Google人工智能面试·真·题(附参考答案+攻略)

安妮 栗子 发自 泽浩寺 量子位 出品 | 公众号 QbitAI

可能每个程序猿,都想过加入Google。

然而想要“应试”成功,考验的不仅仅是开发人员的编程技术,还能侧面考验着参赛者的渠道来源是否广泛、背景力量是否强大、脑洞回路是否清奇……

不过,梦是要做的,简历是要投的,说不准面试就来了呢?所以,我们需要为万一砸到头顶的面试,做好一万的准备。

前有万千过桥的应聘大军发回攻略,后有民间编程大神发现隐藏关卡……是时候来总结一份Google应聘指南了。

P.S. 这份攻略也不仅仅适用于Google(中途落榜的励志哥还被亚马逊挖走了呢~)

面前必毒(20道·真·题)

Google的技术面试流程就是各家的标配而已,先远程后现场。

面试以强度闻名,可能看看问题就想回家了。这些题目全部由Glassdoor收集统计。不过,顺便看下参考答案也是好的。

1、求导1/x。

答:-1/x2

用Python是这样。

2、画出log (x+10)曲线。

答:如图。只要把logx的图像左移10格。

用Python是这样。

3、怎样设计一次客户满意度调查?

答:第三题就这么抽象了。不知从何说起的我决定指引各位,可以在搜索引擎里查询一下:“客户满意度和客户忠诚度的计算标准”。

4、一枚硬币抛10次,得到8正2反。试析抛硬币是否公平?p值是多少?

5、接上题。10枚硬币,每一枚抛10次,结果会如何?为了抛硬币更公平,应该怎么改进?

答:小数定律或许可以帮到你。 附一个参考资料:https://medium.com/@lorenz.rumberger/i-think-a-more-advanced-answer-for-the-coin-toss-game-would-use-the-bayesian-method-569696e89271

6、解释一个非正态分布,以及如何应用。

答:不知道面试者遇到是怎样的分布。不过,上个月MIT发表了用妖娆的伽玛分布,帮助自动驾驶系统在浓雾里保持如炬目光的算法。 详情传送门:https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247495843&idx=4&sn=db0fcef1bc290b84ac0c185ade54cdf9&scene=21#wechat_redirect

7、为什么要用特征选择?如果两个预测因子高度相关,系数对逻辑回归有怎样的影响?系数的置信区间是多少?

答:需要处理高维数据的时候,很多模型都吃不消。特征选择可以让我们在给数据降维的同时,不损失太多信息。 参考资料传送门:https://towardsdatascience.com/why-how-and-when-to-apply-feature-selection-e9c69adfabf2

8、K-mean与高斯混合模型:K-means算法和EM算法的差别在哪里?

答:CSDN博主JpHu说,K-Means算法对数据点的聚类进行了“硬分配”,即每个数据点只属于唯一的聚类;而GMM的EM解法则基于后验概率分布,对数据点进行“软分配”,即每个单独的高斯模型对数据聚类都有贡献,不过贡献值有大有小。 传送门:https://blog.csdn.net/tingyue_/article/details/70739671

9、使用高斯混合模型时,怎样判断它适用与否?(正态分布)

答:依然,请前往以下页面。 详情传送门:https://stats.stackexchange.com/questions/260116/when-to-use-gaussian-mixture-model

10、聚类时标签已知,怎样评估模型的表现?

答: CSDN博主howhigh说,如果有了类别标签,那么聚类结果也可以像分类那样计算准确率和召回率。但是不应该将分类标签作为聚类结果的评价指标,除非你有相关的先验知识或某种假设,知道这种分类类内差距更小—— 详情传送门:https://blog.csdn.net/howhigh/article/details/73928635

11、为什么不用逻辑回归,而要用GBM?

答:GB是Gradient Boosting。引用知乎答主Frankenstein的话,从决策边界上看,线性回归的决策边界是一条直线,逻辑回归的决策边界是一条曲线,GBM的决策边界可能是很多条线。 逻辑回归只能处理回归问题,而GBM还可以用于解决分类或排序问题。 参考答案传送门: https://www.zhihu.com/question/54626685/answer/140610056

12、每年应聘Google的人有多少?

答:两百万。大多数人可能都只是顺便投一下,看看会不会中奖。

当然,技术题是出不完的,也是答不完的——以下统一不给答案了,请进行自我测试,并注意考试时间。

13、你给一个Google APP做了些修改。怎样测试某项指标是否有增长

14、描述数据分析的流程。

15、高斯混合模型 (GMM) 中,推导方程。

16、怎样衡量用户对视频的喜爱程度?

17、模拟一个二元正态分布。

18、求一个分布的方差。

19、怎样建立中位数的Estimator?

20、如果回归模型中的两个系数估计,分别是统计显著的,把两个放在一起测试,会不会同样显著?

不只是技术

除了这些深刻的技术问题,Google历年的面试中,总有一些直击灵魂的神秘考题。BI也统计了一些,例如:

  • 一辆校车可以放进多少个高尔夫球?
  • 擦一遍西雅图所有的窗户需要多少钱?
  • 井盖为什么是圆的?

再来个长的:

你只有两个生鸡蛋,是可以无比坚固也可以无比脆弱的鸡蛋。在一百层的高楼里,在两个鸡蛋都阵亡之前,怎么才能知道它们最高能从几楼摔下来不碎?需要多少步?

鸡蛋表示:

很好奇,脑洞考题是怎样打分的。友情提示:上述几道题,有些是可以抖机灵的……

如果你想知道答案和更多类似题,可以在量子位公众号(ID:QbitAI)对话界面,回复:“神秘题”三个字。

史上最正统Google面试宝典

真题谈完了。虽然面试准备是个老生常谈的话题,但下面这份宝典无论如何你都要看看。

论“血统”,这份宝典最为正宗,因为它是Google招聘官网上专门为“Future Googler”准备的。一起看看招聘方亲自对面试者提出了哪些建议——

预测面试题:面试前,你基本可以预测出90%的问题了。“为什么想申请这份工作”“你曾经解决过什么问题”等问题基本在面试中必现,写20个出来先提前准备着有益无害。

计划:写出极可能出现的问题后,针对列出你的清单上的每一个问题,写下你的答案。这将帮助你加深对这些问题的印象,是面试时能对答如流的利器。

Plan B&C:针对上面这些问题,Google招聘人员建议你最好能准备3个答案。这些备用答案能在第一位面试官不喜欢你的故事时,帮你征服下一位面试官。

解释:面试官想要了解你的想法,所以在面试过程中需要展示你的思维过程和最后的解决方案。这个环节不仅是在评估你的技术能力,还在评估你解决问题的灵活性。

讲故事:Google面试官希望以会“讲故事”。有一个很有意思的面试小技巧,就是每个问题都应该用一个故事来回答。比如“你怎样领导……”的问题最好就举个例子讲个故事吧~

探讨:在面试过程中你可能会不自觉进入一些问题“圈套”,这是面试官想深入了解当你遇到技术难题中你看重哪些信息,希望看到你如何处理这个问题以及你解决问题的主要方法,这时一定要就你的思维过程进行讨论。

改进:思考如何改进你现在的解决方案,让面试官知道你在做什么,为什么要这样做。

练习:最后应聘者要时刻谨记熟能生巧。模拟面试环节,自信说出你的答案,直到你能清晰而简明地讲述每一个故事。

看来,准备Google的面试是个时间活~除了技术能力需要过硬以外,单单面试时这20×3个问题的准备也得准备不少时间呢。

对了,已经应聘成功的Google工程师们还给你提了一些技术类问题的“备考”建议,听听老人言,助你面试一臂之力。

视频内容

对,有隐藏关卡!

应聘Google的方法只有内推、校招和发简历社招这三种?Naive,小看Google工程师的脑洞了,据多位大神在博客上透露,Google的应聘来源还有秘密渠道

如果Google捕捉到你在搜索某个特定的编程术语,可能就会有人邀请你申请这个职位。就有人能解锁这种隐藏关卡~

小哥Max Rosett曾遇到过一个有趣的故事。在用Google搜索“Python lambda函数列表解析”时,搜索界面分裂并向后折叠,一个方框弹出来写着“你在使用我们的语音”,还邀请他去挑战一下。

点击“挑战”后,页面跳转到一个叫“foo.bar”的页面,还会出现一道限时挑战题。连续攻破六道题后,foo.bar邀请这位挑战者提交个人信息。后来,就有招聘人员来要简历了。

这个foo.bar的地址如下:

https://www.google.com/foobar/

不过莫激动,没有得到Google的邀请这个网页还是没有办法注册的~

故事的最后给我们的启示,可能是多用Google搜索……

Google式“高考”

关于Google面试这事,其热度和难度无异于产业内的“高考”,千军万马过独木桥的景象又出现了。

这其中有个想进Google工作“励志哥”John Washam火了,这位小哥大学时修经济学,韩国当兵退伍后去教授英语,但对于代码和Google的渴望没有磨灭,他励志专门腾出八个月的时间全职准备Google面试,实现自己的目标!

“励志哥”John Washam

这是一场“苦行僧”式的修行,小哥曾三周攻读1000页的C++书,也在GitHub上收获了21000多个star,还做了1792张电子卡片方便复习……读书、写代码和听讲座的时间总共1000多个小时了。

励志哥的夏季阅读书单,只是准备过程中很小一部分

八个月的刻苦准备后,小哥……还是落选了,甚至连电话面试都没有就被直接拒绝了。

但努力总会有回报,被拒后的小哥目前就职于亚马逊。

Google虽好,也不能贪杯哦。

原文发布于微信公众号 - 量子位(QbitAI)

原文发表时间:2018-04-22

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

来自专栏灯塔大数据

塔荐 | 机器学习与人工智能学习资源大放送合集

? 我经常在 TopLanguage 讨论组上推荐一些书籍,也经常问里面的牛人们搜罗一些有关的资料,人工智能、机器学习、自然语言处理、知识发现(特别地,数据挖...

3407
来自专栏PPV课数据科学社区

“被打”和“北大” 的关联--- 趣味数据挖掘系列之一

作者:唐常杰 小时候喜欢读趣味数理化,所以久有一个小心愿,写一组趣味数据挖掘的科普博文。要把数据挖掘的一些概念讲得通俗有趣,需要好的例子,正搜寻中,一个...

3078
来自专栏新智元

AI换脸终结者问世!美国防部推首款AI侦测工具,“反换脸”精度99%!

【新智元导读】美国防部研发出了全球首款“反AI变脸刑侦检测工具”,专用于检测AI变脸/换脸造假技术。如今,以GAN为代表的AI换脸术盛行,相应的人脸检测识别技术...

2832
来自专栏机器之心

习惯arXiv的今天,我们的论文应该引用预印本吗?

选自fossilsandshit 作者:Jon Tennant 机器之心编译 参与:吴攀、李泽南 不久之前,ICLR 匿名评审的方式引起了争议,参见机器之心文...

4068
来自专栏磐创AI技术团队的专栏

资源 | 机器学习高质量数据集大合辑

在机器学习中,寻找数据集也是非常重要的一步。质量高或者相关性高的数据集对模型的训练是非常有帮助的。

944
来自专栏量子位

机器翻译简史:八十多年来,人类就是要再造一座通天塔

《圣经》中记载,人类曾经联合起来兴建能通往天堂的高塔,为了阻止人类的计划,上帝让人类说不同的语言,使人类相互之间不能沟通,计划因此失败,人类自此各散东西。

1082
来自专栏CDA数据分析师

《谁动了我的奶酪》中的粒子群算法

本文为作者郭飞原创,CDA数据分析师已获得授权 1、《谁动了我的奶酪》是讲啥的? 其实这本书是一碗上古的老鸡汤。 故事大概是这样的,有4个小生命,其中有两只老鼠...

2286
来自专栏机器之心

前沿 | 详解Microns项目:通过大脑逆向工程来创造通用人工智能

选自IEEE Spectrum 机器之心编译 参与:黄小天、晏奇、李亚洲 去年,美国高级情报研究计划署(Intelligence Advanced Resea...

3605
来自专栏AI2ML人工智能to机器学习

机器学习平台的优化器 (平台篇)

机器学习的开源平台越来越多了, 绝大部分平台都是牛人读博期间的产物 (所以大家一定要珍惜读博能做开发的日子)。 先说一下, 主流平台也分工业和研究, 大体这...

1190
来自专栏人工智能头条

干货 | 陪伴我学习NLP、知识图谱的那些资源(教程+书籍+网站+工具+论文...可以说很全面了)

【人工智能头条导读】作者一年前整理了这份关于 NLP 与知识图谱的参考资源,涵盖内容与形式也是非常丰富,接下来人工智能头条还会继续努力,分享更多更好的新资源给大...

4731

扫码关注云+社区

领取腾讯云代金券