背景相关：

硕士澳洲八大，IT。本科末流985，非IT。硕士因为跨专业，学的是Course Work，期间运气比较好，有机会和几位老师一起做了几项ML相关的项目，因此毕业后找的工作都是算法相关的，希望能够帮助到正在找工作的小伙伴。

面经：

无论面试通过与否，都十分感谢在面试中遇到过的每一位面试官及HR小姐姐。

大多数的面试官都非常nice，都在有意的引导我回答出正确答案。

感觉面试比较玄学，面试过与不过，主要取决于基础知识，除此之外也取决于眼缘。

腾讯算法（一面挂）：

一面：

1. 自我介绍

2. 项目细扣

3. LSTM与RNN的区别

4. 梯度消失/爆炸产生原因

5. 梯度消失解决方法

6. 梯度爆炸解决方法

7. Word2vec方法有哪些/区别

8. 集成学习了解吗

9. XGBOOST/GBDT简单介绍，区别

无手撕

字节跳动算法（三面挂）：

一面：

1. CNN中感受野/权值共享

2. Resnet理解

3. Resnet相比全连接什么区别

4. Alexnet/VGG/Densenet/Googlenet

5. 什么是梯度消失/爆炸

6. RNN/LSTM解释

7. LSTM怎么缓解梯度消失/Resnet怎么缓解梯度消失

8. 有什么方法能解决梯度消失

9. 集成学习

10. XGBOOST理解

手撕两道：

1. Two sum

2. 最长公共子序列（理解成子串-子串手撕一遍，子序列在子串基础上修改）

二面：

1. 自我介绍

2. 项目细扣

3. 如何避免过拟合

4. LSTM理解

5. XGBOOST理解/损失函数/正则怎么算

6. XGBOOST与GBDT对比/ Random Forest理解/Boosting与Bagging对比

7. 为什么XGBOOST在大赛上表现很好/与GBDT相比优势

手撕两道：

1. 岛屿问题

2. 编辑距离

三面：

1. 自我介绍

2. TCP哪一层

3. HTTP/HTTPS区别

4. HTTPS为什么Security

5. 线程与进程

6. 锁/悲观锁乐观锁

手撕一道：

1. LC Hard。题目忘记了，只记得dfs+dp，撕了20多分钟才撕出来。

360算法：

一面：

1. 自我介绍

2. 项目细扣

3. 特征工程

4. Precision/Recall/F-score/ROC/AUC

5. AUC计算

6. 项目为什么选用AUC和F-score，为什么不选用Recall

7. LSTM与RNN的区别

8. 梯度消失/爆炸的原因及解决方法

9. word2vec方法介绍

10. Transformer了解吗/Bert了解吗

11. 除了神经网络，传统的机器学习算法了解吗

12. Boosting和Bagging区别

13. 简单介绍下XGBOOST/GBDT

14. XGBOOST和GBDT区别

15. SVM/SVM核函数

无手撕

二面：

1. 自我介绍

2. 项目细扣

3. Precision/Recall/F-score/ROC/AUC

4. LSTM与RNN

5. CNN中怎么做的卷积/卷积的优势/卷积之后接什么层/为什么做pooling/都有哪些pooling

6. 卷积层/Pooling层（mean/max）的反向传播

7. 卷积层参数量计算

8. 梯度消失/解决方法

9. Resnet

10. XGBOOST/GBDT/SVM/RF

11. 特征工程

12. 学过什么课/看了下成绩单

13. MapReduce/Spark/Hive

14. Mit6.824

手撕一道：

1. 记不太清了，没有Hard那么费劲，应该是Medium/Easy难度。

HR面：

1. 自我介绍

2. 跨专业/Gap一年干什么了

3. 爱好等个人问题

4. 城市选择

5. 部门选择理由

6. 期望薪资

7. 入职时间

华为硬件研究院算法（一面挂）：

一面：

1. 自我介绍

2. 部门介绍

3. 岗位不太相符/为什么选择

4. 各基本算法理解/时间空间复杂度

5. 口述链表翻转

手撕两道：

1. 二分

2. 堆排序

东芝语音识别算法：

一面：

1. 自我介绍

2. CNN/RNN/LSTM理解

3. SVM/RF理解

4. Precision/Recall/F-scor/ROC/AUC

5. 语音识别算法

6. 特征工程

无手撕

笔试：

1. 前四道题都不难，LC Easy难度

2. Python Keras 搭一个基本的CNN

二面（全程英文）：

1. 自我介绍

2. 为什么选择东芝

3. 澳洲生活

4. 入职时间

花椒直播算法：

一面：

1. 自我介绍

2. 项目细扣

3. 激活函数/比较

4. RNN理解

5. LSTM门控/作用/各门的激活函数选择原因

6. SGD/BGD/momentum/Adam对比

7. Adam优点

8. Resnet理解

9. CNN各种模块/名词解释

10. 梯度消失/爆炸的原因/缓解方法/解决方法

11. 常用的语言/库/tensorflow-Keras/Theano/Pytorch

12. 卷积层/Pooling层/dense层细扣

13. 集成学习/Boosting/Bagging

14. XGBOOST/GBDT/Random Forest

15. XGBOOST的损失函数

16. XGBOOST怎么避免过拟合/ XGBOOST正则

17. 随机森林的随机性体现在哪儿

18. LR/SVM理解

19. SVM核函数/作用

20. Wrangling/项目Wrangling解释

无手撕

二面（相当帅的一个小哥哥/眼睛带笑）：

1. 自我介绍

2. 项目细扣

3. Word2vec理解/CBOW和Skip-gram对比

4. Bert

5. SVM理解/手推（太久没看了没推出来）

6. LR手推

7. XGBOOST/GBDT/Random Forest

8. 各模型参数解释/不同场合不同参数的影响

9. RNN/LSTM理解/对比

10. LSTM的方向传播

11. Kaggle比赛中LSTM及GRU的选择

12. CNN细扣

手撕一道：

1. 二分

2. 记不太清了，LC Medium难度

Boss直聘算法：

一面（面试官小姐姐很好看）：

1. 自我介绍等

2. 项目细扣/各种参数/方法/架构等设置及原因（非常非常细）

3. 主要是关于大数据方面的考核，这方面并不擅长。

手撕一道：

1. 大数据相关的题

面试官小姐姐非常非常nice。大数据并不擅长，小姐姐一直在引导我，人也很美！

二面：

1. 自我介绍

2. 项目细扣

3. Word2vec理解/CBOW和Skip-gram对比

4. Bert

5. SVM

6. XGBOOST/GBDT/Random Forest

7. 激活函数

8. Optimizer对比

9. Adam优点

10. LSTM/RNN

11. 梯度消失/爆炸

12. 项目细扣

无手撕

三面：

1. 自我介绍

2. 项目细扣

3. 各种真实场景下的解决思路/例如做推荐都需要哪些特征，每种特征该怎么得到

无手撕

HR面：

1. 直切主题，很干脆，nice！

以上列出的是我能回忆起的比较有代表性的面试，其他公司例如其他互联网企业或国企银行等，如果有小伙伴需要也可以告诉我，if面试过，我会单独列出。除此之外，以上列出的面试经历也有很多问题记不太清了，可能或有一定程度的缺失。

希望大家都能拿到心仪的offer，也希望大家在日后的工作中更加努力，加油，加油，加油！