阿里还有HR面，杉数Offer, 也求比较（HR面请不要挂我）
美国乡村大学PhD一枚，疫情期间希望能回国实习，拒了美国公司的offer，报效祖国啦~~~运筹优化方向，论坛上的面经其实帮助很大，但是没有看到很多运筹的，回馈一下
腾讯
一面挂，似乎是数据挖掘岗，投的时候还特地看了一下是不是可能偏运筹，结果面试的时候发现完全不是。没面完就知道不合适了，和面试官直接说了感谢。
杉数
1.一面
杉数一面面试官超级赞！真的超级赞！彬彬有礼，逻辑清晰，理论扎实，行业经验丰富。。。哎，不能更赞，以为我是全职面试，交流了很多
- 沟通项目 （把简历上的三个项目全部详细的问了一遍，一个随机优化的，一个排队论加排班的，一个MIP和博弈的）
- 为什么用随机优化，Bender分解方法的特点，为什么不用列生成，single cut/multiple cut的不同，regularize和level的不同，用什么solver的，问题规模有多大，求解了多长时间
- 怎么做simulation，如果有一个完整的工业咨询项目流程应该是怎么样的，需要考虑哪些
- 如果model中的某些数据得不到，用什么方法弥补（回答了随机优化，鲁棒优化，SAA sampling，但是似乎不是这个意思）
- 零散的小点，ML和OR的结合，面试官分享了一下对于各类求解器的看法，Gurobi和ORtools主要，问了有没有写过java和c++，如果有的话加分（可惜在学校基本写python）
2.二面
两个面试官一起面的，一个是工程师，一个是leader感觉，leader算是大佬吧，具体不多说
- 聊项目，OR面试聊项目很多很细，可能比较注重实际经验？
- 项目中ML的部分，如何确定变量，如何评判好坏，如何和OR模型结合起来
- SDDP的方法和求解经验
- 介绍随机优化方法，为什么使用这个方法，在过程中需要注意一些什么
总的来说杉数的面试比较随性，可能算是日常实习吧，也没代码测试或者其他的，不过对于项目问的很细，本来以为会很很多基础知识，还把各种programming复习了一遍。拿到了offer，但是因为知道是面实习之后没有进行三面，失去了和王教授沟通的机会，难受，毕业前可以去一趟明尼苏达。。。
阿里
0.笔试,测评
和其他技术岗一样吧，其实算法笔试真的是这次找实习的最大坑，也怪自己准备不足，平时没有这方面的训练，临时刷了200道leetcode吧，还是捉襟见肘。算法博大精深，和OR建模求解还是不一样的，以后要加强这方面的锻炼
1.一面
和几个部门都沟通过，最后本着先到先得的原则就点了最开始的那个（新零售相关），其实还有阿里云，蚂蚁，菜鸟等等，果然还是阿里大呀，运筹优化的需求多
- 过简历，问项目，问随机优化方法
- 面试官说了好多次问一个基础知识，结果都忘了问了。。。我数次拿起笔准备推一下
- 其他的忘了。。sorry
2.二面
- 过项目
- 为什么采用随机优化方法，在过程中怎么和项目方沟通的
- ML是怎么和优化方法结合在一起的
- 找零问题，贪心和动态规划
3.交叉面
交叉面上来第一句：OR的东西前面应该问完了，我就不问了，我来测测你的技术宽度。。。心态崩了
（这里说一下，运筹优化其实和ML是不太一样的，特别是OR方向的同学，其实基本是不接触ML的（至少我是的），所以ML实际操作经验少，理论浅，平时想做老板不让，归根到底是自己菜了，哎，之前没找过实习，感觉么有认识到业界对于ML的热爱，错了错了，回去补）
- LR模型的数学推导，懵
- 对于LR中的数值型变量需要做什么处理，答：归一化，问:还有呢，懵
- one hot encoding是什么，答：了解，问：有什么好处，可以不做么，答：不做categorical变量进不了模型啊，估计面试官是懵的
- 有没有做过特征工程，对于淘宝商品推荐有没有理解， 懵
- 算法题，三色球排序，RGBRGBRGB。。。。先和我聊了一下思路，说了半天我都没有被点醒，我在一个劲说O(nlogn)的算法，最后被提醒了一个O(n)的算法，代码写的稀碎，半夜惊醒改错气道流鼻血
综上，在ML，DL，CV，NLP大热的今天，即使你是做OR的同学，也是需要了解，甚至是精通这些技术的，即使上过课，有过小项目，面试之前也是要突击复习和强化的。反而是OR的理论，可能因为相对来说晦涩一点在面试的时候考的真不多（我也希望会有手推KKT，Lagrangian dual之类的啊.....），我记得杉数面试官说的很对：OR的圈子很小，算法很复杂，有时候业界可能真的只用MILP和启发式而已，所以如果是一个找工作的视角而不是搞学术研究的视角，真的是要多加强一下算法题，传统机器学习这类技能吧。
最后希望大家都面试顺利，有运筹优化的同学也可以交流一下，虽然我们是众多ML/DL算法工程师中的弱势群体，但是我喜欢，哈哈哈哈哈哈哈哈哈。。。。
全部评论
(11) 回帖