机器学习/计算机视觉(cv)实习面试资料整理（附字节、阿里、腾讯、美团面经）

从3.18日第一次投递简历，到4月初拿到 字节阿里 offer。事实证明，千万不要等到自己“准备好了”再去投递，可以边准备边投递，一次面试可以极大的加快你的复习进度，也可以及时查漏补缺。
下面给出一些我自己在准备过程中整理的知识点以及讲的还不错的博客，最后附上我自己的几次面经。（先挖坑，慢慢填）
（因为我自己两个岗位都在面，所以可能机器学习和cv的分类有点混乱，大家按需自取~）

投递流程及注意点讲解

时间点

如果想去大厂的话，最好寒假就开始准备：刷leetcode，复习知识点，复习项目（项目一定要了解的足够细），刷面经；一般2月中3月初阿里这种大厂就会开始提前批了，到3月初开始阿里腾讯几乎都开始计入系统的招聘，大部分到4月底结束招聘（但其实4月初hc就没有很多了）。

特别提醒（附投递链接）

• 最重要的写在前面！！！每个公司的投递尽量到微信群或者牛客网等找内推人要内推码，能够加到内推人联系方式是最好的，这样的话内推人可以帮你看进度和催进度，像腾讯的还可以帮你推送部门！！
• 一定要多去尝试各个公司的提前批（我后悔自己当时觉得没有准备好就没去）；
• 阿里 提前批是不计入系统的，而且可以同时尝试很多部门，正式开始之后面试次数是有限制的。今年是可以选择三个志愿，第一个志愿挂掉了就可以面下一个；
• 腾讯 的提前批走系统，但是在正式批开始（今年是4.14）之前，几乎可以无限捞人，这个部门挂掉之后会有下一个部门打电话联系你。所以投递越早，面试机会越多；（当然，如果什么都没准备，导致面评太差了的话，还是会有影响的）
• 字节跳动 我没有看到有提前批，但是字节几乎没有hc一说，只要你足够优秀，只要部门足够想要你，你就可以进，今年的截止时间是4.30；
• 美团
• 百度
• 拼多多
• 附955不加班公司名单一份~

简历制作

• 超级简历；
• gihub开源个人简历：可到overleaf编辑；

复习资料

刷题准备

1. leetcode：
   时间充足的可以按leetcode里的分类刷；
   时间来不及直接刷剑指offer；
   按照leetcode刷题指南分类型；
2. 牛客网：
   上面有各大公司的常见面试题；
   除了编程题，笔试题也可以在上面做；
3. labuladong 的算法小抄：
   github上一个整理的很好的算法学习和刷题指南；

知识点复习资料

1. 机器学习书：周志华《机器学习》，李航《统计学习》（版权问题不好上传，只能上传学习笔记，见下一节）
2. 博客，CSDN；
3. 知乎；
4. github；

复习资料下载推荐

1. 机器学习笔记-有伟.pdf
2. 2020-02-21-ML&DL学习笔记.pdf
3. 2019数据结构（无水印） 副本.pdf
4. 1_leetcode刷题指南.pdf
5. C++详细讲稿.rar
6. ETL开发常用语句案例分享.docx

部分推荐的大纲：

• 机器学习应该准备哪些数学预备知识
• 计算机视觉知识点总结
• 深度学习面试宝典

面经

• 牛客网(yyds)
• 知乎
• github

部分面经：

• CV面试问题准备持续更新贴
• 珍藏版 | 20道XGBoost面试题
• c++面经及代码.zip
• Cpp面经200问.pdf

面试常见且通用的问题

1. 过拟合如何解决（几乎每次面试必问）
2. 介绍一下XGBoost
   参考珍藏版 | 20道XGBoost面试题
3. XGBoost和GBDT的差异：
   参考珍藏版 | 20道XGBoost面试题
4. LR和线性回归的异同
5. 集成融合有哪些方式
6. 梯度爆炸与梯度消失
7. LSTM为什么能缓解梯度消失
8. 待更新。。。（解答后续放上）

常见面试编程题目

1. 算法类：树，字符串，动态规划，DFS，BFS，蓄水池抽样…
2. 手撕代码（本人用的pytorch）：kmeans，attention，multi-head atention，AUC，CNN，LSTM

机器学习知识点整理

参考周志华《机器学习》（西瓜书）

线性回归/逻辑回归/SVM

贝叶斯分类

EM/HMM算法概括

集成树

集成树知识点概括

决策树、随机森林知识点概括

AdaBoost算法概述

GBDT（梯度提升树）算法概述

XGBoost算法概述

LightGBM算法概述

集成（模型）融合方法总结

神经网络

聚类

降维

特征选择与稀疏学习

计算机视觉（CV）知识点整理

面经