【轉載】 2017秋招小結

最近看到一篇博客，感受仍是很不錯的，雖然我如今又出現回到學校繼續讀書，可是畢竟經歷過工做和各類面試、校招、打比賽，雖然水平平平，能力不濟，可是當年的日子仍是蠻值得懷念的。因而網上看到了這一片博客後很有感觸，當年找完工做也本想着寫一些面試的心得、經歷的，如今想一想這個想法也只是停留在想的階段了，因此看到有人寫了出來，仍是以爲不錯的，值得讚揚的，因而轉載到這裏，即爲本身傷懷感念找到了地方，也爲之後幫其餘面對人生這一階段的後輩提供建議，下面爲轉載正文：

 

 

 

 

原文地址：   http://ihuafan.com/%E9%9A%8F%E7%AC%94/job-hunting-summary

 

================================================

 

• 面試經歷小記
  • 華爲
  • 阿里巴巴
  • 遠景能源
  • 美團
  • 滴滴
  • 網易
• 後記

 

這只是秋招求職面試的一個回憶，因爲2017年秋招已通過去好久，許多細節已經淡忘了，這裏不談多少心路歷程和感慨，只把秋招的面試記錄填上，畢竟也是使人難忘的經歷。

拖了這麼久才把這份秋招求職記錄補上😓

我準備面試的時間並不長，差很少7月份纔開始準備，以前都在打比賽+作科研，整個過程差很少3個月，9月底就再也不投簡歷了，也陸續推掉了後面的全部面試。結果是，一共面試了6家，拿到5個offer，自我感受仍是比較滿意的。

下面是對求職過程的一些回憶。

 

 

面試經歷小記

 

華爲

面試崗位：軟件工程師

面試形式：現場面

因爲參加CodeCraft並進入全國總決賽的緣故，有華爲面試綠卡，免了簡歷篩選、筆試和技術面，直接參加了校招最先的提早批面試（6月份），這個面試基本正常表現就不會有多大的問題，這就是參加企業編程比賽的好處~

面試官仍是問了一點技術相關的問題：

• 如何管理10億用戶要訪問的網絡資源和內容數據？
• 若是同時有2億用戶量的訪問，如何組網應對線路壓力，以免拒絕服務？

這個問題很大，很明顯是個系統設計相關的問題，考察系統思惟能力和必定的工程經驗。不過徹底沒有相關經驗，除了分佈式存儲、負載均衡、冗餘備份等，我只從算法角度簡單提了幾個措施。面試官並不滿意，彷佛更想獲得的是實用的、低成本、易部署的解決方案。第二個問題最後大概合理的解決思路是作了負載均衡後在擁塞節點繼續設計分層架構，而後採用輪詢等手段來保證公平性，而若是服務器資源有限，則必須採用流控以免系統宕機或出現大規模的拒絕服務。

華爲因爲校招規模很大，招人數量不少，於是HR的工做壓力很大，這個最先參加的面試到9月底纔出結果。最終拿到的是雲核心網的軟件工程師崗位（SP），並且比較好的是HR容許選擇杭州和南京的崗。

 

 

 

 

 

阿里巴巴

面試崗位：算法工程師

面試形式：電面

第二家拿到面試機會的是阿里，崗位是算法工程師（運籌優化方向），惋惜只經歷了一輪面試就結束了，多是面試比較緊張，加上準備得不充分，不少地方沒有注意，另外也多是這個崗位招人數量不多。後來和清華的一位博士學長（在CodeCraft2017全國決賽現場認識的）聊，得知他也投了這個崗位，估計他是確定拿下了的。

能想起來的幾個面試問題：

• 作過的比賽細節，聊了好久
• 講講求解線性規劃裏的Big M處理方法
• 講講整數規劃裏的列生成方法
• (有什麼要問的)

 

 

遠景能源

遠景能源在南京市區就設有工做地點，在南京中心大廈，工做環境不錯，辦公室空間寬敞，因爲在大廈高層，採光也良好，很是適合遠眺。面試的體驗也不錯，面試一天內完成，效率很高。

面試崗位：算法工程師

面試形式：現場面試

約的9月13日11:00面試。10點前就到了面試地點，熟悉一下環境。簽到後就被要求作一道算法題（研發崗應該都要作），我拿到的題目是用棧實現隊列，比較簡單，紙上寫完代碼就交了。以後把本身準備的資料又拿出來翻了翻，沒一會就到約定的面試時間了，因而面試準時開始。

一面(技術面)

拿着以前寫的題到面試官那兒，先解釋代碼，以後問基礎。

• 給你1分鐘時間，在紙上寫全部你知道的機器學習算法，寫完解釋。(提問的同時打開個人博客和GitHub看)
• GBDT和XGBoost有什麼區別？
• XGBoost如何實現並行？
• 工業界用得較多的算法有了解嗎？
• 講LR，講爲何工業界SVM用得少。
• 對分佈式和大規模並行計算瞭解多少？
• 知道參數服務器嗎？
• 聊項目。基本就是解決了什麼問題，用了什麼方法，爲何用這個方法，遇到最大的困難是什麼，結果怎樣等等。
• (有什麼要問的嗎？)

二面(技術面)

• 全程聊項目/比賽。

• 除了簡歷上寫的這些，還作過什麼？
• (有什麼要問的嗎？)

三面(HR面)

• 和HR聊人生、聊遠景的發展、職業規劃，等等。
• 三面結束以後按要求作一個性格測評，以後回去等通知。

四面（2017.9.15）

• 拿了哪些offer，職業規劃，對本身的認識。短平快的模式，3分鐘結束。

四面結束後，當天下午收到OFFER。

 

 

 

 

 

 

 

 

 

美團

投遞崗位：軟件工程師（外賣配送事業羣）

面試形式：電面

一面（技術面，電面，2017.9.6 晚上）

• 聊項目
• C++如何實現動態綁定
• 使用過哪些開發工具和框架，閱讀過哪些源碼
• 開放型業務場景題：如何設計美團外賣的調度系統

二面（技術面，電面，2017.9.7 中午）

• 程序的編譯、連接過程
• C++虛函數，虛函數表，虛指針，內存模型
• 說說進程間通訊機制
• STL的map原理
• 100億URL，找出現頻次top k
• 說說堆數據結構，底層用什麼實現，爲何數組能夠實現
• 算法題：給你1000萬個形如(a,b)的元組，像(1,2), (2,5), (1,7)能夠合併成(1,2,5,7)，要求對全部元組進行合併，輸出合併後的全部集合族

三面（技術面，電面，2017.9.14 中午）

• 面試以前面試官頗有禮貌地發了一條短信詢問何時有空
• 聊Linux/Unix
• 聊開發工具，面試官分享本身的經驗：homebrew, iterm2, vim, zsh, virtual box, ssh, neovim…
• 聊職業規劃，聊技術學習，聊平常習慣，聊工程師素養，聊教育…
• （我能感受到面試官用不完的熱情和對技術狂熱的喜好）

四面（HR面，電面，2017.9.18 晚上）

• (HR姐姐的聲音有點像張怡寧，因而我有點語無倫次，比前面三面技術面都要緊張…)
• 主要問了職業規劃和求職意向

2017.9.30晚上收到錄用意向通知，後端開發(sp)。美團的面試體驗很是棒，面試官很專業且都人很nice！

 

 

 

 

 

 

 

 

 

 

 

 

滴滴

面試崗位：算法工程師

面試形式：視頻+現場

一面（技術面，視頻面，2017.9.6 中午）

• 自我介紹
• 聊項目
• 決策樹如何處理缺失數據（訓練數據特徵有缺失怎麼辦；模型訓練好了，測試數據有特徵缺失怎麼辦）
• LR損失函數推導
• 爲何要對似然函數取對數
• SVM
• SVM的模型是什麼，優化目標以及如何優化
• SVM的推導過程：SVM的原理，函數間隔和幾何間隔，目標函數的等價轉換，拉格朗日乘子法，原始問題和對偶問題，KKT條件等
• 如何選擇核函數
• 寫代碼：用梯度降低或最小二乘求解線性迴歸模型的參數

二面（技術面，視頻面，2017.9.6 下午）

• 自我介紹
• 聊項目
• 看過XGBoost源碼嗎，XGBoost如何實現並行，能深刻解釋嗎
• （光回答特徵粒度並行、預處理存入block是不夠的，由於面試官會深刻地問下去，我如實地告訴面試官瞭解不深）
• 對廣義線性模型瞭解多少
• LR原理
• LR如何實現並行
• 特徵工程
  • 爲何LR中要作特徵離散化，特徵離散化有什麼好處，最核心的功能是什麼
• 瞭解哪些優化算法

三面 （技術面，現場面，杭州西湖區，2017.9.23 下午）

• 自我介紹
• 聊項目/比賽
• 聊組合優化/連續優化
• 聊VRP, TSP
• 帶業務場景的算法題：設有一輛車，此時有4個乘客發出乘車請求，計算最佳載客路線，最小化路程；若是不止4個乘客呢？
• 4個乘客的話，枚舉全排列去掉不可行的解（一個乘客的目的地落在出發地前面的狀況）便可，n很大的話比較難。我有調研過這類問題，其模型是Pickup and Delivery Problem, 一類NP-hard路徑規劃問題，主要有兩類：靜態和動態，靜態問題能夠離線經過整數規劃或者各類啓發式算法求解，動態問題是真實世界中面臨的問題，須要作實時優化，難度更大。我分別針對兩類問題，結合本身看過的論文和實踐經驗給出思路並分析算法性能。
• 聊上面問題的延伸，好比真實場景中，並非埋頭去優化單條線路就行的，而是有不少的車（供給方），同時有不少的乘客發出乘車請求（需求方），爲乘客安排哪輛車，如何規劃路線，如何實現供需的良好匹配，如何動態調價，等等，經過各類策略，最終可以指望達到一個全局上的優化。

四面（HR面，現場面，杭州西湖區，2017.9.23 下午）

• 開始HR一直在看個人簡歷，見HR姐姐沒說話，我說要不我先作個自我介紹，姐姐很乾脆地迴應不用這麼正式
• 聊職業規劃，爲何選擇算法，是由於在這方面有優點仍是喜歡仍是其餘緣由
• 簡要通俗地介紹機器學習和運籌優化的概念
• 目前有哪些offer，指望薪資是多少，意向工做地點
• 對求職的企業在作選擇時會優先考慮哪些因素

2017.11.5中午收到錄用意向通知（拼車策略組）。滴滴的算法崗面試是我面過的最純粹的機器學習算法面試，面試官都很是專業，一面和二面的技術面給我感受到的壓力很是大，雖然聊的問題看起來很少，可是整個面試過程持續了很長時間，一面從上午一直面到下午，吃了中飯繼續面…面試官也很是有耐心，給的算法題若是第一眼感受不太好還能夠申請換題，很人性化。贊滴滴的面試官！

 

 

 

 

 

 

 

 

 

網易

面試崗位：機器學習算法工程師（考拉海購）

面試形式：現場

面試時間和地點：2017年9月27日下午2:30-4:30，杭州網易

一面（技術面）

• 說說LR（模型假設，損失函數推導，優化方法）
• LR有什麼缺點
• 特徵工程瞭解多少，one-hot編碼中，若是類別數不少怎麼辦
• 瞭解SVM嗎
• C++如何實現多態
• C++純虛函數的意義
• STL的vector原理
• 寫代碼：計算二叉樹的高度

二面（技術面）

• 說項目/比賽(面試官同時也在看個人博客)
• 監督學習和無監督學習算法瞭解多少
• k-means有什麼缺點
• 瞭解紅黑樹嗎
• 說說http協議
• Hadoop和Spark瞭解多少
• 指望的工做內容

三面（HR面）

• 自我介紹
• 一我的作比賽和三我的作比賽有什麼不一樣
• 遇到的最大挫折？怎麼走出陰影的
• 爲何選擇考拉海購
• 投了其餘哪些公司，拿到了哪些offer
• 工做意向如何，指望薪資多少

2017年10月1日凌晨收到錄用意向通知。網易的面試體驗也是至關棒的，整個面試一個下午所有完成，面試是短平快的方式，有時一個問題我還沒答完就開始問下一個問題了，需要快速思考並做答，比較考驗對問題掌握的熟練程度和語言的凝練表達。說實話，以前對網易沒抱太大但願的，但就是有執念，提早批內推筆試掛了，秋招大不了再戰，好在把握住了此次機會。收到面試經過短信的那一刻，我無比的開心。那一天一位室友也收到了經過的短信，咱們來了個大大的擁抱:D

 

 

 

 

 

 

 

 

 

 

 

後記

最後的選擇是網易。結果只有一個，然而選擇的過程倒是艱難的，由於你不可能徹底預測每個選擇對將來發展軌跡的影響。至於人們老是喜歡問的「爲何」，我在這裏有不算解釋的解釋。

奇妙的是，咱們寢室的三個研三同窗都不約而同地選擇了網易:)

不過，於此延伸出的另外一個值得思考的問題是：爲何會以爲選擇困難？緣由能夠很複雜也能夠很簡單，一個簡單的解釋是，在當前時間點當前閱歷和心態下，對選擇的評估是差很少的，於是就以爲作決定比較困難。在機器學習的角度上也有相似的解釋：對於選擇，能夠把它當作一個分類決策問題，不少分類問題在低維度上很難作，由於不少是非線性的，很難找到一個分類決策面作出完美的分類，然而若是把它放到高維空間裏問題每每就變得很容易了，一個明顯的例子就是支持向量機的核方法。對應到生活中，也大抵如此，有時回頭看曾經面臨的一些選擇，以爲都不是問題，然而當時卻以爲無比艱難，由於那時咱們能站在更高的層次看待問題了。因此仍是應該多讀書多思考多交流，提高本身的思惟層次，走在生活的前面，這樣也許在面臨一些選擇時，可以作出合理的乃至「最優的」決策。

我有時會想象，另外一個平行世界裏的我是否是就作出了其餘的選擇，使得世界線朝着其餘某個方向前進… :P

-----EOF-----