想去Google做AI？先看完这套面试指南（附面试题）

作者 | 阿司匹林

出品 | 人工智能头条（公众号ID：AI_Thinker）

凭借强大的技术实力和良好的工作氛围，Google 对求职者一直有着强大吸引力。

虽然 Google 在几年前就已经退出了中国大陆市场，但是在北京、上海等国内城市依然保留着办公地点，而且一直在对外发布招聘需求。特别是去年底，Google 宣布在北京成立 AI 中心，更是为中国的 AI 人才提供了又一个好去处。

为此，我们整理一份 Google 面试指南，并搜集了 20 道 Google AI 的面试问题，希望对感兴趣的读者能有所助益。

当然，如果你想申请国外的 Google 岗位，这份资料也同样适用。

▌Google 面试方式

首先，Google 为求职者提供两种面试方式，一种是电话面试或者通过 Google Hangout 进行面试，一种是现场面试，面试方式视情况而定。

电话面试

在电话面试或者 Google Hangout 面试中，面试官将会是你潜在的同事或者经理。

如果你面试的是软件工程岗位，那么面试时间将持续 30~60 分钟。在回答编程问题时，你需要一边在 Google Doc 里面写代码，一边告诉面试官你的思考过程。我们建议你使用免提耳机或者扬声器，以便腾出手来打字。

电话面试的内容包含数据结构和算法，你需要做好准备，用你最擅长的语言编写 20~30 行代码。

面试官会提一个开放式的问题，你可以让面试官将问题解释清楚。
你需要用算法来解释它。
用代码来实现算法（提示：不要担心不够完美，因为时间有限。先将你想到的写下来，然后再完善，确保考虑到了 corner case 和 edge case）。
优化代码，用案例来测试代码，然后找出所有的 bug。

如果你申请的是其他职位，那么电话面试时间大约为 30~45 分钟。

面采

面试官通常有 4 位，包括潜在的同事以及一些跨职能的员工，每位面试官拥有 30~45 分钟的时间。作为求职者，你有机会表现你在以下四个不同领域的优势：

一般认知能力：我们会问一些开放式的问题来了解你是如何处理和解决问题的。这些问题没有固定的正确答案，我们更看重解释思考过程的能力以及使用数据来指导决策的能力。

领导力：说明你是如何使用自己的沟通和决策技巧来调动他人的。比如，你是如何在某个组织中晋升到领导职位的？或者在不是正式领导的情况下，你是如何帮助团队取得成功的？

与职位相关的知识：我们感兴趣的是，你如何将你的个人优势与经验相结合，从而发挥影响力的。我们关注的不仅仅是你现在能做些什么，而是你未来在不同岗位上的发展潜力。

“谷歌范儿”（Googleyness）：你在单独工作或者团队协作时的工作方式？你是如何帮助他人的？你是如何驾驭不确定性情况的？又如何走出舒适区，让自己成长的？

对于软件工程师候选人，我们希望了解你的编程技能和技术领域专业知识，包括编程工具、编程语言、以及数据结构和算法基本知识。在面试过程中免不了会有一些讨论，因为我们喜欢互相推动，学习不同的方法。因此，请你做好要深入讨论你提出的解决方案的准备。打破自己的边界，找到最优答案。

Google 的技术面采历来用的是白板，但为了节省时间，同时提供更加真实的编程环境，我们已经开始在一些站点提供 Chromebook，用于编程面试。这些电脑上安装了一个面试程序，你可以选择自己偏好的语言。

在整个面试过程中，你可以随时让面试官作出解释，确保自己完全理解面试官的问题。此外，你也可以“采访”我们，问一些与工作、团队、文化等相关的问题，帮助你决定这份工作是否适合自己。

▌Google 软件工程和技术职位面试

如果你选择的是软件工程相关的岗位，在面试前你最好先掌握以下几个方面的知识：

编程实践：你可以在 CodeLab、Quora、Stack Overflow 等网站上找到一些编程示例。Cracking the Coding Interview 这本书也是一个不错的资源。在某些站点，你可以选择在 Chromebook 或者白板上编程（提前询问招聘人员，这样你可以先行练习）。一定要测试代码，确保代码易于阅读，而且没有 bug。不用过分关注细微的句法错误，比如在给定方法（start, end or start, length）时应该使用哪种 substring，选择一个，告诉你的面试官即可。

编程：你应该熟练掌握至少一门编程语言，最好是 C++、Java、Python、Go 或者 C。你需要知道 API，面向对象的设计和编程，如何测试代码，以及 corner case 和 edge case。注意，我们关注的是你对概念的理解而不是记忆。

算法：同时用自下而上的算法和自上而下的算法来处理问题。你需要了解算法的复杂性以及如何改进算法。Google 里常用的包括排序算法（加上搜索和二分法检索）、分治算法、动态编程/记忆、贪心算法、递归算法、链接到特定数据结构的算法。了解大 O 符号（Big O notation，比如运行时），并做好讨论 Dijkstra 和 A* 等复杂算法的准备。我们建议你在写代码之前讨论或概述你所想到的算法。

排序：熟悉常用的排序函数以及了解它们对哪些输入数据有效。从运行时（runtime）和内存占用的角度思考效率问题。例如，在特殊情况下，插入排序（insertion-sort）或基数排序（radix-sort ）比一般的快速排序/合并排序/堆排序（QuickSort/MergeSort/HeapSort）答案好得多。

数据结构：你应该研究尽可能多的数据结构。最常用的数据结构有数组、链表、堆栈、队列、哈希集、哈希映射、哈希表、字典、树和二叉树、堆和图（ arrays, linked lists, stacks, queues, hash-sets, hash-maps, hash-tables, dictionary, trees and binary trees, heaps and graphs）。你需要彻底了解数据结构，以及不同算法对不同数据结构的偏好。

数学：有些面试官会问一些基本的离散数学问题，因为我们经常碰到各种计算问题、概率问题、以及其他的 Discrete Math 101 问题。面试前，你可以花时间复习下（或者自学）基本概率论和组合数学的基本知识。你需要熟悉 n-choose-k 等同类型的问题。

图算法：考虑一个问题是否可以应用图算法，如距离，搜索，连接，循环检测等（distance, search, connectivity, cycle-detection）。熟悉三种基本方法——对象和指针，矩阵和邻接表——的利弊。了解基本的图遍历算法、广度优先搜索和深度优先搜索，以及它们的计算复杂性、优缺点、实现方法。

递归：许多编码问题都涉及递归思考，而且可能还要对递归解决方案进行编码。针对那些能够用迭代解决的问题，你需要找到更简练、更优雅的递归方法。

▌Google AI 职位面试

如果你应聘的是 AI 相关的职位，那么你最好先对 Google 的 AI 有一个全面的了解。

首先，Google AI 文章数量最多的三个领域为：

机器智能：

https://research.google.com/pubs/MachineIntelligence.html

机器感知：

https://research.google.com/pubs/MachinePerception.html

自然语言处理：

https://research.google.com/pubs/NaturalLanguageProcessing.html

其次，下面的内容需要你重点阅读：

TensorFlow：一个大规模机器学习系统

https://arxiv.org/pdf/1605.08695v2.pdf

Google 使用的 AI 工具

https://ai.google/tools/

非官方的 Google 数据科学博客

http://www.unofficialgoogledatascience.com/

在对 Google AI 有了比较全面的了解后，你就可以看一下这份由众多求职者分享的 Google AI 相关的面试问题了。

1/x 的导数是什么？
绘制 log(x+10) 函数的曲线。
如何设计一个针对客户满意度的调查？
投掷一枚硬币 10 次，8 次正面和 2 次反面。如何分析掷硬币的公平性？什么是 p-value？
你有 10 枚硬币，每枚硬币掷 10 次（共 100 次），并观察结果，你会修改算法来测试硬掷硬币是否公平吗？
解释一个非正态分布以及如何应用它？
为什么要使用特征选择？如果两个预测因子高度相关，那么对逻辑回归中的系数有什么影响？系数的置信区间是多少？
K-Means 算法和高斯混合模型：K-Means 算法和 EM 算法之间有什么区别？
高斯混合模型适用于什么情况？（正态分布）
如果标签在聚类项目中是已知的，那么如何评估模型的性能？
对一个 Google 应用程序做了更改之后，如何测试某个指标是提高了还是降低了？
描述数据分析的过程。
为什么不使用逻辑回归算法？为什么选择 GBM 算法？
推导 GMM 方程？
如何衡量用户对视频的喜好程度？
模拟一个二元正态分布？
推导一个分布的方差？
每年有多少人申请 Google 账户？
如何构建中位数的估计量？
如果回归模型中的两个系数估计值都具有统计显著性，那么你是否认为两者的测试依然重要？

最后，欢迎大家在评论区分享自己的答案以及面试经验。

参考资料：https://careers.google.com

招聘

AI科技大本营现招聘AI记者和资深编译，有意者请将简历投至：gulei@csdn.net，期待你的加入！

AI科技大本营读者群（计算机视觉、机器学习、深度学习、NLP、Python、AI硬件、AI+金融、AI+PM方向）正在招募中，和你志同道合的小伙伴也在这里！关注AI科技大本营微信公众号，后台回复：读者群，添加营长请务必备注姓名，研究方向。

AI科技大本营公众号ID：rgznai100

☟☟☟点击 | 阅读原文 | 查看更多精彩内容