点击上方“机器学习算法与Python实战”，选择“置顶”公众号
重磅干货，第一时间送达
作者：Ariana0402 来源：牛客网 链接：nowcoder.com/discuss/17
做完笔试觉得自己没戏了，没想到收到面试短信。
一面：
很温和的小哥哥
1、xgboost和gbdt的区别？这方面问的很细，比如说xgboost可以并行加速是怎么进行的，每次分裂叶子节点是怎么决定特征和分裂点的。
2、LR手推，包括极大似然的概念，为什么极大似然的时候可以相乘，满足独立同分布？然后梯度下降更新权值，这里我自己自作主张的说了下mini-batch 梯度下降，SGD等，说手写过这里的代码，想展示下自己。
3、结合项目，讲下怎么进行特征选择，特征工程方面，比如说非数值型怎么处理，one-hot后维度高怎么。问你用的xgboost也许要对特征进行标准化吗？这里也考得xgboost吧，我感觉xgboost其实对特征的的预处理要求不是那么高，讲了下原理，就没再问了。
4、结合我的项目，用gan网络去噪，解释了下conditional gan的原理。损失函数的创新点。
5、画了下googlenet的结构。讲了下googlenet跟之前的网络的不同。
6、googlenet中为什么采用小的卷积核？答，两个3x3相当于一个5x5这样可以降低参数量。
7、代码题，反转链表，树的层次遍历（说思路，用了quene),全排列(123,321,213)。代码部分写的很慢，但基本也都由思路，写出来了。
8、LR和SVM的区别。
9、SVM为什么可以处理非线性问题。
一面过了，主要是面试官人很好。说我代码要加强，有思路但是写得很慢。
二面：
和二面的小哥哥聊的挺开心的，人也很好。
1、问了爬虫的项目，和特征选择方面的问题，主要是高维的特征怎么进行降维。反爬虫的机制。
2、依然是xgboost和rt和gbdt三联问。这部分卤煮觉得自己答得挺全面，所以两次的面试官都挺满意的。
3、回归决策树和分类决策树分裂节点的时候怎么处理。
4、各种排序的时间复杂度（最好最坏和平均），空间复杂度，写了归并排序（这个写的很快）。面试小哥哥说你代码写的还挺好，楼主其实是背的，只能尴尬的说这个排序都是很基础的，小哥哥说你觉得太简单了？楼主说你不能因此考我难得，面试官居然就没怎么问代码了。
5、开放题，楼主不是做nlp的但是问了中国到中华人民共和国这种模糊搜索怎么办，小哥哥一直在引导，人真的很好。
6、手推LR（楼主真的很幸运，两次题目居然一样，开心的答了）。 7、协同推荐方面，usercf和itemcf。
二面比较轻松了，和面试官聊的很愉快，人真的很好，没想到也过了。
三面：
三面感觉是个技术大牛在问，很深入，露珠其实算起来是第二次面试，经验准备都很少，答得很烂。
1、亿级文件，每一行是一个字符串，单个文件中，字符串没有重复，两个文件中取交集。露珠真不会，引导下说了hash的原理等。
2、亿级用户推荐视频。
3、高维稀疏的特征怎么处理。答降维。问会不会embedding，说听过word2wec里面解决词向量，但是具体不会。
4、xgboost什么的深入问了下。
5、代码题，很简单但露珠说了二分，代码写了很久，我真的好渣啊T,T。反转数组求最小。
三面结束回去等消息，明显可以感到三面对露珠很不满意了TAT。但是，这次算是进步吧，好歹进三面了。总结问的问题都很基础，比较注重手写代码能力和思考能力，希望大家都拿到满意的offer吧。
