超全大厂算法岗百问百答（推荐系统/机器学习/深度学习/C++/Spark/python）

之前在准备秋招的时候，每次看到牛客网上那些大神手握七八个大厂的offer，就羡慕到不行，那会儿自己的机器学习算法水平还没法搬上台面，顶多也就是看了几个课程、做了两个比赛的水平，然后比赛还没得到任何的名次，就真的开始焦虑到不行，周围好多小伙伴都在大厂开始实习了，而我真的扪心自问，几乎零实习经历，算法也没系统性的推导过，leetcode也才偶尔刷一刷，大概刷了二十来题吧，用灾难来形容那时候的状态也不为过，我开始慌了，然后就开始静下心来各种找经验贴，牛客可谓是大佬云集，大概在这里看了十来篇，知乎上也看了好几篇，总结出了我觉得秋招算法岗的几个重点考察方向：自我介绍、项目介绍、算法细节、数据结构与算法题，接下来我一一来说一下这四个方向的细节。

• 自我介绍

自我介绍说得好，一定会给面试官留下深刻的好印象，而且这一块全是自己来措辞，要突出的重点也是你自己来把控，所以从你的叙述中，面试官是可以听得出你对这个项目的熟悉程度以及你的思考深度的，所以，提前准备就尤为重要了，面试的时候要把每一个项目按照一定的逻辑叙述出来，在算法项目里面最为重要的当然是数据、特征、模型、效果，按照这个框架给讲清楚了，面试官听得轻松，接下来的面试阶段也会更流畅一些，因为面试官是会捕捉你的自我介绍里面的关键词的，以待之后的问答环节向你连环提问，这就暗含了一个tip，就是你所讲出来的，一定要做到比面试官更懂，那些做的含糊的东西就不要搬进来了，否则迟早会露馅。

• 项目介绍

这是重中之重，项目会体现一个面试者的综合素质。那我们这种没有实习经历的该咋办呢？好办，去参加比赛，争取拿比赛的名次，然后把比赛里用到的算法搞的滚瓜烂熟的，面试官必然会对你项目中的细节展开，让你解剖一些他有疑问的点，比如正负样本的选取、特征处理、模型的细节，再比如你的比赛中用到了树模型，就得知道所有树模型相关的知识点，我随便举几个例子：XGBoost为什么对缺失值不敏感？相比普通的GBDT，XGBoost怎么处理缺失值？为什么xgboost/gbdt在调参时为什么树的深度很少就能达到很高的精度？ 等等这种细节式的提问，一旦你回答的含糊其辞，面试官就必然会扣分的，所以千万不要怀着侥幸心理，觉得面试官不会问到，墨菲定理告诉我们，凡是可能出错的事就一定会发生，这些都是可以准备的，明明几乎是开卷考试了，为啥不提前去想好怎么回答，而要去考场上绞尽脑汁想个四不像的回答出来呢。比赛平台的话，大家肯定知道，像阿里天池、kaggle等等都是大家常参加比赛的平台。

• 算法细节

面试官除了考察在项目中出现的算法的细节之外，还会就你的机器学习算法基础进行提问，我这里大概总结下比较重要的一些，传统算法: 逻辑回归、朴素贝叶斯、树模型（random forest/Adaboost/xgboost/lightgbm）、SVM、PageRank、聚类；一些机器学习的理论，非平衡问题、过拟合问题，交叉验证问题，模型选择问题；推荐系统:协同过滤、FM/FFM、LS-PLM、Wide&Deep、DeepFM、DIN、DIEN、ESMM、Embedding、召回、EE、性能评估；这些算是算法岗的核心，此外，一些代码语言的考察，也会是有一些面试官很看重的，比如C++/python/Spark等，当时为了准备这一项，我把我能想到的题都转化为了问答的形式，自问自答地去做准备，我在文章的最后把所有的题都列了出来。大家可以按照这个去准备，或者选择其中的一些。因为我面的是推荐算法岗位，所以会比较偏重这方面，后期如果我有时间，可以拓展到其他的领域，比如自然语言处理、计算机视觉等等。推荐的书的话，也是牛客上大神的一些经验，李航《统计学习方法》、《百面机器学习》、《百面深度学习》、《深度学习推荐系统》、周志华的《机器学习》。当然看完这些书是绝对不够的，看了不等于你掌握了，你循着我给你列出来的问题清单去过一遍，自己心里回答一遍，或者直接写出来，这样效果绝对顶，我在秋招的时候，真的几乎可以秒答，尽在自己的掌握之中。我也会在我的公众号陆续发布这些问题的解答，基本上已经写完了，大家也可以看我的网站，网站、公众号介绍在下面中有，欢迎大家一起交流。

• 数据结构与算法题

这个也相当关键，有的公司甚至会根据你在这个方面的表现优劣决定你的去留，像头条是出了名的动态规划大师，老喜欢考一些中等或者hard的题，让人头疼。很多非计算机出身的因为本身没有基础，练习的不到位，就可能当场思路不清晰。我的建议是先按照专题来刷，比如像动态规划、滑动窗口专题、双指针、快慢指针、topK等等，刷个200题左右，然后就可以随机去刷了，一定要多刷题，这是强调一百遍都不为过的面试法则。推荐的书的话有《剑指offer》，网站的话可以找leetcode中文网。 好了废话少说，种一棵树最好的时间是十年前，其次是现在，如果觉得你的算法功底不够在秋招过程中斩获offer的话，那就从现在开始一一攻克，没什么难的。我也会陆陆续续在我的网站和公众号更新关于算法相关的问答、面试经验、内推等等内容，如果有兴趣的话可以关注一波，这个号我的预期是长期做，也会用心去做，希望可以给算法的同学带来切切实实的帮助。

• 网站：http://ml-union.cn
• 公众号：阿药算法
• 公众号二维码：如下

以下就是上面提到的我整理的问题，我还会持续更新这个列表，后期主要的写作领地就在公众号了，估计牛客也不会常来，欢迎大家来加我的微信，一起交流。

• 个人微信：ayao-algo

机器学习百问百答

逻辑回归

• 推导一下逻辑回归的损失函数，并解释其含义。
• 在广告LR模型中，为什么要做特征组合？
• 为什么 LR 模型要使用 sigmoid 函数，背后的数学原理是什么？为什么不用其他函数？
• 为什么LR可以用来做点击率预估？
• 满足什么样条件的数据用LR最好？换句话说，为了LR工作的更好，要对数据做一些什么处理？
• 逻辑斯蒂回归能否解决非线性分类问题？
• 给一个有m个样本n维特征的数据集，LR算法中梯度的维度是多少?
• 逻辑回归损失函数为什么使用最大似然估计而不用最小二乘法？
• 如何求解逻辑回归的参数？
• SVM 和 LR 有什么异同？分别在什么情况下使用？
• 为什么LR不适合用MSE？
• 为什么逻辑回归需要先对特征离散化？
• 并行LR的实现
• 逻辑回归（Logistic regression）在金融领域有什么应用呢？

朴素贝叶斯

• 什么是贝叶斯决策论？
• 你知道什么叫做朴素贝叶斯吗？
• 公司里面男性有60人，女性有40人，男性穿皮鞋的人数有25人，穿运动鞋的人数有35人，女性穿皮鞋的人数有10人，穿高跟鞋的人数有30人。现在你只知道有一个人穿了皮鞋，这时候你就需要推测他的性别是什么。如果推测出他是男性的概率大于女性，那么就认为他是男性，否则认为他是女性。
• 你能给我说说朴素贝叶斯有什么优缺点吗？
• “朴素”是朴素贝叶斯在进行预测时候的缺点，那么有这么一个明显的假设缺点在，为什么朴素贝叶斯的预测仍然可以取得较好的效果？
• 什么是拉普拉斯平滑法？
• 朴素贝叶斯中有没有超参数可以调？
• 朴素贝叶斯中有多少种模型？
• 你知道朴素贝叶斯有哪些应用吗？
• 朴素贝叶斯是高方差还是低方差模型？
• 朴素贝叶斯的假设条件是什么？优缺点分别是什么？
• 朴