面试百度的机器学习算法，也不过如此

本文已经收录至我的GitHub,欢迎大家踊跃star 和 issues。

https://github.com/midou-tech/articles

机器学习整体难度还是有点，不过这个岗位真的是很香，钱多，发展空间足未来可期啊。

本篇文章面经是三位大佬面试百度机器学习岗位的面试题，其中两位已经拿到offer，赶紧复习起来，下一个offer就是我。

更多的面经和内推信息，请微信搜索 龙跃十二 即可获取。

一面

• 询问简历上做过的项目，以及项目细节
• 算法题：
• 二叉树中序遍历（要非递归解法）
• 两个有序链表的归并。
• 快排
• lstm 详细讲讲解
• attetion 机制
• 混淆矩阵，F1等计算
• n个人进餐馆，都把帽子挂在门口，走的时候随手拿一顶，问拿到帽子恰好是自己的人数的期望
• ML 与 DL比较
• 实习的一些问题

二面

• 算法题：返回二叉树中路径和为某一值的所有路径、反转句子中单词顺序

• 区块链比赛和专利

• 我惊了个呆，大佬竟然还了解区块链，准确指出了我的区块链项目和专利的不靠谱处（我也知道啊，所以我转ML了啊）

• 项目

• 这个就随便聊了聊

• AUC计算

• 很奇怪，我面试后看了看发现给出的是正确方法，但是面试官说不对。。。

• 进程和线程是为什么被提出的

• 线程间如何通信

• 快排复杂度的证明

• 特征筛选方法

三面

• 基础数据结构和算法有哪些
• 是的你没猜错，我把课本罗列了一下，顺序表 链表 哈希表 树系列 图系列，选择插入冒泡希尔堆快速基数外部排序，就过了。。。
• 推荐类算法比较
• 机器学习算法比较
• 聊了聊区块链

已经拿到offer

这是下一位同学的面经

一面

• 聊项目，聊的非常细，我的项目就是比赛，面试官甚至问了我提分的过程，一开始多少分，做了哪些工作之后升到了多少分之类的；

• 跟过拟合有关的一些问题，详细的内容已经记不清了；

• 聊xgboost；

• 聊deepFM；

• 项目中用到了LSTM，为什么可以用LSTM，它的主要用处是什么，以及LSTM的梯度消失问题；

• 算法题：二叉树中的最长路径；

• 算法题：x的平方根。

  二面：

• 聊项目；

• 聊GBDT；

• 算法题：二分查找；

• 算法题：最大堆的插入；

• 聊deepFM；

• 不定长文本数据如何输入deepFM，如果不截断补齐又该如何输入；

• 项目中为什么使用LSTM；

• 项目中整个过程中都做过哪些优化。

  三面：

• n个数中等概率抽取m个数。

  三面就问了一道概率题，剩下的基本上是聊天。 总的来说面试难度不高，感觉也是我运气好吧。

这是下一位同学的面经

一面

• 给一个数组，数组的数字代表股票价格，求一次买卖的最大股票收益
• 1-n的全排列
• lstm是什么的升级？解决了什么问题？
• 讲一讲各种激活函数
• attetion 机制
• embedding的深层含义是什么
• c 的const字段有什么意义
• RF和GBDT的区别
• 为什么GBDT可以提高准确率
• 矩阵分解

二面

• 自我介绍
• 讲区块链
• 区块链中51%攻击的经济学原理
• 求树两个节点的最低公共祖先
• 讲kaggle比赛
• xgboost比gbdt的优化都有哪些
• 为什么xgboost要求二阶导数
• 泰勒展开逼近残差，二阶比一阶精度高
• 通用性，所有二阶可导的loss function都可以用
• 有些函数梯度在一阶上变化小，二阶变化大，参考牛顿法
• 为什么gbdt没有正则
• 讲项目
• 计算一下项目中DNN的参数个数
• gbdt与lr区别
• 集成为什么会提高效果
• l1 l2正则
• xgb lgb调参怎么选参数
• 贪婪搜索呗？面试官觉得不行？难道是贝叶斯参数优化？
• 怎么样在没有得到未来数据的情况下提高模型对未来预测的效果
• 讲道理我觉得这个问的非常扯淡，不就是泛化性，然后我说了一些降低方差的方法，面试官说是对未来预测的准确性，没有get到他的点，最后被说对算法的追求不够。。。。

更多的面经和内推信息，请微信搜索 龙跃十二 即可获取。