校招期间准备面试算法岗位该怎么做？

林花谢了春红，太匆匆。
一晃眼，竟已到了快毕业的年纪。我经历了一场“漫长”的校招，将回忆总结于此。

前期积累

面试是对自己在校生活的总结，要珍惜在校时光：

确认目标，以后是做开发还是算法？程序员还是PM？
在目标领域发表顶级会议论文、参与实际项目或实习，提升自己在相应领域的积累。
构思好想去的公司或地点，有针对性地准备。提前了解候选公司相关部门的情况，地区性人才补贴政策等。

基础准备

这篇推送主要总结算法岗面试的注意事项，分为算法题和机器学习两部分。

算法题

如果打算面外企，必须刷题；国内大厂很可能会问算法题。入门可以看《剑指offer》，练习推荐Leetcode。除了面试需要，我有3个原因推荐多做算法题：

很多算法题是实际工作中抽象出来的，需要考虑Corner Case,优化复杂度等，有助于提升分析问题的能力。
快速理解问题，掌握算法设计的流程，能提升自己的逻辑思维能力。
面试的时候很可能就是全英文的算法题，提前多做对于英文沟通有帮助。
b站刷视频我一般都是看左程云老师的视频
Java数据结构与算法【面试必备史上最全】学完一脚踢进大厂！_哔哩哔哩_bilibili直接上干货!!俗话说数据结构玩的好大厂为你敞开门助你高效准备java数据结构面试顺利拿到offer！, 视频播放量 137、弹幕量 1、点赞数 3、投硬币枚数 2、收藏人数 16、转发人数 0, 视频作者 Java并发编程, 作者简介添加可领取更多马士兵教学视频、课件、源码以及咨询vip课程最新优惠，相关视频：还在到处寻找Excel函数用法？有这个Excel函数大全就够了，linux内核编程(基础,进阶,高级)，深入理解计算机系统，伯克利大学CS61B: Data Structures and Algorithms 数据结构与算法设计 2019年春中英字幕 001至096，从华为外包到华为正式员工的大数据之路，漫谈几点看法，速学数据结构-栈的原理与实现（Python），51cto风哥oracle云数据库高级工程师，一周刷爆LeetCode，算法大神左神（左程云）耗时100天打造算法与数据结构基础到高级全家桶教程，直击BTAJ等一线大厂必问算法面试题真题详解，java学习反射和注解_注解_元注解_尚学堂，【财务分析与建模】01 为什么要建模https://www.bilibili.com/video/BV1wi4y1U7rD?spm_id_from=333.999.0.0如果之前没有接触过算法题，和我一样不是大神，那么一开始感到吃力是正常的（我曾经被自己的智商气哭了出来)。我们不天资过人，也没有足够多的经验，自然会被打击。一遍不会就多看看再刷一遍，一直思考，慢慢总能会的。

大家可以选自己喜欢的方式做题，我总结了两种模式：

滴水穿石
面对每一道题，都思考清楚问题的关键，尝试多种方法解决问题。了解每一种方法的利弊和复杂度，力求最优最简洁地做这道题，这样做完一题基本上就拿下了一类题。这类做法适合于有耐心，探索欲强的人。
积水成渊
面对一道题，尽快想到一种做法，半个小时想不出来或者复杂度降不下就去看Discussion，掌握复杂度较优的某种做法，然后接着刷同类题，刷多了自然就能掌握这类题的规律了。这类做法适用于耐心和积累都欠缺的人（比如我）。

这两种方式起初大相径庭，但是做到中期都会趋于用最优解法做完题目。刷题初期可以参考别人优秀的代码，学习Coding风格，比如：变量名的取法，一些常用函数的优美写法等。中期做完题调试到最优之后，要检查自己的代码是否规范，可读性强，优美。刷题大概可以按照三个阶段来：

初期
按照Topic刷题，先了解当前topic概念，如背包，搜索等。每个Topic选5-10道题刷，熟悉模式。尽量选点赞多的题目，以Medium为主。实在太受打击，需要重燃希望，可以选1-2道Easy激励自己。刷完一个专题，总结一套自己的模板。要保证遇到Medium几乎没问题，普通Hard能较优解决。
中期
随机从题库中Pick题目，或者选高频企业考题刷；每周参加Leetcode周赛或Mock Interview。总结每个Topic的重点题目，选综合性强的刷，或者重新刷之前没有理解透的题目。平时和小伙伴互相模拟面试，缓解不适应感。大部分同学走到这里，校招差不多也结束了。
后期
我还没到这个境界QAQ
观察大神大概就是Leetcode Hard 很快有思路，然后调到最优解法。平时在Poj，Kickstart，Codeforces等地练习。（有些公司的笔试，还是需要后期的水平才能通过。所以，足够强大之前尽量找人内推）

机器学习

机器学习基础
《统计学习方法》（李航）&《机器学习》（周志华），可根据时间至少选一本阅读。概念要清晰，理解了符号含义后每一个公式都必须要自己推导出来。推荐自己慢推一遍，面试前难点再快推过一遍。
面试中可能会有：
逻辑回归及其推导公式？KNN和K近邻的区别？Bagging和Boosting的概念和设计过程，优缺点分别有哪些？LR和SVM的区别？
深度学习基础
基本概念要能说明白，比如CNN,RNN的大概结构，梯度反向传播过程等。
推荐搜面经，检查下别人被问到的地方自己能不能答出来。平时自己总结基本知识点。
面试中可能会有：
1.激活函数：为什么需要激活函数？常见激活函数有哪些？它们有什么优缺点？
Sigmoid, Tanh, ReLu, Leaky ReLu, RReLu, PReLu, ELu, SeLu, Maxout 等基本的类型要清楚。
2.梯度消失/爆炸是如何产生？怎么解决？
非饱和的激活函数，LSTM，初始化，Batch Normalization,梯度截断与优化器的选取等关键词要答出。
3.过拟合欠拟合的原因？表现？解决方法？
掌握数据增广，特征工程，正则化，集成学习，Dropout,Early Stopping，加噪声，调整模型容量等常见方法。
4.对于每个领域的常见评测指标，要有所了解。
如：NLP领域的BLEU, NIST, PPL, WER, TER, GLUE, F-SCORE, ROUGE等。
5.了解目标小组的工作方向，阅读几篇他们的或相关方向的论文。
NLP基础
如果是NLP领域，可以看一下《统计自然语言处理》及近几年每个方向的综述。
如果是北大的同学可以选《计算语言学》这门课，老师讲解很清晰。面试前课程PPT最好全部回顾一遍，里面很多基础模型容易被问到，如：请介绍下LDA模型？上下文无关文法？等。
常见模型&前沿工作
要掌握相关领域的经典模型及近两年比较有影响力的工作。比如NLP领域的：
Word2Vec ( Skip-Gram & CBOW )
Seq2Seq
GAN系列
VAE系列
Tranformer
语言模型：ELMo & Bert & Gpt & XLNet
Capsule Net
Policy Gradient
Active Learning
Transfer Leraning
......
面试时可能会给一个工作场景，让你提模型解决问题。

个人准备

工作

对于简历中提到的论文、项目及实习经历，都要回忆清楚工作背景、模型优点、算法框架以及实现细节。面试中我被问到过自己算法的某一步存了几个状态，有没有用到什么内存优化？所幸面试前每个工作都回忆了一遍，不然可能会漏答。

公司

投递简历前，要了解目标公司的政策。

内推：有些公司每个内推人可以免部分候选者的笔试，笔试算法门槛比面试高很多，所以问清楚之后再请人内推。
转岗：校招期间一家公司能投几个组？面试一个组如果觉得不合适，是否能换组？
内情：想去的组能力如何？关系如何？绩效如何？
许多问题，要投递简历之前问清楚。

英文

如果面试外企，需要捡回语感。我遇到过全英文算法面和全英文设计面。算法面其实大家刷题的时候都是英文已经熟悉了，设计面可能会问到你对公司某个产品的感受、建议之类的，所以要做好调研，了解这家公司的产品，避免词穷。

准备篇就总结到这了。加油复习，自信面试~

面试，你有哪些难忘经历？准备的妙招？害怕的地方？......欢迎留言评论~