先介绍一下基本情况，楼主目前某211准大四，本来是坚定上研，但是无意间看到了字节跳动的算法岗可以对本科生开放，于是投了简历，准备了两周时间。最终撑到了三面，三面有点拉跨，目前在等结果。
一面（70分钟）
1. 自我介绍
2. 介绍项目经历
楼主的项目是深度学习相关的小样本生成（GAN系列），面试官问了很多关于这个项目的细节。
3. 算法题目
输入一个数组，求该数组中逆序对的数量。（例如 3 1 2 中有 3 1，3 2两个逆序对），在面试官给的思路下我想到的最优解，但是因为时间原因没有完成，给面试官讲了思路，还算满意，
4. SVM的推导
没什么说的，直接推
5. Adam优化器的原理
没什么说的，直接推
6. GBDT中残差项的理解
二面（70分钟-80分钟）
1. 自我介绍
2. 介绍项目经历（同上）
3. 一道sql的查询语句题目
已知表有 id， 姓名（可重复）， 课程， 分数。设计一条查询语句找出均分小于60的学生。楼主一开始用了子查询，但是面试官要求用一条语句，我就选择group by + having 解决问题
4. 算法题目
输入一个有序数组，输出该数组是否存在一个元素，该元素的出现次数大于n/2次（n为长度）。楼主一开始没看到有序，于是想到了摩尔投票法，但是很快注意到了有序的条件，最终使用二分查找法，在时间复杂度为O(logn)的条件下完成 题目。
5. 怎么解决过拟合
drop_out，L1 L2正则化，减小模型复杂度，设置验证集，样本增强
6. 关于公司有没有什么问题
三面（60分钟）
1. 自我介绍
2. 介绍项目经历（同上）
（一下的顺序可能有些混乱，见谅）
3. 判定模型的效果只能用正确率吗？还有没有其他指标？
楼主这里表现的不好，说有召回率 还有 不同类别的错分率，但都没有完善地答出来
4. drop out是如果解决过拟合的
楼主这里也有些磕绊
5. L1 L2正则化适用于什么样的条件
楼主纠结了半天，最终回答L1适合稀疏化的条件下使用
6. GBDT和随机森林各有什么有点，GBDT适用于什么条件下的回归
前一个问题，一个是boost 一个是bagging。后者楼主一直觉得GBDT适用于所有的回归问题，所以就没回答上来
7. 算法？智力？题目
有两个小球，100层楼，问如何用最少的试验次数来确定摔下来会碎的最小楼层。楼主这里表现的也不好，面试官最终也说差点意思。
8. 关于公司的问题
总结，三面问的真的非常细，再加上我自身只注重算法本身的原理，所以三面真的很拉跨。7月4号的面试，到今天（7月6号）还没有得到回复，第二天（昨天）填了面试问卷。以上就是面试的所有过程了，祝愿大家都可以面试通过（也让本five拿到offer叭！！！）
全部评论
(0) 回帖