本人只是一枚老码农，不生产代码，只做代码的搬运工。报过七月的集训营和NLP一对一，刚接到offer(月薪4万多 × 14，接近60万)，不像大神一样可以拿下很多大厂的offer，我就总结一下我的教训吧，希望大家引以为戒。
首先拿到进入面试的门票，就是你的简历。如果你是双非本科，尽可能突出项目和经历，通过工作经验获得面试的机会，突出熟悉的算法，机器学习和深度学习都要有所准备。工作经验中突出你的算法项目，展现出你的突出贡献，突出你熟悉的算法，为面试问题做准备，先获取面试机会。
其次，准备code题，刷剑指Offer，刷LeetCode，由易到难，步步入坑，不要一下跳进去，不然很容易进入懵逼的状态，很难缓解尴尬的局面。由简单的数据结构原理入手，一般也就快排、堆排序、第k大的数等，也比较常见。放低姿态，不要以为学了点皮毛，就天下第一 老子无敌了。必须把基础打牢。
进阿里面试，在项目上和面试官叨叨了近一个小时，感觉吹的还行，结果让做道代码题（取数据流中第k大的数），当时给出了排序的代码，在循环遍历，面试官鄙视了我一眼后，还很有耐心的引导，半天没憋出个屁来。最终game over。
天眼查面试，让写一个循环遍历，被我鄙视了，老子写这么简单的。然后没结果了。
京东的面试，还有几家公司都是有代码题，没给你出代码题的，自己多加小心，一般这家公司啥也不懂，希望你是万能的。
面试了某某在线，没代码题，就是干聊，一点稀的没有，薪资不合适，也就告辞了。
也有一些传统的企业招算法，比如某某幸福，也是尬聊，这次有个真的nlp工程师，我可能吃药多了，怼了他一顿，然后就没然后了。所以说心态很重要，越是大佬，越是那种低调，待人有礼，保持良好心态，面试官很多时候也会引导你的。但是code题一定要刷，不会code那就莫装逼。不然像我一样丢了很多机会。
再次，回答问题要有逻辑感觉，问题现象-----问题原因------解决问题。
比如问怎么解决过拟合？这是送分题，加正则化、什么droupout，最好多讲一些比如你是怎么判断的过拟合，过拟合有什么好处，什么坏处，为什么产生这种问题，从哪几个方向可以解决过拟合（训练集、测试集的不同表现-------模型学习到了内容，但泛化能力弱---------数据少了、模型太复杂了--------增加数据、降低模型复杂度（L1、L2）、bagging思想）
如果你只是回答正则化，那面试官肯定问你，什么是正则化，L1、L2的区别？怎么选择？为什么这么选？等等都是挖坑的线路，如果你能都准备好那么还ok。
你如果准备xgboost，那么只是回答推导公式，没用的兄弟。
本人面试某车网，我回答了xgboost的推导，面试官直接问xgboost为什么快？
怎么分裂的？
特征重要度怎么计算的？
分位点怎么确定的？
怎么自定义损失函数？
等等所以你准备的算法基础，要全面，在网上查看知乎相关的讨论，一定深入算法，通过网络查找关于该算法的面试题，从面试各个角度分析算法。
不要只停留在了解算法原理的基础上。注意细节的深入。
面试某氧App，随机梯度下降的抽样是有放回，还是无放回？为什么？随机梯度下降，有噪声怎么办?注意心态，不要慌，稳赢。人一懵逼，绝对死翘翘了。
同样在这家面试，因为前一个回答的不好，回答auc的时候就慌了，面试官问什么是auc？图中四个点分别代表什么？这稍微推理一下就可以了，当时被虐了，不敢嚣张跋扈了。
杜绝问答式的面试，提倡聊天式的回答。
最后就是hr了，记住要低调，低调做人，高调赚钱，态度要端正，嘴巴要紧，不要轻易松口，也要尊重hr和公司文化。千人千面，每个人遇到的问题不一样，但只要想好想细自己的场景，按照问题现象、问题原因、问题解决方案的路子，应该都可以找到工作。如果你已入坑，那赶快去准备。如果还未入坑，入坑有风险，请谨慎而行。
最终还是实力说话，我命由我不由天,是魔是仙我说了算，只要你肯努力，就一定可以。说你不行的，灭了他个鸟命。
我面试中遇到的问题：
L1、L2的区别？不要只回答截断和缩放，要展开一些，最好在二维图中画出，并解释。
随机梯度下降是什么抽样？为什么？
什么是auc，图中四个点代表什么？auc怎么计算？面积auc相同的时候怎么判断？
bias与 variance，过拟合中谁高谁低，欠拟合的时候呢？
xgboost的分位点怎么计算？怎么自定义损失函数？
解释k-means?
LR的损失函数？
svm的核函数怎么选择？
不同时间浏览商品的权重标签怎么设计？
池化层的作用？
了解哪些采样方法？
你了解哪些主题模型？
今日头条的热度词怎么实现的？
spark产生很多小文件怎么解决？
什么是凸函数？（这个是我自己挖的坑，大家千万别给自己挖坑）
文本分类的时候，我的真实样本标签可能经常会改变，你有什么思路解决？