从零基础到斩获BAT算法岗offer，围观复旦大佬的秋招之路

作者：原果

原文链接：https://github.com/zslomo/2019-Autumn-recruitment-experience

本文作者是一位复旦大佬，这篇文章的内容都来自于他的GitHub，具体见上面这个仓库链接，里面包括了他的面试总结、心路历程，以及算法岗的学习指南等内容，可以说是非常用心的一个算法岗秋招指南了，大家可以关注一下。下面正文开始！

2019年秋招计算机类面经

本菜鸡是上海东北某高校的计算机硕士，18年初自学机器学习，秋招之前在蚂蚁金服花呗实习，做营销推荐。

现offer情况详见表格，这个水平在学院排中等偏下?（非自黑），17 18的学弟学妹可以作为参考。

本repo会实时更新本菜鸡和大佬们的面经，希望在秋招的路上能帮到大家???！

秋招情况简述

投递方面，今年秋招算法岗聚堆，每个公司简历基本50%以上都是算法岗，有的甚至80%，竞争比较激烈，相对应的开发岗位比较缺。但并不代表着拿到算法岗就比拿到开发岗强，我也不知道很多做算法的对开发同学的蜜汁优越感从哪来的?。

薪酬方面，今年全线提高?，去年的薪资在25-35w之间，今年在30-50w之间，算法岗部分公司会比开发高1-3k，比如网易阿里；另一部分公司持平，比如腾讯头条。大厂薪资平均比小厂要低，尤其是yy pdd yitu等薪资非常高，BAT中腾讯最高，阿里次之，百度最低，具体薪资可以参考offershow?。一般薪水会分三档，普通/sp/ssp。但也有分的更细的，比如爱奇艺和pdd，pdd据我所知有6档，所以我也不知道我的offer算不算sp；也有少的，比如阿里；也有加个劝退档的，就是比绝大多数低。每档之间差价一般每月在2、3k左右，sp以上可能有股票和期权。ssp一般没有固定薪资，能力高的有多少给多少，尤其某些AI厂，超乎你的想象。所有的公司都可以argue薪资，所有的，BAT也可以，但一定要有竞品，一般都有提升空间。也有HR直接说不给谈的?，不知道什么意思。

不要跪舔大厂，无论是薪资还是成长上，小厂很多比大厂强，最重要的是技术。个人认为：大厂核心>小厂核心>大厂一般组>小厂一般组，另外只谈理想不给钱的行为都是耍流氓。   最后很重要的忠告，一定要多投，一定不要因为实习可以转正就放弃其他机会，也一定不要因为小公司而不屑一顾，世界变化很大，外面很精彩。

现有的面经：

? 代表SP 或比白菜高2k及以上（并不是所有公司都是3档）

? 代表待定，未出结果

? 代表白菜

? 代表挂

机器学习资料准备以及自学方法

1 资料、课程

人工智能太火了，资料特别多，但是鱼龙混杂，实际上经典的课程资料 paper就足够

吴恩达系列

吴恩达老师真乃人工智能届的孔夫子，在这个水平上还能致力于基础教学和入门推广功德无量啊，吴老师的课讲的也是真的好。

CS229，强推?，Stanford的公开课，网易云课堂有2008年的课件和讲义，我就是对着这个学的，打印讲义一点点对着推吧。

Coursera Machine Learning，Coursera的课比较基础，其实有了CS229就不推荐看这个了。 DeepLearning.ai，也是偏基础的课程，不过还是很值得看，对传统机器学习、CV、NLP都有一个不是很深入的讲解，作为入门很棒。

Machine Learning Yearning，这本书也是偏基础，工程向，讲了实际工程项目中调参等等东西，我学的时候只出了前几章，后面没有看过。

李沐 动手学深度学习系列

动手学深度学习，强推?，非常好的课程，李沐是机器学习的大家，在分布式机器学习领域非常有建树，除了广为人知的mxnet，还有parameter server，这里就不展开说了。李沐的课程是将门斗鱼的直播，都录了下来，在网站上还有配套的代码讲解和书籍，唯一美中不足是基于gluon，这个稍微冷门一些。

莫凡系列

莫凡python，怎么说呢，比起其他课程还是逊色不少，不过讲的很基础，而且是不多的讲解RL的中文课程。

其他公开课

CS231N，强推?，stanford公开课之二,李飞飞的cv实验室出品，讲师是大名鼎鼎的Justin Johnson，虽然是讲CV，但对DeepLearning的基础也讲的非常详细，cs229是最好的ML课程，cs231n是最好的DL课程。

附加：算法导论 6.046J，大名鼎鼎的MIT算法导论公开课，虽然不是ML/DL向，但是基础算法还是要会的，毕竟算法工程师首先是工程师，课程较难，很多名校本科上过这门课，大部分没有上过，还是有必要抽空看看的

2 书籍

《CS229讲义》，为啥把这个单独拿出来说呢，因为这个讲义真的就是一本书，有详细的推导过程，并且很多同学看公开课会忽略讲义，一定注意。

《统计学习方法》 李航，机器学习最常用的书，人称小蓝书，其实这本书不适合入门，里面很多推导晦涩难懂，但是讲的很详细。有些地方的推导方式和写作习惯跟吴恩达不一样，所以两个一起看有时候会很迷。

《机器学习》 周志华，人称西瓜书，不仅封面是西瓜，里面的例子也全是西瓜。难度比《统计学习方法》简单不少，还有各种西瓜例子，入门首选。

3 项目

其实这块是最难的，因为自学，实验室也没有项目，实习没有基础也难找，尤其我年初自学，3月份就开始暑期实习招聘，再找一个实习肯定来不及，好在我们有kaggle！

kaggle，强推kaggle！！！！? ? ?

在开始kaggle之前，请看看Kaggle的三个Getting Started比赛，分别是手写识别（CV），泰坦尼克预测（分类），房价预测（回归），这三个比赛就是教学比赛，kernel和discuss版块有大量的教学，好几个会长篇讲如何基本的使用DNN、xgb、lgb、sklearn这些工具，和如何开始做机器学习。

当你开始打featured的比赛的时候，有一点要明确，去打比赛不是为了赢，你是个没有基础的初学者，很可能也没有队友，只能solo，想拿名次就算了，打kaggle的目的是为了学习，为什么选kaggle不选天池或其他比赛呢？因为kaggle的氛围非常非常open，讨论区和kernel区一定会有人给出自己的完整思路和代码，不仅有base model，还有各种有用的数据处理代码，甚至很常见到前10的队伍公开自己的思路甚至代码！这是其他比赛不具备的，你可以在看别人代码，改进自己代码中成长。

4 积累

这是自学最欠缺的，没有积累，尤其是科研积累，没有人带自己想搞出一篇工作就免了吧，但是熟读某个方向的paper，对该方向有深入了解是必须的，如果仅仅是达到见过或者会用的程度，肯定拿不到offer的。具体的积累看是什么方向，github上有很多repo是经典paper集合比如这个repo，可以对照着看，也要关注该领域顶会每年的文章，还有就是对自己项目中用到的model、方法的相关工作要熟读。

5 计划

时间紧迫，给自己定一个清晰的计划还是很重要的，笔者自己是打印了一份日历，然后把暑期实习、秋招等关键时间点和自己计划完成的deadline日期做上标记，每天干过的事情标在当天的日期上，然后划掉这一天，每天看着时间会有紧迫感促进你学习。

6 老师

自学没有老师，但俗话说三人行必有我师，周围相关方向的同学，该请教就请教，有些东西自己搞是搞不出来的，但会的同学随便点你一下这块就过去了。记得请教过你的大佬吃饭。

面试经验总结

• 缘分很重要?。
• 编程能力很重要。
• 基础很重要。
• 面试有套路，常问的问题和面试官的面法都差不多，想去的公司千万不要第一个去，套路不懂的时候去大概率挂。
• 不要怼面试官，即使他错了，委婉的说出你的想法和面试官的错误，不止我一个这样挂了。
• 面试过不过不一定是你实力强不强，有可能是就没有HC了。
• 不要硬怼热门方向，今年某厂和某厂和某厂AI部门几千人投简历，HC 10个，不是找死。
• 尽量把面试官往你熟悉的地方带，如果反了，可能悲剧。
• 面试过的问题全记下来，大概率重复。
• 刷过的题一定记住了，一看题刷过，最优解忘了是很悲催的，我面试的遇到算法题读研期间都做过，但是就有两道想不起来最优解法了。
• 控制时间，控制时间，面试时长是有限制的，算法题一般最后出，前面吹太high后面算法题只剩几分钟时间写就GG了。
• 算法题和概率、智力题都是可以求tips的，解不出来可以问一问，这个没问题的，面试官的提示下解出来可能给80分，不要提示，自己又没有好解法可能就20分。

机器学习算法岗秋招准备

秋招是个大而全的考试，虽然套路差不多，但每个公司都有自己的风格和侧重点，想要变成收割机，你必须深谙这一点，并做好充分的准备。

本文可能会更大程度的站在一个没有paper并且偏重推荐、机器学习的角度讲，对于研究岗或者深度学习的岗位帮助可能不大。

自己的准备当然是重中之重，知识技术、定位规划、心理心态都要做好，当然技术是最重要的一环，但一定不能忽略了其他方面，没有短板有长处，把自己包装成一个特点突出的木桶才能神挡杀神佛挡杀佛。

技术

计算机基础

重要程度：⭐️⭐️

本部分大多出现在笔试中，面试中也略有出现。

计算机基础虽然不是重点，但是很容易被忽略掉的内容，一来是本科学的课程，研究生早忘光了；二来很多同学觉得我是搞算法的，这些不是开发问的问题么？殊不知计算机基础是非常重要的部分，算法工程师首先要是一个工程师，对计算机不够了解怎么做出更鲁棒的网络结构，怎么能提高计算效率？

这部分主要是4门最重要的基础课和对linux操作部分：计算机网络、操作系统、组成原理、数据结构。网络和操作系统是非常常问的学科。

其中最常问的是操作系统，参考书目：《操作系统概念》就是恐龙书啦。内核、进程、线程、调度算法、死锁等等都是常问问题。

计算机网络，参考书目《计算机网络》，其中TCP协议、还有拥塞控制都被问过。

组成原理，参考书目《计算机组成与设计 硬件/软件接口》，比较少见吧。

数据结构，参考书目《算法导论》，求复杂度，红黑树、B+树的一些结构和优点，有些跟算法题一起考察了，也不太分得清，求算法复杂度是最重要的部分，主定理背一背就搞定。

Linux操作，参考书目《鸟哥的linux私房菜》，讲真问的还挺多，不过都是基本操作，比如查找啊，几千条数据的移动啊之类。

编程语言

重要程度：⭐️⭐️⭐️

本部分笔试中非常常见，面试中也比较常见。

公司都会对语言有要求，再次强调，不要以为自己是算法岗就可以忽略语言和计算机基础部分。一般来说，根据公司和业务的不同对语言的要求也不一样，很多是会一种即可，不过对口是最好的嘛，比如腾讯是c++，阿里是java，百度是c++，其他大部分是java，python一般都要求，阿里有些还要求sql，毕竟在阿里，算法工程师 = sql工程师（开个玩笑）。

C++，参考书《c++ primer》当字典书吧，常见问题：多态、虚函数，指针、函数指针，指针函数，宏和内联，内存分配类问题。

Java，参考书...算了我觉得java没有参考书，笔者是个野路子出身，直接看了spring框架就杠杠造了，java方面面试没有问过，并不是很懂。

Python，没有参考书，人生苦短，请看文档。修饰符、多线程等基础问题，还有numpy、pandas的一些问题，这里其实还涉及到常用的深度学习框架，TF最多吧，笔者基本没有被问到，有的同学被问过，网上可以看看他们的面经。

数学

重要程度：⭐️⭐️⭐️⭐️

本部分笔试中非常常见，面试中也比较常见。

机器学习的知识说白了无非就是数学，但这里的数学特指面试官会单独问的一些数学知识。讲真啊，无论是笔试还是面试，笔者感觉自己总会碰到几道线代、概率、统计或者高数题。

尤其是概率题，几乎必考，大多是古典概型，什么不外乎摸球、抽牌求概率之类，有些需要算一算，有些可以直接往统计分布上靠，比如百度的一道面试题：n个人进餐馆吃饭，把帽子放在衣架上，走的时候随机拿一顶，问拿到属于自己帽子的人数量的期望，你要用排列组合算也可以算，但是往二项分布上想可以直接得到答案：每个人拿对概率是p= 1/n，期望不就是E_x=np=1嘛。

统计考察的也很多，毕竟传统机器学习就是统计，常用的分布，性质，变换清楚熟记就可以。还有一种题也很常见，就是给你某个概率1/n的随机数生成器让你求一个概率1/m的生成器，算法导论课后有类似的题，其实套路都一样，就是扔掉重来，比如给你一个均匀的正4面体，给出一个方案，得到每个数概率为1/7的随机数生成器，4<7<16，那就投两次，随便选7种排列，其他全部重新投就ok了。

线代部分主要还是跟着机器学习知识一起考的，比如PCA SVD神马的。

高数比较少，旷世的笔试题有很多这方面的考题，其他考的较少。

算法题

重要程度：⭐️⭐️⭐️⭐️⭐️

很多笔试只有算法题，面试几乎必考 算法题最重要的两部分之一，即使是研究岗，写好代码也很重要。很多公司面试只有这部分考察，比如ms google，很多公司作为最大重点，比如头条、滴滴，可以说，你可以没有项目经验没有paper没有实习，但你不能不会编程。

这部分很难讲，因为不同公司的偏重不一样，难度差别也很大，甚至说同一个公司不同部门，差别都很大。难度最大的是google， 非OI和ACM选手连笔试都很难通过，头条、滴滴、依图、MS难度是leetcode mid +少量hard难度，其他公司一般是mid或者easy-mid。

不过好在算法题可以刷题突击，而且有一个很明显的现象：面试难度<<笔试难度，其实非常好理解，笔试是在线oj，机器判卷，直接比对case的结果就好。但是面试要肉眼debug，这就难得多，而且很多题有多种不同解法，面试官自己也不是很懂，自己只会一种解法。如果出一道难题，没有很深功力的面试官你给出一个不同解法他短时间很难判断对错。于是乎，除了上面提到的几家公司，绝大部份的面试官都只在现场出一些经典问题，比如百度系的巨喜欢问树的深度、公共父节点、最大路径等二叉树经典题的各种变种。然而经典代表着网上解法到处都是，代表着即使不刷题，刷刷面经也可以搞定。

笔试一般是1.5-2个小时做3-5道题，难度一般是几道mid一道hard，时间很紧迫，思路正确但是怎么写都不对是常有的事。所以能提前批尽量提前批，能学长部门内推，尽量部门内推，笔试过了，算法题这部分你就成功了一半。

算法题准备最主要的是刷题，这个跟数学考试一样的，需要灵感也需要手感，很多题看似不一样，解法也不同，但大多都是一个套路，比如DP啊、DFS啊、递增栈啊，能够抓住题的考察点，接下来就是实现问题了。这个时候手感就很重要，规定时间内写对并不是件容易的事，笔者前几个公司的笔试题就因为2年没刷题没有手感，做的稀烂。刷题的网站很多，最推荐的是leetcode，好处是题多；牛客也不错，而且还有企业真题，但是很奇怪，有些企业的真题跟笔试实际做的题不太一样。另外看书的话，《剑指offer》还是非常推荐，你可能觉得这些题都考烂了，不过别笔试，今年考的还是这些题，面试官很忙的，很多永远都是老三样。

算法题的另一个准备方法，可以说是性价比最高的准备方法就是：看面经，前面说过，面试官很忙的，大部分公司并没有为了秋招单独准备题库，所以面试官考来考去都是那些题，比如同一个岗位，昨天问的问题基本就是今天要问的问题，疯狂搜面经吧，撞原题概率非常大。

机器学习知识

重要程度：⭐️⭐️⭐️⭐️⭐️

算法工程师啊，最重要的当然是你的算法能力，其实这个突击不来，很靠积累。很多东西看得多了才能融会贯通，这点好实验室，本方向出身的同学会有极大的优势，如果还有一两篇不错的工作，那你就是ssp收割机，甚至可以不需要算法题能力，笔者周围就有算法题一个不答都进大牛组的同学，没办法，积累足够深嘛。但半路出家也不是完全没有机会，这部分笔者就结合自己的自学经历讲一讲，这里主要讲机器学习常见问题：

1 逻辑回归&交叉熵（重点）LR真的是经久不衰啊，其实能问的地方好多好多，关于sigmoid函数其实可以从指数函数族的角度推导推导，然后就是交叉熵啦，最基本的就是从极大似然角度推导交叉熵。LR的基础推导看这里 。

2 GBDT系列（重点）机器学习的话，gbdt肯定是重中之重了，跟LR一样是最最最常见的问题，工业界应用也很多，打比赛就不用说，xgb lgb是历届kaggle的两把快刀。

其实gbdt没有太多可说的，无非是boosting思想啊，为啥用负梯度啊之类。重点是在lgb和xgb对传统gbdt的优化上，这部分内容很多，这个博客做了一些总结，但我觉得还是看原始paper和源码比较好。具体就不展开说了。

3 SVM

这玩意貌似去年很火？说实话啊，我没怎么见过哪里用SVM，好像就RCNN用过SVM当分类器，后来就换成了softmax，我的面试也没人问过，曾经看了好久，后来忘了还很忐忑，结果却是没有被问到。推导 @靠靠靠谱 的回答

4 RF&bagging

随机森林本身没啥东西，不过bagging的思想倒是非常有用，比赛中常用的降低过拟合方案，简单来说就是选xgb中偏差低方差高的模型，做bagging，效果非常显著。再有一点就是RF可以用oob做特征选择，效果也不错。

5 决策树

怎么说呢，问的也比较少了，就是三种树，ID3，C4.5，CART，区别和剪枝记一记。

6 特征选择方法（重点）

特征选择是模型预处理的重要部分。方法很多：方差、相关系数、卡方检验、互信息、递归特征消除、基于惩罚的方法、树模型方法、单特征AUC、IV。

7 采样方法

主要有过采样和欠采样。

过采样：Smote方法及各种变种

欠采样：ensemble、nearMiss、Tomeklink、ENN

还有复杂分布的采样会用到MCMC。

8 聚类方法

也没多少，经典的就是：k-means、k-means++、meanshift、DBSCAN、EM聚类、层次聚类。

9 评估指标（重点）

精准率、召回率、ACC、AUC、F1、KS、熵系列、信息增益、CTR、CVR、MSE系列。其中AUC是重点中的重点，被问了好多次，而且很细节，包括本质意义、计算方法等等，注意AUC是有两种计算方法的，这里有介绍。

10 过拟合（重点）

起因基本不太会考，解决方法就多了，降低模型复杂程度啊，dropout啊、bagging、正则、earlystop，数据增强、交叉验证。Dropout本质也是个bagging。

11 batch normalization

这个问题下的回答很有价值 ，BN问的还挺多的。

12 梯度弥散/爆炸，怎么解决

改激活函数啊，BN啊，想lstm一样把*变+啊，加恒等映射的跳跃层啊，都可以。没有太好的文章，看看这篇讲resnet的吧。

13 激活函数，比较

sigmod tanh relu maxout... 好多，这个随便一搜就一堆，放一个不太切题的文章吧，我偶像何之源奆佬的回答，手动滑稽

14 优化方法（重点） 这就很多了，梯度下降系列、牛顿法系列，还有传统的模拟退火、遗传算法。牛顿法这回问的很多，不知道为啥。lan大神的花书讲的就很好，梯度下降的可以看这个 。这里要注意，有些面试官会让你实操，就比如给你一个方程，让你用梯度下降求解。

15 各种网络结构&模型（重点）

这个就太多了，CNN RNN就一堆，推荐的也是一堆，基本的DNN CNN RNN的forward和backprob都要熟悉，然后lstm、gru、attention也要会，还有各种encoder-decoder结构，这个就看积累了。 推荐部分有自己的一些模型，比如FM系列，lookalike、协同过滤之类的非深度学习模型，后面的W&D为首的融合模型也是搭积木。

项目

这块是很重点的部分，面试的大部分时间都是在聊你的项目，所以，写在简历上的项目一定要保证自己能说的头头是道，怎么做的，为什么这么做，最后的效果如何。还要把这样做的原因想清楚，面试官一定会找漏洞challenge你，一旦被问住了那就不好办了。

心态

人是感性动物，会随着自己的境遇和周围人的改变而受到极大影响。好的心态会帮助你超常发挥；差的心态可能直接导致秋招的失败。笔者在秋招的过程中就经历了大起大落，好在及时调整，否则肯定拿不到心仪的offer。

虽然这只能靠自己，但是有一个很重要的地方就是：不要主动打听别人的offer，我所见过的心态崩溃，几乎都是因为与别人比较：周围同学/朋友有offer自己没有，别人薪资高自己低。其实可能只是时候没到，我有个同学十一前0 offer，心情很崩溃，十一后迅速接到多个offfer call，最终拿到周围同学中薪资数一数二的工作。所以不是没offer，只是时候没到，不要瞎打听，相信自己的能力。

定位&规划

GM面或者HR面一般就不聊技术了，然而GM权利却比前几个面试官大的多，可以直接决定你的生死，所以技术之外，个人的定位规划、对公司的理解、愿景就很重要了，自我剖析、个人定位，这些往往是终面这个级别的大佬们所看重的。

总结

总之呢，秋招就是一次斗智斗勇，不仅要自己充分武装，还要清晰的了解你的“对手”，希望笔者的总结可以给大家一定的帮助，在明年的秋招厮杀中收获满满！