今天上午已收到意向书，岗位算法工程师-机器学习，地点杭州。
一面（简历面 半小时）
当时在过马路时收到了电话，站在人行道上面试了半小时..
- 就实习阶段所做的超分辨率算法工作进行了详细的询问：数据如何生成，从概率的角度解释网络为何能够学到LR和SR的映射关系，如何搭建和训练网络，如何解决模型落地问题
- 了解到答主在做超分时遇到的问题后，对业界前沿的技术做了相关询问，用了哪些GAN模型，GAN模型的loss函数如何设计，为什么这么设计
- 询问答主为什么要从深度学习方向转到机器学习方向，以及约定了两天后的详细面试；
二面（视频面 四十分钟）
- 介绍一个机器学习项目后就项目的pipeline和相关知识点进行了询问
- 介绍随机森林和GBDT的区别，为什么Bagging降方差，Boosting降偏差
- 介绍XGB对GBDT的提升，LGB对XGB的提升，以及既然使用了LGB为什么还要使用XGB
- 介绍stacking的模型融合方式，以及模型融合为什么有效
- 编程题：找到一个无序数组里面连续的最长整数数组长度。顺带考察了基数排序和快速排序
三面（P9交叉面 一小时）
- 了解答主的两段实习经历，分别承担怎样的角色，具体做什么，简单考察了如何解决实际问题
- 就项目中数据处理方式做了详细的询问，生成的多张数据集如何使用，缺失值的处理需要考察到哪些问题，均值填充是否科学等
- 特征工程中具体衍生出来的特征进行了详细的询问，为什么要生成这样的特征，依据是什么，为什么要使用PCA进行降维，如何存在多个特征高度共线会有什么问题
- XGB如何处理缺失值，LGB的差加速和直方图算法的底层代码是否有过了解
- 开放题：双十一时向用户发放优惠券，希望在成本一定的前提下，使得盈利最大化，该如何建模发放给用户？用户无法做AB测试，该怎样划定正负样本？
- 数学题：长度为1的线段，随机地取两点A和B，求AB长度的概率密度函数
四面（四十分钟）：
- 是否做过机器学习算法上的性能优化，介绍了项目中超分算法优化的内容
- stacking模型最后一层用于二分类的LR是用离散型的数据还是连续型的数据，有什么区别
五面（主管面 现场面 一小时五十分钟）：
四面当晚收到去现场面试的通知，经历了春招和秋招以来时间最久和最紧张的一场面试，所幸面试官人很好，缓和了一些
- 详细介绍了第一段实习的个性化推荐的项目，以及团队内的分工合作，自己负责什么领域。生成的模型方案如何评价和测试，处理样本时是否遇到样本不均衡的问题，如何解决
- 就第二段实习经历询问了GAN模型和多帧模型以及loss设计
- 就机器学习项目的pipeline进行了详细的介绍，询问的问题部分重复，在此不述
- 开放题：就之前的面试记录来看，想继续询问优惠券发放的问题，你是否有了更深入的了解和更好的思路
- 编程题：有log日志，每行有两列（用户ID，访问的商品ID），若两个用户均有访问一个商品ID的记录，则两个用户关系指数加一，求所有用户对中关系指数最大的TopK；如果内存中无法存入全部数据，该如何解决。能否使用hadoop的方式解决，原理和思路？能否使用合理的切片方式，使得分布式的机子上的排序结果汇总后就是最终结果？
- 思维题：有一座桥，A通过需要25分钟，B通过需要20分钟，C通过需要10分钟，D通过需要5分钟，一个桥同时只能走两人，且快的人需要等慢的人到达才能一起到达。走桥时必须要有手电筒才能经过，且手电筒只有一个，问如何在60分钟内使得四人均通过
HR面（三十分钟）：
现场面结束后主管告诉我本轮已经是最后一场技术面，如何有后续面试就是HR面，在返程地铁上就收到了第二天的电话面试通知，非常高兴
- 自己希望从事怎样方向的工作，是科研型的还是工程型的
AI学习路线和优质资源，在后台回复"AI"获取
