2017校招面经（BAT、搜狗、搜狐、一点资讯、360、华为优招）
1.简单介绍
面试岗位：机器学习 | 数据挖掘 | 算法工程师 | 基础研究
比赛经历：天池比赛Top 10，滴滴算法大赛Top 5
科研经历：实验室主要方向：计算机视觉+生物信息。在研一上课的时候，实验室有师兄在做计算广告ctr预估、异构平台搭建，自己也算是耳融目染，学习了一些吧。
个人背景：本科普通院校信息管理与信息系统（计算机与管理的交叉学科），考研到哈工大，到找工作的时候刚好一年（工大本部2年毕业），这里其实可以看出我比较菜（微笑脸）。
语言背景：C++、python、SQL党
下面的面经是按照时间顺序来的
2.华为优招
7月份回家一趟，没有投递华为优招，后来在师兄和室友的帮忙下，得到了面试机会。
一面：C++里面static的作用，判断一个数字是否为回文数（此处需注意，面试官一直问我有没有更优的方法，我当时已经说出了2-3个方法，囧），自己选择一个项目进行介绍。
二面：介绍项目，意向城市，期望薪资，聊天。。。
在线笔试：三道编程题，总分600，get 525。
测评：只要注意不要选完全不加班就好。
3.360
华为面试回来之后，接到了360面试通知（提前批）。
部门： 核心安全事业部
岗位：机器学习/数据挖掘/自然语言处理工程师
一面：介绍了滴滴算法大赛，面试官比较关注特征工程。详细问了特征如何设计、为什么这么设计、那些特征会比较重要。商品推荐中如何进行个性化推荐，特征你会想到那些，为什么这么做
二面：避免过拟合策略、如何提高模型泛化能力、L1与L2正则区别，优缺点、生成式，判别式模型、深度学习这块了解多少、说说xgboost、gbdt区别、Tree-based Model如何处理连续型特征。
HR面：毕业之后比较注重什么、期望薪资、比较注重过程还是结果、对360的了解
能力测评：一个小时，题比较难，但是要好好做。认识的几个小伙伴都到了HR面，但是没有收到offer，不知道是不是能力测评的缘故。
4.搜狗
在等待360出结果的时候，接到了搜狗网页搜索一个技术面试官的电话，说我6月份提前批面试过了，后续会有HR联系我（当时，笔者真是一脸懵逼，现在都9月份了，6月份的面试，现在才告诉我结果，后面那个技术官告诉我，当时是忘了）。
6月份提前批面试：当时搜狗来学校招实习，对比较优秀的同学会直接给offer（主要针对工大自然语言处理、机器翻译这两个实验室，显然我不是）,所以我就抱着试试看的心态去了。由于时间太长，具体面试内容有点忘了，我现在印象比较深刻的就是当时讨论了一个评价指标（多目标优化）和建模（如何选择训练集、测试集）的问题。
HR面：手上有哪些offer、期望薪资、对搜狗感觉怎样、对于技术面试感觉如何，最后聊了聊人生。那个HR姐姐真的很赞，当场算是对我比较认可吧，直接告诉了定级、薪资。赞赞赞（直到现在依然很感激那个HR姐姐）
后面又有戏剧性的故事发生了，正如前面所说，我并不知道我提前批面试过了，在搜狗官网投递了简历，虽然没做笔试，面试官居然要面我，我也鬼使神差的去了。。。
一面：聊天，因为我有搜狗offer，这个部门直接一面过
二面：部门总监面。先聊项目，从数据预处理到特征工程、到模型（模型创新，以及为什么用这个模型），再到ensemble。然后大数据方面的代码考察，主要特征数据量大，如何做到速度与内存上的优化。（trick：这个时候你可以问下面试官，是要在线做，还是离线做，当然自己要有把握再问）然后有一个比较有意思的题目，对大小在1-10000的1亿个数进行排序，你会怎么做？（友情提示，不要用基于比较的排序算法哦）。整体聊的比较high，接近2个小时。
HR面：几个方面吧：团队意识、对一些公司里面常见问题的处理、对于业内其他一些公司的看法、个人性格、爱好
5.搜狐
搜狐今年来工大的貌似只有搜狐北研，印象特别深刻，因为当天刚好开题，开完题改完报告交了之后，跟实验室同学一起去做了笔试（现场笔试）。搜狐笔试技术岗是一套试卷。
笔试：一些概率题、计算机网络题、三道算法题
（1）第一道题有点想不起来了，大概有个有序的数据，时间复杂度要O（n），主要有序的数组里面可能有重复的数据，注意边界就行了
（2）给定一颗二叉树，节点的值表示money，一个强盗想要偷钱，但有一个规则，如果一个节点被偷了，那么与他相邻的节点则会报警（即不能偷），最终返回这个强盗最多能够盗取的money。
（3）给定两个黑白图像，即0-1矩阵。四个操作（水平翻转、竖直翻转、90度旋转、黑白翻转），问这个图像能否通过有限步骤操作，最后变成一样的。
一面：C++里面const有什么作用，在函数名、参数名不同位置有什么作用、C++ 内存分配、指针与引用、函数传参如何更快、大致写下C++ vector代码、聊了下笔试中一道概率题（甲乙两个人轮流（甲、乙、甲、乙这样，一旦有人中奖就停止）去抽奖，最后问甲中奖的概率）、最后聊了下项目。
二面（略带HR面的风格）：二面刚开始，面试官说昨天是他看得我的笔试题，对于我第二题的解决方案有点不理解。于是我说了下，最后发现自己做错了。最后在面试官的提醒下，说出了解题思路。然后问了问自己比赛的经历，未来想从事什么样的工作，如何进行自学。
6.一点资讯
可能有些同学对这个公司不是很了解，大概只知道今日头条，其实一点资讯做得东西跟头条差不多，听说给的工资比较高，我就去了（哈哈哈）
现场笔试：数据结构、计算机网络、操作系统、2道算法题
（1）给出一个数组，返回数组中满足类似a > b < c ＞ｄ这种情况的连续子数组的最大长度。时间复杂度当然是Ｏ（ｎ），比较有意思的题目。
（２）同样是一个数组，去掉其中一个数，得到与这个数相邻中比较小的那个数的值（如果是最左侧或者最右侧则返回０）。不断重复上面的操作，直到数组为空，返回累加的最大值。
一面：聊项目，滴滴算法大赛。主要两块，模型算法创新、DNN里面各种参数，激活函数的选择及理由。这两块自己言之有理即可。也有人一面写代码的，我并没有遇到哎，不只是简历还是笔试的缘故
二面：另外一个项目，做资金流入流出预测的，大约一年之前做的。先说下当时自己是怎么做的，如果现在让你做，你会怎么做。然后比赛的话，往往数据是给定的，如果让你自己可以收集数据，你会想到哪些数据，为什么，从而提高准确率；因为一点资讯做推荐也会比较多，然后问了一个他们实际业务中的问题，对于用户在一点资讯APP上输入关键字，公司和用户会关注哪些指标，针对这些指标你会如何优化。主要从定义损失函数，概率分布这些方面聊聊吧。
HR面：手里的offer、期望薪资、比较care那些东西，毕业之后、对于大公司，创业公司如何看待。
7.阿里
关于阿里，真是一个让人伤心的故事，很早之前是比较想去阿里的，并且一直在参加阿里的比赛，比较拿到的Top 10终面的机会也被取消了。
实习、校招部门：蚂蚁金服人工智能部、阿里妈妈，比较核心，难度也比较大。
阿里最后结果是挂了，这里写点教训吧，哎
蚂蚁金服技术终面不出意外的话：会让做题，题目一定要仔细听清楚，coding是一方面，算法优化和使用mapreduce、spark做处理是加分项
阿里妈妈：团队人不多，主要做ctr预估。对于比赛经历貌似不太看重，比较care工程、科研经历。面试官也会查考的比较有深度，从对机器学习、统计学习的理解、普通线性回归到广义线性回归的本质、深度学习的本质、AUC、KMeans的算法伪代码、最后写了下归并排序。给出的建议就是面试阿里妈妈的话，提前对计算广告这块做些准备，然后面试的时候，尽量用数学语言、伪代码的方式进行清晰地阐述，当然这也跟面试官有关。
8.腾讯
面试腾讯的路是比较坎坷的，内推找同学推的CDG（做广告的），从简历评级（A+），到简历锁定，到锁定面试官都是比较顺利的，不知道什么缘故，那个面试官一直没有面我，导致我内推就这样不明不白的挂了。后来大致了解的是因为HC没了，校招的时候，腾讯的BG是不可调整的，所以基本希望不大了，最后是TEG面试的我。
笔试：数学题为主、三道简答题，比较开放。
一面：聊一聊项目，面试官不care特征工程，我就讲了讲模型算法。然后要求手写纯C字符串拼接，当时笔者想到了三个细节（1：const char* str 2: 空串判断 3：返回新串还是原有串），写完代码之后面试就结束了。在出门的那一刹那，我想起了代码中一个问题，空间申请啊，内心是崩溃的。。。
二面：一直在做题
（1）数学题：类似一点资讯那个抽奖题目，做好之后一直问我为什么这么做，囧
（2）数据结构算法题：给定一颗二叉树，如何把它保存到文本中，然后再从这个文本中恢复
（3）数据结构算法题：S型遍历二叉树，如何优化，最后说了个空间优化的方法
（4）大数据问题：大于计算机内存的存储IP的文件，统计出现次数最多的几个。这里面要对b、B、存储有点理解，一般优化都会想到0-1bit，这个时候要注意，要会写代码，而不只是说（其实就是位操作）。
（5）LR、NN简单聊了聊
三面（HR面）：对技术面试官的感觉，对于产品经理的错误决定你会怎么做，平时如何解压，对自己前面面试打分、手上有哪些offer
最后说下结果吧，自己报的是北京地区，今年（2017）校招的时候，TEG已经没有太多的名额了，加之TEG比较偏基础算法吧，这一块自己相对薄弱。据我了解，最终TEG在哈尔滨基础研究岗招了一个人，当然那个人不是我。
建议：能内推就内推，如果可以接受去深圳，对于腾讯，就去深圳吧，岗位相对会多一点。
9.百度
内推由于之前实习被推过、还有在官网上投递过简历，没有收到面试通知
校招岗位：商务搜索部 机器学习 | 数据挖掘岗位
笔试：选择题+简答题+编程题（主要考察动态规划）
一面：聊项目，聊的比较多的是如何知道一个特征的重要性，如何做ensemble哪些方法比较好。聊了聊计算广告方面FM，embedding。最后手写S型遍历二叉树
二面：主要考察两个方面
（1）机器学习：LR推导、LR与最大熵本质关联、LR最终迭代数值的本质，目前DNN为什么会有效、简单说了下mapreduce、spark、mpi、parametersever
（2）coding：数组滑动窗口得到最大的窗口，O（n）复杂度、扩展：这个滑动窗口中必须有m个不同才可以，目标不变，如果改，并分析时间复杂度；二叉树路径和等于某个值的所有路径输出。
三面：百度的三面是部门经理，看上去比较年轻。上来对着我的博客问，你写的东西自己现在还记得吗（当时好方）？问了下Xgboost的原理吧。然后就是滴滴算法大赛。最后聊了下自己目前做的课题。
10.总结
一家之言
面试机器学习、算法岗需要注意以下几个方面吧：
（1）coding：从基本的数据结构、到分治，动态规划这些算法思想需要很熟悉；进阶：实现过机器学习算法；更进一步：能够利用mapreduce | spark | mpi | ps 开发分布式机器学习算法。（github你值得拥有）
（2）机器学习理论：这一块不仅限于常规的机器学习算法、深度学习算法，如果能对自然语言处理、图像、推荐、广告等特定领域方面的算法有所了解，必然是加分项。
（3）数学基础：求导、矩阵、最优化方面的一些知识
（4）不错的大数据比赛或者科研经历
小建议：
（1）简历排版、描述很重要，要做到凡是简历上有的自己必须会，且能做到深入浅出。有亮点的地方可以通过数字的形式进行描述。
（2）面试的时候讲解算法要注意逻辑清晰、突出重点，难点、如何解决。
（3）面试环节中沟通也很重要，遇到自己没有碰到的问题，可以先冷静思考下，实在解决不了，也要说出自己思考的过程，如果可以的话，在面试官的提醒下，解决问题。然后，技术面试到了HR面也要注意，就我了解的是，不少公司的HR在最终是否给offer也是有比较大的话语权的。
（4）最后一点，对于想争取sp的同学，注意每一面都很重要，每一面都要让你自己表现到最好。
11.薪资
由于许多公司HR跟我说了薪资要保密，本着契约精神，这里给出一个薪资排序，供大家参考（注意里面大多是sp,且一点资讯异常高）。
一点资讯 > 搜狐 > 百度 = 搜狗 > 华为优招 > 360 祝愿看到本文的你也能找到一份令自己满意的工作 Work hard, Play hard , Good Luck , Happy ending!!!