本人学渣一枚，春招实习有幸过了几家大厂，在此期间在牛客网得到了很多帮助，也特意分享一下自己的经验，希望能帮助到有需要的人。

阿里：

阿里的面试周期最长，最初2月份参加预面试，到正式面试到收offer，经历了2个月。

• 一面：1h

  • 面试讲项目
  • 项目中为什么使用lightGBM，比起xgboost的优点是什么
  • 因果词向量的应用场景
  • tf多个变量如何共享权重
  • SGD min-SGD的区别
  • 对epcho做shuffle，类似于哪一种优化器
  • 介绍一下优化器
  • 什么情况下不适用动量优化器
  • WGAN，要保证梯度平滑，使动量优化器容易过拟合，防止梯度突变
  • 介绍一下生成任务的做法
  • 用auto-regression的模型
  • beam-search，如何在做生成任务的时候，生成多个结果并且保证结果的多样性
  • 非自回归的模型如何一次性生成整个句子
    1. 机器翻译的最新论文
  • 做后序遍历，判断一个数组是否满足后序遍历

• 二面：1h

  • 部门leader面

    主要问项目，项目难点在哪里

    介绍attention 和self.attention区别

    算法题目：

    1. 给定x种硬币，凑齐y元
    2. 给2种硬币，非均匀，计算正反面的概率，随机选1枚，抛100次
    3. ，重复1000次，如何计算2种硬币的概率

• 阿里3面（交叉面）：

  • lr模型的输入和输出分别是什么

  • lr对商品进行点击进行概率预测，输入需要做一些什么处理

  • Lr---对商品，估计商品点击的概率--预测

  • 什么情况下需要将连续特征离散化--- One-hot

  • lr按照分布需要将特征如何进行离散化

  • 树模型如何处理离散型特征

  • lr模型---根据做特征交叉，为什么

  • lr中如何缓解过拟合

  • 减轻特征工程的手段，--如何构建更多的特征

  • coding题目： 黑盒子，n是3的倍数个球，3种颜色，n个球排成一排，乱序 rgb

    • 只能只用两个api ：getcolour O（1） --获取指定位置的颜色 Swap： ij 交换位置

腾讯

• 第一次腾讯微信，一面挂：
  1. 自我介绍+询问简历内容
  2. 词向量的方法
  3. 正负样本不均衡的问题，如何解决
     1. 一种可行的方案是用拒绝推断
     2. 一种方案是用smote
  4. 介绍bert；bert如何使用transformer的encoding模块-bert的输入和transformer有什么不同
  5. bert有什么缺点
  6. XGboost和GBDT
  7. xgboost做树的分类的时候是怎么做的--
  8. 做过哪些nlp深度学习的任务
  9. 深度学习模型在训练过程中如何加速收敛
     1. 学习率/优化器（adam）/bach-normalzation/➕res+learn-rate
  10. 防止过拟合
  11. mse和交叉熵的区别----为什么用交叉熵
  12. 一对父母，已知一个人是男孩，另一个人是男孩的概率
  13. 给100亿个数据，怎么找到中位数
• pcg笔试--部门的笔试
• pgc一面：（30min）
  • 主要聊项目
• pcg二面：
  • 模型学习中，正负样本的训练方式不同有什么影响
  • 引入词向量的相似性对于结果有什么不好的影响
  • 面试题目：给两个球，求解最坏情况下走多少步（采用贪心的思想）
• pcg3面：（交叉面）
  • 主要问项目
  • 相似性匹配的常用算法
  • bert

头条

算法岗挂，后来大数据岗通过面试，主要在这边记录算法岗的面试经验

• 一面：

  1. 问了bert ，transformer
  2. 用梯度下降的思路求开根号
  3. 写交叉熵公式
  4. 防止过拟合的方法
  5. transformer的中的attention机制，其中self-attention和encoder-decoder attention之间的关系
  6. 最小二乘法的推导公式，最小二乘究竟是什么，和极大似然的关系
  7. 在词向量中很稀疏和出现未登录词，如何处理
  8. 线性和非线性存在什么关系之间的关系
  9. logistic和svm之间的区别---svm自带正则化
  10. 依存句法如何实现---涉及crf-序列标注

• 二轮面试

  1. 未通过，面试过程中沟通不顺利，面试官表现出不感兴趣

美团

• 一面二面同时：

• 主要针对项目细节进行询问

快手

nlp和风控工程师

• 一面：问项目，着重问了第一个项目
  • 然后两道算法题，bugfree
  • 问了batch-normalization和layer-normalization的区别，然后问在inference线上模型如何处理
  • FNN-中有没有隐层
  • inference-batch-nor---针对一条输入

• 二面：
  • position位置，信息
  • transformer为什么用+不用concat
  • Drop-- 实现方式上是否会有差别----train 和test上有什么区别
  • train会有一定概率抛弃，test会保留全部，train会除以概率
  • dropout 和L1 和l2是什么关系，有什么异同
  • 做题--两种方法实现

paypal

数据科学家岗位

• 一面二面同时：
  • 项目+场景题
  • 如何防止过拟合，dropout为什么可以防止过拟合
  • sql的题目
  • 具体问项目，问具体的实现策略
• 三面
  • 变量与target相关性的描述
  • 特征组合
  • 特征重要性判断
  • 模型好坏的评估
    • acc recall f1
  • 分数映射是否符合正态分布

微软

全程刷题

• 一面：
  • 刷题，两题，都是动态规划
• 二面：
  • 外国人（英文面）
  • 半个小时聊项目
  • 半个小时刷题

后记

因为我比较菜，所以很早就开始准备实习招聘，从2月份开始陆陆续续刷题，准备知识点，到三月4月开始面试。三月份前期面试屡战屡败，腾讯，头条都挂了，一度自闭，觉得实习找不到了。不过还是咬着牙准备，一边准备一边投。逐渐的开始找到了面试的状态，3月底的时候通过了微软的面试，后面就比较顺利的都通过了。现在回想起来，还是早准备早做打算，越早投hc越多，也能给自己更多的缓冲时间。实习招聘暂时就告一段落了，这就是我的全部经验分享，能给大家带来一些些帮助就再好不过了。咱们秋招再见～