19校招阿里騰訊華爲美團算法崗面經，均已拿offer | 掘金技術徵文

應邀請來參加技術徵文。本人2019年畢業，目前2019秋招已結束，拿到了阿里巴巴，騰訊，美團，華爲的機器學習算法工程師offer，來到這個網站與你們分享面經。

先介紹一下樓主背景，985本+美國專排top15碩，有Amazon+Intel+美團的實習，如今秋招結束了，來回饋廣大網友！

---

美團AI算法提早批(已拿兩提早批offer和一個轉正offer)

提早批 第一輪： 應邀參加了7月17號清華雙選會，在現場先是各個部門介紹本身的算法團隊。 一人能夠選兩個部門面試，每一個面試就大概15min-30min 兩個部門共問到的問題有（模型可能是根據項目問）：

1. xgboost原理，怎麼防過擬合
2. gbdt推導
3. boosting和bagging在不一樣狀況下的選用
4. DBSCAN原理和算法僞代碼，與kmeans，OPTICS區別
5. LSTM原理，與GRU區別
6. 算法題：翻轉中間由各類符號隔開的字符串 而後就說回去等通知

第二輪第三輪： 7月20號在望京，每一個部門兩輪 共問到：

1. EM算法推導，jensen不等式肯定的下界
2. xgboost和lightgbm的區別和適用場景，推導xgboost
3. LR的推導，損失函數
4. gbdt推導和適用場景
5. DNN的梯度更新方式，把momentum，RMSprop，Adam的公式寫出來
6. 算法題：2sum，3sum，4sum
7. 算法題： 從右邊看被遮擋的二叉樹，求露出的node
8. 機率題，抽藍球紅球，藍結束紅放回繼續，平均結束遊戲抽取次數

第四輪： hr面 就聊聊人生聊聊理想

7月23-24號左右，兩天把offer都發了，讓意向選擇，我說想等個人轉正面結束再選擇，由於我還有一個部門的轉正機會。

轉正面： 主要就是介紹了實習期的工做，討論作得好和很差的，而後寫了一個快排一個歸併，聊聊各排序算法的複雜度，穩定性，適應性，較簡單，以後就是hr聊了聊。

總結：美團面試比較喜歡考察算法題，和白板寫bug-free的代碼

騰訊技術研究-機器學習提早批(已拿offer)

騰訊一面，電話面

1. 扣簡歷的項目，扣的很細
2. xgb，rf，lr優缺點場景。。。真的逢面必問，有不瞭解的能夠留下評論，我能夠提點拙見，最好仍是本身去網上扣一下這題
3. 算法題，單鏈表判斷是否有環 (leetcode easy)，以及判斷環入口
4. 算法題，給前序和中序，求出二叉樹
5. 是否寫過udf，問udaf，udtf區別和一些細節

騰訊二面，電話面

1. 扣項目，問簡歷，其中涉及的算法和上面差很少
2. 問推薦算法，fm，lr，embedding
3. 算法題，10億個32位正整數，求不一樣值，只給1GB內存。。。我只答出來4GB的狀況，時間負責度還不是最優的，因此穩穩涼了，若是有人知道怎麼解1GB，求回覆，感謝

騰訊三面，onsite

1. 算法題： topK給出3種解法
2. 算法題：二叉樹的最大深度和最小深度
3. 協同過濾的itemCF，userCF區別適用場景
4. 扣項目，問簡歷，其中涉及的算法和上面差很少
5. 對項目中一些技術選型產生質疑，並友好的一塊兒討論了這個問題
6. 推薦系統的大概步驟，解決冷啓動。。。

騰訊四面 最後技術總監面，onsite

1. 算法題：名人問題，給出最優解法
2. 問了一下項目和簡歷
3. 自我評價優缺點，怎麼改進
4. 描述一個算法項目從kickoff-落地的全過程

騰訊五面 總監面完馬上就hr面了

hr面就是常見的問題，城市啊，薪資待遇啊，對部門的評價，對總監的評價 而後就在系統中提示offer報批中。。。

總結：騰訊面試會考一些業務中多遇到的問題，同時也很注重產品與技術的交互

阿里機器學習算法工程師(共面了兩個部門，一個社招流程一個校招流程，拿了校招流程的offer)

校招部門： 一面：

1. 扣簡歷，問得太細了，每一個項目都要回答若是再作一次，有什麼改進的地方，算法上和模型選擇上改進的地方，同時對項目中技術要點聊得很細
2. 算法題：反轉鏈表
3. 算法題：trim二叉搜索樹
4. 其餘模型題都是在問我作的項目時同時穿插這問
5. 很是友好的給我介紹了半小時這個部門作的事情，面試官真的很是友好，並且給我描述的很細，讓人很是有慾望去

二面：

1. 扣簡歷
2. CNN爲何比DNN在圖像識別上更好，這題我答得很爛，有好答案的歡迎留言
3. LSTM內部的cell長啥樣，有幾個gate，分別怎麼求出來的
4. 數據傾斜怎麼形成的，怎麼處理數據傾斜問題
5. 用mapreduce實現10億級以上數據的kmeans
6. rf和gbdt基分類器區別，裏面的決策樹分別長啥樣，怎麼剪枝
7. 說一下gbdt的所有算法過程
8. 算法題：醜數

三面：

這面是總監面，主要根據個人經濟學背景，沒有寫題，只是討論一小時怎麼把經濟學的知識帶到算法領域。考察個人交叉背景。 其實這面是最難的，很是很差回答不少問題，但這些問題對大多數牛友沒意義，因此就不分享了，有相同經濟學背景的想知道能夠私信我。

四面 (交叉面)：

1. 聊了簡歷上作的項目，對其中一些項目作得不太滿意，問我一些改進的方式
2. XGBoost推導和優勢
3. 介紹了LSTM，裏面的每一個gate是幹什麼，怎麼得出的，並與GRU作了對比
4. 讓我挑一個最熟悉的模型講，我說均可以，因而他問了GBDT，FM和FFM模型
5. 也聊到了我作算法的初心，爲何一個經濟學的來作算法，有哪些優點，同時也給了我不少建議，但願我打牢基礎，很感謝他的建議

hr面 (視頻面)：

聊了一個小時

1. 怎麼理解大數據
2. 怎麼理解算法
3. 數據的價值在哪
4. 怎麼看待數據販賣，對仍是不對
5. 怎麼看待阿里，和其餘公司比較，why阿里

另外一個部門面到4面交叉面後就結束了，沒有hr面，應該是涼了或者進備胎池了 具體就不說了，由於沒拿到，總之套路差很少，我搞砸了3面總監面，很砸很砸！

總結：阿里的任何一面都不能搞砸，感受有一面B+了，基本就進備胎池涼了。阿里除了問技術，更會問一些你能爲團隊帶來什麼的問題，和一些開放性問題

華爲算法工程師(hr說面試經過了，等流程，但具體offer尚未下來)

海外視頻招聘，一共兩面，沒什麼特殊的，比較少見的是問了C語言的常見坑和解決辦法，其餘基本差很少，整個過程感受不太同樣，感受華爲的面試確實不怎麼考察技術。也多是我太爛了。

若是你們以爲這篇文章有用，求點贊評論，畢竟是來參加這個技術徵文比賽，個人非科班算法自學之路和一些學習方法寫在了這篇文章，也歡迎你們關注： juejin.im/post/5ba1a5…

我在參加掘金技術徵文👉徵文活動連接