20届秋招面试记录

字节跳动提前批-财经-算法

一面

1. 自我介绍

2. 项目经历介绍

3. 推导 logistic regression 的代价函数和梯度（？？？这问的都是啥啊... 是因为觉得我菜吗...）

4. 一个有序数组，可能以某个位置为界，前后两部位置调换，求 O(logn) 的搜索

没复习就去了，本来想去先感受一下大厂面试难度，结果全程紧张不在线，噼里啪啦说太多了。。。

提前批不影响正式批，不要信不要信不要信，重要的事说三遍。正式批简历筛就被挂，而且投的岗还和我课题非常匹配。。。秋招是与字节无缘了

 

 

美团北斗-金融服务-算法

一面：

1. 介绍实习中推荐系统的项目

2. 解释一下AUC

3. 还有什么别的分类评价指标，适用场景

4. 讲一下 DeepFM 和 DIN，真的有提升吗

5. 快排一个单链表

6. 一百个人编号1～100，一百个座位编号1～100，第一个人随便坐，从第二个开始，如果对应编号的座位空着就必须坐上去，否则随便坐。问第100个人正好坐第100号座位的概率。

没啥思路的话，先考虑不用对应编号，每个人都随机坐的情况。

 

二面：

1. 介绍实习中两个异常检测项目

2. 异常检测中面临的问题有哪些

3. 讲一下你看过哪些机器学习教材

4. 你熟悉李航书中哪些算法

5. 推导一下adaboost

6. 一个无序数组，给定一个数，判断是不是数组中的某两个数之和

7. 不用开方，计算一个整数的平方根

8. 你有啥想问我的吗

 

hrbp 面

面试官引导按时间线捋了整个大学经历，实习+获奖+学生工作+科研+生活

 

 

阿里淘系技术内推批-用户增长-机器学习算法

一面

1. 讲一下论文

2. 讲一下 GAN 异常检测项目

3. 分类评价指标

4. AUC 的非积分计算方法

5. 解释一下 VAE 和 GAN 的区别

6. 了解其他 GAN 吗

7. 讲一下常用优化方法

8. 给定一个十进制表示的浮点数，判断能否精确表示为二进制

9. 你有什么想问的

 

二面

1. 讲一下自己的情况

2. 推荐系统项目中自己觉得最关键的点

3. DIN 为什么会work，微观的讲一下

4. 常见控制算法

5. 讲一下根轨迹

6. 根轨迹曲线是因为什么的变化产生的，为什么会变化，实际系统中受什么因素影响

7. 讲一下稳定性，为什么根具有负实部就是稳定的

8. 协同过滤里面，一个item首次出现到到达最多出现次数的80%的时间，受哪些因素影响

9. 神经网络能作为控制器吗，举个实际的例子说明

10. 为什么选择现在的研究方向

11. 为什么神经网络模型就不适合风控领域，为什么又适合做推荐。对比和ensemble树模型的优劣

12. 你有什么想问的

思维不要太局限，格局不要太小。谨记

 

交叉面

1. 仔细讲一下论文

2. 论文里 embedding 怎么实现的

3. 梯度下降什么时候不适用

4. 有自己实现过什么机器学习算法吗

5. 来阿里的意愿

6. 为什么想去杭州

这一面应该是压力面，隔着电话都能听出来面试官比较脸黑。我觉得压力面要不卑不亢，自己会的东西就要自信的表述清楚，不会的就实话实说，但也要说点自己的理解，不能直接就撂了

 

hr 面

1. 自己的优缺点

2. 用过哪些阿里的产品，体验如何

3. 如何看待996

 

转 bu 到阿里健康

一面

1. 服从均匀分布的连续随机变量恰好取值为0.5的概率是多少

2. 二叉树镜像

3. 快排时间复杂度、空间复杂度

4. 堆排序时间复杂度、空间复杂度

5. 递归的斐波那契数列函数的递归树深度、精确的时间复杂度

6. 讲一下特征值分解

7. PCA 中怎么用到特征值分解的

8. boosting 和 bagging 的对比，异同点

9. boosting 比 bagging 更容易过拟合吗

10. 推荐系统常规架构

11. 讲一下用 GAN 做异常检测的思路

面试官一直挺关照我... 但我太菜了，over

 

二面

1. 讲一下常见异常检测方法

2. GAN 的常见用法

3. 如果只是普通的样本不平衡要怎么处理

4. 让你实现一个推荐系统要怎么设计

5. 如何发红包才能让使用红包的用户尽可能多

6. 内存不够的情况下如何把很多小文件排序合并起来（懵...）

有些问的问题想不起来了，面试官虽然是算法 leader，但态度却很好

 

hr面 

1. 自己的优势

2. 如果和同事意见相左如何处理

3. 为什么没有找大厂的暑期实习

 

不管成不成，秋招在阿里应该就面到这里了

 

 

拼多多学霸批-算法

一面

1. 推荐项目里面效果怎么验证

2. 负类样本怎么构建

3. AUC 受影响正负样本比例影响吗

4. 推荐系统中的baseline

5. 问了一点异常检测的基本问题

6. 已知有 n 个数但具体值不清楚，给出其中 n-1 个数，求最后一个数

7. 给出其中 n-3 个数，求最后3个数

 

二面

问了一大堆有的没的，一直质疑我的课题，给他解释了也不听，最后甚至还问高考是自己考上的吗，全省多少名

代码题就是求二叉树中给定两个节点的最低公共祖先

机器学习方面问的不难，都说清楚了。就一直问 nlp 相关的知识，我已经表示了没做过这个方向，还是问，只能答个大概

最后跟我说，基础不错 blabla，会给通过

 

第二天就收到了拒信，我问 hr 两轮技术面面试官都说给过然后拒了？hr 表示进入二面不代表一面过了... 

哦 ?宁家面试轮次还是并行的，真闲

不做再多主观评价了

 

 

猿辅导-深度学习算法

一面

1. 项目

2. 搜索左侧边界的二分

3. 动态规划，题记不全了，一个 O(N³) 的 dp，可以优化成 O(N²)

 

二面

1. 项目

2. OCGAN细节，公式来源的论文，存在的问题

3. 基于重构的异常检测的具体思路

4. 动态规划，又答的不算好，真的要好好补一下...

5. 判断有向图中是否有环

 

可能二面是个大佬，所以没有hr面

 

 

明略科技-ESG-AI算法研究员

一面

1. 自我介绍

2.聊聊项目

3. 详细讲一下端到端推荐系统构建的细节

4. 处理数据中遇到的困难

5. 交流了一下各自对王喆的专栏中 YouTube Recommendation System 的十大工程问题的个人理解

6. 仔细讲讲用 GAN 做异常检测的思路

7. 为什么要用 GAN，相比其他生成模型优势在哪

相谈甚欢，面试官真的能放低姿态听你讲做的东西、跟你交流，而且大部分还都有一定的了解。

 

hr 面

聊一些常规问题吧，主要就实习+学生工作+考研经历，最后问了期望薪酬，表示之后可能还会加一轮算法 leader 面。

明略是集中现场面试，效率非常高，面试官人nice，非常愉快。hr 小姐姐态度也很和善，没有压力面。

 

 

================================================= 

2019.08.28 美团金服 hrbp 表示会给通过，但是要到9月底10月初再发offer谈薪，有当无吧...

 

2019.09.11  已经收到猿辅导口头offer。说实话还是挺开心的，尤其是二面面试官平易近人，面试体验挺好。已收到正式意向书

 

2019.09.16 淘系那边表示新调整了hc我被释放了，然后阿里健康捞了，我也拥抱变化了。怎么说，至少还被捞了，也算一种认可吧，总要向前看不是吗

还是非常感谢内推人和面试官帮我问这个事（至少要到微信了...）。前两天得知通过了还瞎激动了一晚上，有点尴尬

 

道阻且长，要做到胸有激雷而面如平湖，还缺磨练。再加油吧

平常心

转载于:https://www.cnblogs.com/chaojunwang-ml/p/11388674.html