前言

好久沒給大家發技術類的文章了，自我檢討一下。今天給大家介紹一下算法工程師在面試的時候會遇到哪些比較典型的題目。其實目前最主要的還是你的項目能力和你的適應能力，學歷和年齡雖然在考察范圍，但是在前者面前也就無足輕重了。

應屆生要求可能不會太高

目前市場上對于算法工程師的主流需求還是圖像這塊，特別是本科應屆生想平穩就業的一般都是選的圖像，因為落地項目多、市場需求大、就業門檻低。不像自然語言處理，基本招過去就是搞研發的高級崗位，本科生企業是看不上的，沒有基礎崗位提供給你。本科應屆畢業一般是考一考線性代數，數據結構，遞歸，排序，二叉樹就好，然后先讓你到項目組做數據分析或者打下手，等你熟悉業務了才會讓你做模型訓練或者現有框架的改寫。

一般HR面應屆畢業生就要求底子比較好的，其他技術不會公司會有相應的培訓下面是一份校招面試題：

1.矩陣運算的平移，旋轉，縮放，

2.高級一點的考考透視投影矩陣。

3.矩陣的乘法，齊次坐標系

4高級一點，考考四元數的概念

5.歐拉變換和萬向鎖問題

6.冒牌排序

7.二分搜索法

8.遞歸

9.深度遍歷和廣度遍歷

10.平衡二叉樹

著重在數學上下手，邏輯思維清晰的話，后面培養還能相對容易一點。

社招可能就要經歷九死一生了

社招首先就得過簡歷這關，很多的老鐵都是轉行的，但是學習的途徑很多都是野路子，自己都不知道自己學的怎么樣，很多學的不成體系面試起來HR難受求職的人也尷尬，不過我是比較推崇這種方式的，通過各大公司的技術要求來找自己的短板，等回去了繼續學，邊工作、邊學習、邊求職，一石三鳥。這個時候就要拿出追女朋友的態度來了。

第一、堅持；

第二、不要臉；

第三、堅持不要臉。

還有一批就是通過培訓機構進行學習的了，但是這個得看個人運氣了。碰到一家靠譜的可能就有一個好的職業前景，學習路線和老師都沒問題。就業的話就得看這個機構的人脈怎么樣了，有的內推到貴州當數據標注師，和其他幾十萬數據標注師一樣拿著不到5K的工資，做著重復性工作，有的機構雖然不能讓你直接達到職業生涯的頂端，比如阿里達摩院，但是能提供你一個很好的跳板，比如商湯、曠世的基礎算法崗能給你提供一個孵化的地方。

下面是騰訊 - SNG和網易云音樂的面試題可以對照自己的學習體系，看看自己缺啥。

騰訊 - SNG：

一面60分鐘

自我介紹

看過哪些書？

都是自學的嗎？以及其他。

求一個數組里第k大的數。

LR的數學推導

比賽特征怎么做的 ， 系統地說一下特征編碼方法，特征選擇方法（懵）

工作中有沒有什么挑戰性的東西（好像沒有，尷尬，只能強行扯了下）

場景題：多篇文檔，每個文檔有一個主題，怎么量化每個文檔的相似度

概率題：某人去多個城市旅游（數量未知），每到一個城市可以買一個禮物，但手中必須且只能有一個禮物，問用什么策略可以做到，旅游結束后，手中這個禮物來自每個城市的概率都相同。

就工作，轉行，學習以及年齡…扯了一會

二面40分鐘

講講Nlp里你最熟悉的知識。

怎么抽取關鍵詞？

QQ看點的每篇資訊下面有6個推薦框，你怎么推薦和該資訊相關的6篇文章，怎么評價推薦質量？

講講你簡歷上寫的這些算法Fasttext文本分類怎么做的？

意圖分類，文本摘要怎么做的？

hr面30分鐘

自我介紹研究生成績，保研還是考研，有沒有掛過科？（掛科被發現了…）

未來規劃，目標公司，還在投哪些公司？

工作期間做的最有挑戰性或者最能體現你能力的事情，你在其中扮演什么角色你的優勢？

能為公司帶來什么？還有嗎？還有嗎？還有嗎？。。。。。

你的短板？還有嗎？還有嗎？還有嗎？還有嗎？。。。。。。

從小到大最讓你有挫敗感的事情是什么？

你有什么問題想要問我嗎？

網易云音樂 - nlp算法工程師

一面50分鐘

自我介紹

講一下隨機森林，GBDT，XGBoost

XGBoost相比于GBDT有哪些改進

Adaboost和XGBoost的區別

Adaboost和XGBoost是怎么進行預測的

講一下Textcnn的運算過程

文本分類的評價指標

講一下AUC

過擬合的解決方法

穩定和非穩定的排序算法有哪些

二分查找遞歸和非遞歸的時間和空間復雜度

手寫冒泡排序，寫完問這個程序要上線還需要考慮哪些東西

二面30分鐘

這個主要是講的項目經歷，問的很細。然后讓自己評估一下自己在項目中的貢獻和感想。

三面30分鐘

介紹自己一個項目的流程，然后從中間提問題

你對你目前面試的職位有什么問題

你的期望薪資是多少

你有什么問題想問我

最后當場給了offer，看得出他們很缺人，畢竟既有能力又有想法搞nlp的在市場上是稀缺資源。

最后

目前人工智能這個領域雖然發展的比較快，但是就是因為快所以還沒有比較健全的規則來約束也沒有一個標準來驗證自己自學的東西能不能在企業中用到，所以大家要花時間去篩選和鑒別。