【面经】国内大互联网公司机器学习/深度学习面试题

一些面试的建议:

1. bat三家都喜欢问大量的计算机基础知识，考察工程能力，b都喜欢问数据结构和leetcode，t问的比较随意但是很考察思维能力；（当然还是得看面试官）
2. 对于像我这种非计算机班科出身的（数学统计），面机器学习算法的公司比较容易，面工程的公司比较难；
3. 深度学习入门门槛很低，但是精通门槛很高，仍然很多东西都是黑盒子，因此如果真的没有这方面经验，不建议写进简历，很容易被问倒；面试官如果自身不精通，他压根不会问深度学习，如果问了，那他基本上还是比较懂行的；（个人经验，不一定准）
4. 面试有些问题不确定，就说自己知道的，知道多少说多少，反正不能什么都不说；

我最近换工作，基本上轮了一圈大的互联网公司，下面是我的面经，希望对nlp或者机器学习深度学习感兴趣的朋友准备面试有点帮助，有些问题我答得不准希望不吝赐教；

--- 某新闻app ---

round1：

1：cnn做卷积的运算时间复杂度；

2：Random forest和GBT描述；

3：（看到kaggle项目经历）为什么xgboost效果好？

4：leetcode；

round2：

1：工程背景；

2: python熟悉程度；

3：leetcode；

round3：

1：项目介绍

2：项目最难的是什么

3：项目做的最有成就感的是什么

4：生活做的最有成就感的是什么

5：一天刷多少次我们的app

不评论；

--- 打车公司 ---

1: LSTM结构推导，为什么比RNN好？

需要说明一下LSTM的结构，input forget gate， cell information hidden information这些，之前我答的是防止梯度消失爆炸，知友指正，不能防止爆炸，很有道理，感谢；

2：梯度消失爆炸为什么？

答案：略

3：为什么你用的autoencoder比LSTM好？

答案：我说主要还是随机化word embedding的问题，autoencoder的句子表示方法是词袋方法，虽然丢失顺序但是保留物理意义；（?）

4: overfitting怎么解决：

答案：dropout， regularization， batch normalizatin；

5：dropout为什么解决overfitting，L1和L2 regularization原理，为什么L1 regularization可以使参数优化到0， batch normalizatin为什么可以防止梯度消失爆炸；

答案：略

6: 模型欠拟合的解决方法：

答案：我就说到了curriculum learning里面的sample reweight和增加模型复杂度；还有一些特征工程；然后问了常用的特征工程的方法；

7：（简历里面写了VAE和GAN还有RL，牛逼吹大了）VAE和GAN的共同点是什么，解释一下GAN或者强化学习如何引用到你工作里面的；

答案：略

传统机器学习

1：SVM的dual problem推导；

2：random forest的算法描述+bias和variance的分解公式；

3：HMM和CRF的本质区别；

4：频率学派和贝叶斯派的本质区别；

5：常用的优化方法；

6: 矩阵行列式的物理意义（行列式就是矩阵对应的线性变换对空间的拉伸程度的度量，或者说物体经过变换前后的体积比）

7: 动态预测每个区域的用车需求量；

对于打车公司，我的感觉很好，hr态度和面试官态度都很好，包括最后跟老大打完电话约去公司聊一下确定一下；全程hr都是有问必答；

有一次为了去前面那个新闻app，而改了打车公司面试时间，hr态度都很好；

最后我已经决定了去深圳，不能去打车公司也有点遗憾了；

而且打车公司问的问题很专业，全程下来都是ML算法，不考脑残的leetcode；我根本没时间也不想再去刷leetcode就为了个面试；

--- 手机公司 ---

round1：

1：LSTM相关的问题；

2：python写k-means；

3：想不起来了

round2：

1：业务相关的问题

2：leetcode

3：具体业务问题，也就是如何量化句子之间的相似度；

round3：

1：记不起来了

手机公司最近在搞发布会，面试过了一个星期再通知我去复面，我果断拒绝；

全程深度学习的东西基本上不问，问了一两个看来他们基本不用，然后就是leetcode；

手机公司做智能家居蛮有前途的；面试官态度很好；

--- 搜索公司 ---

三轮

1：怎么样识别文本垃圾信息；

2：(数据结构)树合并；

3：工作涉及到的业务知识；

4: python如何把16位进制的数转换成2进制的数；

5：MySQL的键的一个问题；

6: linux下如何把两个文件按照列合并

7：map-reduce的原理（问的基础，因为我简历没有mapreduce）；

8：NLP方面的想法；

9：职业规划，专家型还是领导型；

10：如果给offer是不是直接来此公司；

说实话，搜索公司最耿直，一下午面玩完全没有任何磨磨唧唧就给了口头offer；

如果留在北京，首选肯定是它了；

后面问我在面其他哪些公司，如果给了offer去哪家，我说就这家，那时候也没想到后面的两家深圳公司也过了，感觉蛮愧疚的，就冲这个态度也应该去此公司的；

真的不像网上流传的那些；而且此公司最后面的manager是我见过态度很好而且感觉可以依靠人；

---大厂---

1: 链表逆转

2：1亿的文本如何放在100台机器上两两做相似度计算

3：40亿数据如何用2G内存排序

4；遍历树

5：HMM原理