業(yè)金融的預(yù)面試。字節(jié)閃電內(nèi)推簡歷被篩，鵝廠拿到了推薦崗的offer，阿里CBU過了一面，企業(yè)金融過了二面。拿到鵝廠offer后把其他家的面試都推了，因為想著就算發(fā)了offer可能也還是會選鵝廠。

整個實(shí)習(xí)的過程從開始準(zhǔn)備到結(jié)束大概就是一個月，這一個月基本上也是邊面試邊刷面經(jīng)，補(bǔ)基礎(chǔ)，還算十分充實(shí)吧233。事后想想，自己的六輪面試都過了，真的是十分幸運(yùn)。

簡歷

簡歷一定要重視！簡歷的內(nèi)容決定了你能否被撈，一定程度決定了你面試的時候會被問什么。關(guān)于如何編寫簡歷，我覺得有幾點(diǎn)建議可以跟大家分享一下：

① 頭像完全可以不放，如果要放，請盡量放西裝證件照，或者說高P過的照片。給HR和面試官一個比較好的初印象。

② 簡歷要突出重點(diǎn)。學(xué)歷的地方要寫清楚拿過什么獎學(xué)金，拿了幾次，績點(diǎn)排名多少，論文的部分要把期刊/會議的級別寫顯眼一些。這些都是HR比較關(guān)注的。比賽建議按照難點(diǎn)-方案這樣子的格式去寫，避免寫一大堆方案，面試官抓不到感興趣的點(diǎn)。

③ 不太熟的技術(shù)不要寫在簡歷上面。面試的時候面試官可能會問你簡歷上涉及的東西，問了后發(fā)現(xiàn)你一知半解會很降分。個人覺得，一個知識面不寬但是對相關(guān)的知識都比較熟悉的印象遠(yuǎn)比什么都一知半解好。

④ 博客，github如果有比較亮眼的成果可以寫在簡歷上，可以自我介紹時講，HR會比較感興趣。

⑤ 簡歷盡可能簡潔，不重要的獎項（或者說跟你最好的獎項相比比較弱）可以去掉，只寫出你最亮眼的地方。比如一個rank不高的比賽，寫到簡歷上可能是個扣分項。當(dāng)然，如果沒有更好的獎項了，可以寫上去表明自己做過這方面的工作。

面試

我們在牛客上可以看到很多人的面經(jīng)，同樣一個崗位，有的人很難，有的人很輕松。我認(rèn)為的原因有：

① 簡歷。經(jīng)歷比較豐富的人，一般面試上來會被問比較亮眼的經(jīng)歷，一輪面試的一半左右時間會花在這上面，而且因為是自己做過的工作，被問時基本不會有什么壓力。所以整體的面試難度會降低。

② 話題的引導(dǎo)。這個算是我自己幾次面試中領(lǐng)悟到的，我們在面試時要有意講話題引導(dǎo)到自己擅長的領(lǐng)域，比如我一般會有意避開NLP，CV，讓面試官問我機(jī)器學(xué)習(xí)相關(guān)的知識。所以面試官經(jīng)常會說我“對機(jī)器學(xué)習(xí)比較熟悉，不過某些方面可以再加強(qiáng)一下”，這個印象其實(shí)我覺得還好，反正把握好自己擅長的地方，積極避開不擅長的領(lǐng)域相當(dāng)重要。

③ 運(yùn)氣。這個無可厚非，無法避免。有的部門面試就是很難，有的部門面試就是比較水，或者說這個部門認(rèn)為你的經(jīng)歷比較對口，那么面試難度也會降低不少。

在等待面試的期間，應(yīng)該積極去牛客網(wǎng)刷對應(yīng)的面經(jīng)，把可能出現(xiàn)的問題抄下來，一個個去鞏固。面試問的題目在牛客面經(jīng)上基本都是高頻問題。

可能會有用的事項

① 分享，交流。我本人和熟人相處時會比較放得開。因此，我會和關(guān)系比較好的朋友/同學(xué)分享，討論每一次的面試錄音。找出一些不足，一些可以改進(jìn)的地方。另外，面試完在牛客網(wǎng)，QQ群分享面經(jīng)也是一個不錯的行為，受了別人幫助，也要回報。

② 多關(guān)注招聘信息。招牌期間會有很多群，建議多加，了解一些全面的情況。

③ 不要一開始就面想去的公司，理由大家都懂。可以多投一些二線公司，或者不想去的一線公司，攢攢面經(jīng)。

④ 像阿里的預(yù)面試，騰訊的提前批，這種機(jī)會不要錯過。可以積攢豐富的面試經(jīng)驗。

準(zhǔn)備工作

本人只針對機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘崗提出建議，CV，NLP崗可能情況不一樣哈。機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘主要需要準(zhǔn)備的內(nèi)容包括：

① ML相關(guān)的知識：這部分知識我下面會列出一些比較高頻的問題。需要特別注意GBDT,xgb和lgb的區(qū)別，建議實(shí)際使用過并看過原始論文。需要熟練手?jǐn)]的簡單算法有LR, NB, Kmeans。對于LR和樹模型這種工程使用較多的，需要知道跟并行相關(guān)的一些知識。比如LR如何處理千萬級別的數(shù)據(jù)樣本，xgb如何并行等。

② 數(shù)學(xué)知識：這一塊主要是高數(shù)，線代，概率論，凸優(yōu)化。高數(shù)上（加上無窮級數(shù)），線代，概率論需要熟練掌握，凸優(yōu)化重點(diǎn)掌握一維搜索方法，一階/二階優(yōu)化方法，KKT條件，對偶問題，線性規(guī)劃，二次規(guī)劃。

③ 基礎(chǔ)算法。這部分的重要性不用多說，刷leetcode。劍指offer的題目一定要達(dá)到秒殺級別。基本的都會了之后，算法崗重點(diǎn)強(qiáng)化DP，記憶化搜索這兩方面。對于筆試，建議多去牛客刷往年的真題，注意筆試的題目難度往往遠(yuǎn)高于面試。（當(dāng)然不會要求全部AC）

④ 場景問題：對于機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘崗,現(xiàn)在大多數(shù)的公司業(yè)務(wù)都是反欺詐（異常檢測）/推薦系統(tǒng)，對于這兩方面的基本內(nèi)容和傳統(tǒng)方法要能講出來一些東西。這也是必問的問題。

⑤ 智力題：其實(shí)這個應(yīng)該和算法題歸為一部分，智力題考來考去其實(shí)就這么幾道——瘋狗，毒水，海盜分金幣，兩根蠟燭，三門問題等。

⑥ DL相關(guān)知識：就算是機(jī)器學(xué)習(xí)崗，也需要了解一些深度學(xué)習(xí)的基本知識，常用的模型，如何調(diào)參等。最好了解一個框架（建議tensorflow或pytorch）。

⑦ 語言方面：建議熟悉C++ 和 python至少其一。

個人整理的一些高頻問題

lightgbm, xgboost RF和GBDT的異同（這個問題屬于必問問題，對于ID3,C4.5,CART也要了解，對于xgb的算法原理要充分理解，比如損失函數(shù)的推導(dǎo)過程，為什么要使用二階泰勒展開。最好有一些調(diào)參經(jīng)驗）

svm損失函數(shù)推導(dǎo)

樸素貝葉斯公式推導(dǎo)與實(shí)現(xiàn)

處理不平衡常用方法

卷積層相比FC層有哪些優(yōu)勢？

非線性分類算法有哪些

如何判斷一個算法是線性的還是非線性的？

stacking/boosting/bagging的區(qū)別

手動實(shí)現(xiàn)堆排序

求AUC

L1和L2的區(qū)別

實(shí)現(xiàn)快排

LR的實(shí)現(xiàn)，優(yōu)點(diǎn)，如何并行，特征有共線性會怎么樣？14.pca和lda

常見激活函數(shù)的優(yōu)缺點(diǎn) 16.從方差和偏差的角度比較bagging和boosting

經(jīng)驗風(fēng)險、期望風(fēng)險、結(jié)構(gòu)風(fēng)險

分層采樣和蓄水池采樣，O（N）的洗牌算法

SVM與LR的區(qū)別

一階優(yōu)化器，二階優(yōu)化器

手寫kmeans

BN/LN/WN的區(qū)別

實(shí)際場景下做softmax容易出現(xiàn)一些問題，怎么解決

扔雞蛋問題（了解到O（kn）的做法即可）

進(jìn)程和線程的區(qū)別

Python/C++多線程,多進(jìn)程如何使用

Python迭代器，裝飾器

Bootstrap抽樣

特征選擇方法

野指針是什么意思

64匹馬，八個賽道，找出最快的四匹，最壞情況下最少要比多少次（更常見的是25匹馬，5個賽道找出最快的3匹）。

12個小球，其中有一個與其他的重量不一樣，給你一個天平，最壞情況下最少稱多少次可以找出重量不同的小球。

1000杯水中有一瓶是毒藥，小老鼠喝一滴一小時就會死，給你10只小老鼠，在一小時內(nèi)找出這瓶水 。

P-R曲線和ROC曲線的區(qū)別

什么是凸問題？

常見的凸優(yōu)化方法？

CNN/RNN/LSTM的原理

從方差，偏差，噪聲的角度解釋泛化誤差

特征工程相關(guān)。比如如何處理類別特征？onehot，tfidf會出現(xiàn)什么問題之類。

詞嵌入embedding相關(guān)知識（主要是word2vector）

梯度爆炸/梯度消失

池化層，卷積層的作用

dropout（訓(xùn)練和測試階段分別如何處理）

MLE,MAP和貝葉斯估計的區(qū)別

DNN反向傳播的推導(dǎo)

LR為什么用交叉熵而不是MSE？

為什么LR權(quán)重可以全部初始化為0，NN不行

常見的幾個聚類算法

異常檢測/推薦基本方法（這個視部門業(yè)務(wù)而定）

判別式模型和生成式模型

相關(guān)書籍

本人看書不多，就推幾本比較熱門的書籍吧。

① 西瓜書，南瓜書，統(tǒng)計學(xué)習(xí)基礎(chǔ)。適合拿來刷機(jī)器學(xué)習(xí)基礎(chǔ)

② 動手學(xué)深度學(xué)習(xí)，花書。適合拿來刷深度學(xué)習(xí)基礎(chǔ)。特別是前者，有pytorch版本的代碼實(shí)現(xiàn)。

③ 深入理解XGBOOST。最近很火的一本書，看了一下質(zhì)量相當(dāng)不錯。

④ 劍指offer。這本不買也行，leetcode和牛客有對應(yīng)題目

⑤ 程序員面試寶典。題目較多，較全，較難。在掌握了劍指offer和基本算法內(nèi)容之后，可以作為進(jìn)階食用。

后話

算法崗雖競爭較大，但手里有一些籌碼，準(zhǔn)備充分的話其實(shí)也還好。有時間的情況下，建議豐富競賽，實(shí)習(xí)經(jīng)歷。論文也是硬通貨，但是難度確實(shí)更大。當(dāng)然有時候也很看運(yùn)氣，但是運(yùn)氣畢竟是不可控的。希望這篇文章可以幫到你早日拿到offer~

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)在線手冊深度學(xué)習(xí)在線手冊AI基礎(chǔ)下載（pdf更新到25集）本站qq群1003271085，加入微信群請回復(fù)“加群”獲取一折本站知識星球優(yōu)惠券，請回復(fù)“知識星球”喜歡文章，點(diǎn)個在看 與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的【经验分享】鹅厂机器学习岗暑期实习面经总结的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。