机器学习实习生面试总结(阿里 腾讯等)

今年来一直在找暑期实习,现在基本已经确定了,前后历经差不多2个月吧,发现了很多自己的缺点,同时也希望写出来供需要的人参考了解

先说下我自己的情况吧,决定去腾讯TEG的机器学习岗实习了,面试期间(3月初-4月底)投了不少公司的暑期实习(都是机器学习岗),大概有这么多吧(按照投的时间顺序):

  • 完美世界(笔试挂)
  • 美团(offer)
  • 阿里蚂蚁金服(offer)
  • 腾讯TEG(offer)
  • 滴滴研究院(offer)
  • 去哪儿(offer)
  • 360(笔试挂)
  • 商汤科技(一面挂)
  • 华为(offer)
  • 网易有道(笔试通过,面试要去北京我没去)

百度没投,它时间很晚(4月底笔试,5月初面试),然后我就没投了

每家的情况都说下吧: (1) 完美世界笔试挂,投的太早完全没复习果然gg了 (2) 美团内推没有笔试(非官网投递),不过实验室的其它人都没获得面试机会(看脸??),一面就直接过了(做机器学习图像的),面试官还是很nice的,直接发offer了 (3) 阿里就很坑了,3面技术面+HR面(更优秀的还有交叉面),然而我并没有,三面面的不好,问了我一堆java源码的,我没答上来,到现在我还没有拿到offer,一直是面试中,估计也没什么戏,时间真的持续了好久;有意思的是,一面的面试官说今年ML岗太火,他们倾向于博士。。。。也是醉了 (4) 腾讯现场面的,两面+HR面,每一面都刷很多人,一面去的时候人山人海,二面就很少人了,HR面去的时候只有我一个,我差点以为我走错片场了。。。结果过了,TEG网络部的机器学习岗 (5) 滴滴研究院,也是非官网投的,两面+HR,问的比较深,感觉滴滴研究院这帮做算法的水平很不错,之后顺利通过,大数据策略组的机器学习实习生 (6) 去哪儿也是现场面的,一个下午就面完直接口头发的offer,效率很高,两面+HR,一面是个小弟面的基础,二面HR后来告诉我是数据组的老大面的项目,顺利过了 (7) 360不知道怎么回事,笔试做的感觉还可以,3个编程题AC了两个然后也没过,听说招实习很少 (8) 商汤科技也是内推的,过了笔试,一面是香港打来的,问的非常深,只问deep learning,其它不问,面了50分钟吧,gg了 (8) 华为暂时还没面,因为我拿了华为编程比赛的奖,所以免了笔试,不过笔试也不难 (9) 网易有道投的是java开发,听说笔试挂了无数人,然而我没挂,后来让去北京总部去面,报销路费,我决定再三还是没去,放弃了,因为实习不想去java开发(那么为什么我当时投java开发???)

其实还有微软,不过那编程题实在是做不出来,ACM编程题,有兴趣的去感受下hihoder微软2017预科生,另外告诉一点,即使是PM也是要做这个题的。。。

给我的感触还是很多,总结如下:

(1) 早准备,我就是去年冬天在外地出差干活没复习,今年来做笔试的时候就很吃亏 (2) 好好刷leetcode,基本在线面试的笔试题都是leetcode的题 (3) 实习经验非常重要,有实习做过相关项目的话很加分 (4) 了解的广不如了解的深,最好要在某个领域钻研的比较有心得(比如推荐,用户画像,目标检测等),因为面试官会顺着你的简历一直往下问,比如你做了用户画像,他就会问你怎么做的?如何做的特征工程?特征如何选择?balabala… (5) 想去阿里的一定要java玩的溜,尤其源代码, jvm,集合框架这是一定会问的 (6) 虽然说搞ML的集中在算法方面,但是最好还是要会Hadoop,Spark之类的,毕竟你算法需要数据,数据只能你自己去拉(滴滴和阿里面试官原话) (7)ML竞争很激烈,做好心理准备

5月6号更新: (1)阿里的蚂蚁金服offer已经拿到 (2)分享面试的具体问题

  • 什么是boosting tree
  • GBDT
  • L1和L2正则为何可以减弱over-fitting?
  • L1和L2正则有什么区别
  • KNN和LR有什么本质区别
  • 怎么理解Dropout
  • 为什么random forest具有特征选择的功能
  • random forest有哪些重要的参数?
  • DNN为什么功能强大,说说你的理解
  • SVM的损失函数是什么?怎么理解
  • 介绍下Maxout
  • 项目中over-fitting了,你怎么办
  • 详细说一个你知道的优化算法(Adam等)
  • 项目(比赛)怎么做的模型的ensemble
  • stacking是什么?需要注意哪些问题
  • 了解哪些online learning的算法
  • 如何解决样本不均衡的问题
  • fasterRCNN中的ROIPooling是如何实现的
  • 如何进行特征的选择
  • 如何进行模型的选择
  • 什么是梯度消失?怎么解决
  • 常用的有哪些损失函数
  • XX用户画像挖掘怎么做的feature engineering?
  • 假设一个5*5的filter与图像卷积,如何降低计算量?
  • 做过模型压缩吗?介绍下
  • 什么是residual learning?说说你的理解
  • residual learning所说的residual和GBDT中的residual有什么区别?
  • FFM和FTRL有过了解吗?
  • 你对现在Deep Learning的发展和遇到的问题有什么看法?

基本这些就是我问的问题,不是一家公司,其它的问题还有,主要看你的简历和项目,这个每个人不一样

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏分布式系统和大数据处理

这才是最好的数学书(上)

看了《穷查理宝典》,更了解到跨学科学习的重要性,对于书中提到的主要的几个学科:数学、会计学、心理学和微观经济学,以前大多只是零零散散地学习过。对于不怎么感兴趣的...

902
来自专栏机器之心

人工智能能骗过人类吗?愚人节特写:这不是玩笑

机器之心原创 作者:吴攀 人类自开始认识自己以来,大概就一直在梦想着能创造能与自己别无二致的存在(从偃师献给周穆王的歌舞艺伎到弗兰肯斯坦的怪物再到近段时间以来越...

3489
来自专栏量化投资与机器学习

【解读】遗传基因程序二元机器代码自动归纳合成算法

可能这个算法出来已经一段时间了,今天在一个策略网站上偶然发现,觉得很有意思,因此,查阅了一些资料进行学习。 遗传基因程序二元机器代码自动归纳合成算法(Autom...

1816
来自专栏PPV课数据科学社区

为什么要学数学?因为这是一场战略性的投资

如果将数学学习的好坏仅仅理解为“刷题”的数量和速度,那充其量也只能成为一名熟练的数学工匠。我们所受的数学训练,所领会的数学思想和精神,所获得的数学教养,无时无刻...

2606
来自专栏人工智能头条

机器学习挑天赋吗?为什么别人一点就透,为什么我就不行?

之前我们的特约作者李烨跟大家分享了《她在机器学习踩过的坑,现在告诉你怎么跳过去》。

935
来自专栏CDA数据分析师

2016机器学习与自然语言处理学术全景图:卡耐基梅隆大学排名第一

随着 2016 年结束,剑桥大学高级研究员 Marek Rei 对人工智能行业的 11 个主要会议和期刊进行了分析,它们包括 ACL、EACL、NAACL、EM...

19610
来自专栏大数据文摘

谷歌跨界音乐圈:AI用上千乐器数据创造出人类没听过的声音,来听听看!

1483
来自专栏灯塔大数据

股市实战秘籍:用新闻联播情绪指标炒股

“跟着新闻联播炒股有肉吃。”对于这句话,很多老股民耳熟能详。不过,央视《新闻联播》究竟跟A股盘面有多大的关联度,跟着《新闻联播》究竟如何赚钱,真的有那么灵吗? ...

3109
来自专栏AI科技大本营的专栏

22岁复旦大学生拿下深度学习挑战赛冠军:明明可以靠脸吃饭,却偏偏要靠才华

复旦大学Hengduo Li 编译 | AI科技大本营 参与 | 尚岩奇、周翔 近日,人工智能行车记录仪应用公司 Nexar 公布了第二届挑战赛的结果,其中,来...

3258
来自专栏PPV课数据科学社区

漫谈大数据的思想形成与价值维度

在漫长的数据蓄水过程中,数学和统计学逐渐发展,人们开始注意对数据的量化分析,在人类进入信息时代以前这样的例子就不胜枚举。比如经济上,黄仁宇先生对...

2706

扫码关注云+社区