『运筹OR帷幄』转载

求职招聘栏目

来自于运筹帷幄的招聘板块。一方面，我们将为大家精心挑选和整理全球与运筹学、数据科学、机器学习、人工智能等领域相关的招聘职位。另一方面，我们也将翻译和转载国内外在该领域相关的求职干货。

如果您有职位正在招人，如果您想推荐相关领域的职位，请扫描文末二维码，让我们助您一臂之力。

---

/转载来源/

本文经牛客网网友“牛妹”授权转载。

/原文作者/

牛客网网友“牛妹”，毕业于哈尔滨理工大学，牛客网第一网红，微博：迪公主dorothy。

-01-

知识点框架

-02-

数学基础

1)微积分

• SGD,Momentum,Adagard,Adam原理；
• L1不可导的时候该怎么办；
• sigmoid函数特性。

2)统计学，概率论

• a,b~U[0,1]，互相独立,求Max(a,b)期望；一个活动,n个女生手里拿着长短不一的玫瑰花,无序的排成一排,一个男生从头走到尾,试图拿更长的玫瑰花,一旦拿了一朵就不能再拿其他的,错过了就不能回头,问最好的策略?
• 问题：某大公司有这么一个规定：只要有一个员工过生日，当天所有员工全部放假一天。但在其余时候，所有员工都没有假期，必须正常上班。这个公司需要雇用多少员工，才能让公司一年内所有员工的总工作时间期望值最大？
• 切比雪夫不等式；
• 一根绳子,随机截成3段,可以组成一个三角形的概率有多大？
• 最大似然估计和最大后验概率的区别?
• 什么是共轭先验分布？
• 概率和似然的区别；
• 频率学派和贝叶斯学派的区别；
• 0~1均匀分布的随机器如何变化成均值为0，方差为1的随机器；
• Lasso的损失函数；
• Sfit特征提取和匹配的具体步骤。

3)线性代数

• 求mk矩阵A和nk矩阵的欧几里得距离；
• PCA中第一主成分是第一的原因；
• 欧拉公式；
• 矩阵正定性的判断,Hessian矩阵正定性在梯度下降中的应用；
• 概率题：抽蓝球红球，蓝结束红放回继续，平均结束游戏抽取次数；
• 讲一下PCA；
• 拟牛顿法的原理；
• 编辑距离。

图片来源：Gerd Altmann from Pixabay

-03-

机器学习算法

1)处理分类问题常用算法

• 交叉熵公式；
• LR公式；
• LR的推导，损失函数；
• 逻辑回归怎么实现多分类；
• SVM中什么时候用线性核什么时候用高斯核；
• 什么是支持向量机,SVM与LR的区别?
• 监督学习和无监督学习的区别；
• 机器学习中的距离计算方法?
• 问题：朴素贝叶斯(naive Bayes)法的要求是；
• 问题：训练集中类别不均衡，哪个参数最不准确？
• 问题：你用的模型，最有挑战性的项目？
• 问题：SVM的作用，基本实现原理？
• 问题：SVM的硬间隔，软间隔表达式？
• 问题：SVM使用对偶计算的目的是什么，如何推出来的，手写推导？
• 问题：SVM的物理意义是什么？
• 问题：如果给你一些数据集，你会如何分类(我是分情况答的，从数据的大小，特征，是否有缺失，分情况分别答的)
• 问题：如果数据有问题，怎么处理？
• 分层抽样的适用范围；
• LR的损失函数；
• LR和线性回归的区别；
• 生成模型和判别模型基本形式，有哪些？
• 核函数的种类和应用场景；
• 分类算法列一下有多少种，分别应用场景有哪些？
• 给你一个检测的项目，检测罐装的可口可乐，瓶装的可口可乐作为负样本，怎么弄？
• SVM核函数的选择；
• SVM的损失函数；
• 核函数的作用；
• SVM为什么使用对偶函数求解？
• ID3,C4.5和CART三种决策树的区别；
• SVM和全部数据有关还是和局部数据有关；
• 为什么高斯核能够拟合无穷维度？
• 第二面完整推导了svm一遍，还有强化学习问的很多，dqn的各种trick了解多少，怎么实现知不知道？
• SVM所有核函数的了解应用，SVM的损失函数；
• LR和SVM 区别；
• 朴素贝叶斯基本原理和预测过程；
• LR推导；
• 交叉熵；
• LR公式；
• 交叉熵公式。

2)处理回归问题常用算法

• L1和L2正则化的区别；
• 问题：Loss Function有哪些，怎么用？
• 问题：线性回归的表达式，损失函数；
• 线性回归的损失函数；
• 机器学习：知道哪些传统机器学习模型？

3)处理聚类问题常用算法

• 什么是DBSCAN？
• k-means算法流程；
• LDA的原理；
• 介绍几种机器学习的算法，我就结合我的项目经理介绍了些RF, k-means等算法；
• 讲讲，k-means有什么缺点，K怎么确定；
• DBSCAN原理和算法伪代码，与k-means，OPTICS区别。

4)推荐系统的常用算法

• 问推荐算法，fm，lr，embedding；
• 协同过滤的itemCF，userCF区别适用场景；
• 推荐系统的大概步骤，解决冷启动；
• 传统的机器学习算法了解吗？
• 用mapreduce实现10亿级以上数据的k-means；
• A/B test如何进行流量分流；
• 协同过滤中的算法怎么细分？
• FM公式。

5)模型融合和提升的算法

• bagging和boosting的区别；
• boosting和 bagging区别；
• XGBOOST和GDBT的区别；
• GDBT的原理,以及常用的调参参数；
• AdaBoost和GBDT的区别,AdaBoost和GBDT的区别；
• gbdt推导；
• boosting和bagging在不同情况下的选用；
• gbdt推导和适用场景；
• 说一下gbdt的全部算法过程；
• rf和gbdt基分类器区别，里面的决策树分别长啥样，怎么剪枝？
• 随机森林和 GBDT 的区别；
• xgboost的特征重要性计算；
• xgboost的正则项表达式；
• xgboost原理，怎么防过拟合；
• xgboost，rf，lr优缺点场景；
• xgboost特征并行化怎么做的？
• xgboost和lightgbm的区别和适用场景？

6)其他重要算法

• 问题：HMM隐马尔可夫模型的参数估计方法是；
• 问题：Bootstrap方法是什么？
• 问题：如何防止过拟合？
• EM算法推导，jensen不等式确定的下界。

图片来源：Gerd Altmann from Pixabay

-04-

机器学习

1)Scikit-learn

• Focal Loss 介绍一下；
• 过拟合的解决方法；
• 方差偏差的分解公式；
• 问题：对应时间序列的数据集如何进行交叉验证；
• 问题：正负样本不平衡的解决办法？评价指标的参考价值？
• 迁移学习；
• 数据不平衡怎么办？
• AUC的理解；
• AUC的计算公式；
• 生成模型和判别模型的区别；
• 过拟合的解决方法；
• 特征选择怎么做？
• 怎么防止过拟合？
• L1和L2正则；
• ID3树用什么指标选择特征？
• 特征工程的问题；
• 给了个链接线上写代码，要求写读文本、文本预处理、特征提取和建模的基本过程，不过写到特征就没写了；
• softmax公式；

2)Libsvm

• 检测20类物体，多少张训练集，怎么训练？
• lightgbm优势。

3)Keras/tensorflow

• MXNet和Tensorflow的区别；
• Tensorflow的工作原理；
• Tensorflow中interactivesession和session的区别；
• 手写了tensorflow的图像分类代码，还有问之前线下笔试最后编程题的思路，算法复杂度，然后项目也问。

图片来源：Gerd Altmann from Pixabay

-05-

深度学习

• BatchNormalization的作用；
• 梯度消失；
• 循环神经网络，为什么好？
• 什么是GroupConvolution？
• 什么是RNN？
• 训练过程中,若一个模型不收敛,那么是否说明这个模型无效?导致模型不收敛的原因有哪些?
• 图像处理中锐化和平滑的操作；
• VGG使用3*3卷积核的优势是什么？
• Relu比Sigmoid的效果好在哪里?
• 问题：神经网络中权重共享的是什么?
• 问题：神经网络激活函数?
• 问题：在深度学习中，通常会finetuning已有的成熟模型，再基于新数据，修改最后几层神经网络权值，为什么?
• 问题：画GRU结构图;
• Attention机制的作用;
• Lstm和Gru的原理;
• 什么是dropout?
• LSTM每个门的计算公式;
• HOG算法原理;
• DropConnect的原理;
• 深度学习了解多少，有看过底层代码吗？caffe,tf
• 除了GMM-HMM，你了解深度学习在语音识别中的应用吗;
• 用过哪些移动端深度学习框架;
• Caffe：整体架构说一下，新加一个层需要哪些步骤，卷积是怎么实现的，多卡机制，数据并行还是模型并行;
• HOG算子是怎么求梯度的?
• BN层的作用，为什么要在后面加伽马和贝塔，不加可以吗?
• 梯度消失，梯度爆炸的问题;
• Adam;
• attention机制;
• RNN梯度消失问题,为什么LSTM和GRU可以解决此问题?
• GAN网络的思想;
• 1*1的卷积作用;
• 怎么提升网络的泛化能力;
• 什么是seq2seq model?
• 激活函数的作用;
• 为什么用relu就不用sigmoid了?
• 讲一下基于WFST的静态解码网络的语音识别流程?
• 目标检测了解吗，Faster RCNN跟RCNN有什么区别?
• SPP，YOLO了解吗？
• 梯度消失梯度爆炸怎么解决？
• RNN容易梯度消失，怎么解决？
• LSTM跟RNN有啥区别？
• 卷积层和池化层有什么区别?
• 防止过拟合有哪些方法?
• 介绍下dropout?
• relu？
• 神经网络为什么用交叉熵？
• 注意力公式；
• 论文flow情况；
• Flappy.Bird开发者,怎么利用DNQ方法强化学习你的游戏AI？
• LeNet-5结构；
• 推导LSTM正向传播和单向传播过程；
• LSTM原理，与GRU区别；
• DNN的梯度更新方式；
• CNN为什么比DNN在图像识别上更好；
• 现场用collabedit写代码，一个怪异的归并算法，之前没遇到过，直接把归并写出来，但是说复杂度太高，优化了三遍还不行，最后说出用小顶堆解决了；
• LSTM和Naive RNN的区别；
• 神经网络为啥用交叉熵？
• 注意力公式；
• Inception Score 评价指标介绍；
• 使用的 CNN 模型权重之间有关联吗？
• CycleGAN 原理介绍一下；
• 训练 GAN 的时候有没有遇到什么问题；
• 百度实习：CPM 模型压缩怎么做的？有压过 OpenPose 吗？
• 用过哪些 Optimizer，效果如何；
• 图像基础：传统图像处理方法知道哪些，图像对比度增强说一下；
• 介绍一下图像的高频、低频部分，知道哪些图像补全的方法；百度实习：模型压缩的大方向。CPM 模型怎么压缩的，做了哪些工作；
• Depthwise 卷积实际速度与理论速度差距较大，解释原因；
• RetinaNet 的大致结构画一下；
• RetinaNet为什么比SSD效果好；

图片来源：Gerd Altmann from Pixabay

-06-

数据结构与算法

1)查找

• 手写二分查找；
• 算法题，单调函数求零点 (简单的二分法)；
• 特别大的数据量，实现查找，排序。

2)哈希

• Hash表处理冲突的方法；
• 一致性哈希；
• Hash表处理冲突的方法；
• apriori；
• KM算法。

3)表达式、字符串

• 中缀表达式转后缀表达式；
• 算法题：翻转中间由各种符号隔开的字符串；
• 问题：A+B∗(C−D)/E的后缀表达式。

4)栈与堆

• 大顶堆怎么插入删除；
• 堆栈区别；
• 栈溢出有哪些情况。

5)树

• 问题：手撕代码，根据前序，中序创建二叉树；
• 算法题：从右边看被遮挡的二叉树，求露出的node；
• 算法题，给前序和中序，求出二叉树；
• 算法题，trim二叉搜索树；
• 红黑树。

6)排序

• 对一千万个整数排序,整数范围在[-1000,1000]间,用什么排序最快；
• 堆排序的思想；
• 冒泡排序；
• 快速排序的最优情况；
• 抽了两道面试题目两道：8个球，1个比较重，天平，几步找到重的；
• 算法题：topK给出3种解法 ；
• 快排；
• 说一下小顶堆的调整过程；
• 算法题：2sum，3sum。

7)高级算法

• 手撕代码：以概率p生成1、概率1-p生成0的rand函数，得到0-1等概率的rand函数，计算新的rand函数中：调用一次，while循环的期望次数；
• Kruskal算法的基本过程；
• BFS和DFS的实现思想；
• 关联规则具体有哪两种算法,它们之间的区别；
• 贪婪算法；
• 模拟退火，蚁群对比；
• 算法题：名人问题，给出最优解法；
• 代码题：股票最大值；
• 编辑距离。

8)链表

• 如何判断单链表是否是循环链表；
• 反转链表；
• 算法题，反转链表；
• 算法题，单链表判断是否有环 (leetcode easy)，以及判断环入口。

9)数组

• 找出数组中只出现1次的数，其余数均出现2次，扩展，其余数出现2次以上。

10)动态规划

• 最短描述数，10的最短描述数是3^2+1^2所以是2，求一个数的最短描述数；
• 跳台阶问题，每次只能跳1个台阶或者2个台阶，n个台阶共有多少种方式；
• 动态规划和带记忆递归的区别；
• 手撕代码：0-1矩阵的最大正方形。

11)遍历

• 代码题：股票最大值。

图片来源：Elchinator from Pixabay

-07-

编程语言，工具和环境

1)编程语言

• 什么是python的生成器；
• Java抽象类和接口的区别；
• python中is和==的区别；
• python方法解析顺序；
• strcpy函数；
• Ctrl+C程序挂掉还是抛出异常,如何判断两个dict是否一样,list头上删除元素,字符串拼接；
• pytorch中cuda()作用,两个Tensor,一个加了cuda(),一个没加,相加后怎样；
• python中dict和list的区别,dict的内部实现；
• C++析构函数；
• C++的delete, delete[]的区别；
• C++相关的问题虚函数；
• 如何写多线程的代码；
• 是否关注过caffe和pytorch是怎么写的吗？pytorch调用多GPU函数内核；
• Java虚拟机内存的划分；
• python dict按照value进行排序；
• C++中static关键字的作用；
• 虚函数和纯虚函数的区别；
• Python多进程；
• 深拷贝，浅拷贝，写一个出来(写了个自己认为对的版本)；
• 在程序里面智能指针的名字是啥？
• new，malloc区别；
• 纯虚函数怎么定义，写一个出来；
• 函数后面接const是什么意思？
• 写一个函数指针；
• 抽象类和接口的区别；
• 有看过c＋＋的一些库吗？
• c＋＋你看的最久的一章是哪一章，c＋＋primer最熟哪一章？
• 开发环境、语言的掌握；
• Python 多进程；
• Python 锁。

2)大数据相关

• Spark性能如何调优；
• map reduce实现笛卡尔乘积；
• 是否写过udf，问udaf，udtf区别和一些细节。

-08-

自然语言处理

1)Word2vec

• Word2Vec中skip-gram是什么,Negative Sampling怎么做；
• FastText和Glovec原理；
• word2vec实施过程；
• softmax的原理了解；
• Wod2vec公式；
• 使用gensim的word similar方法预测句子。

图片来源：Gerd Altmann from Pixabay

-09-

计算机基础

1)linux

• ELF的bss段；

2)计算机网络

• IP报文经过一个路由器改变哪些字段?
• TCP/IP算法,IP寻址。

3)操作系统

• 如何将小端存储模式转为大端存储模式；
• Python 锁。

4)数据库

• count(*),count(1)和count(列名)的区别。

-10-

场景题

• 如何对10亿个词语进行排序,找出频率最高的100个？
• 算法题，10亿个32位正整数，求不同值，只给1GB内存 ？
• AI能用在游戏的哪些方面？
• 如果让我用AI技术怎么加入AI元素？
• 你觉得你的构想能实际实现吗？
• 那这个技术加进去有什么实际上的意义？

-11-

项目

• 自我介绍；
• 项目介绍；
• 项目中涉及的算法有了解情况；
• 模型的搭建，后处理，数据中发现的特征，发现的亮点；
• 数据量和涉及的算法，效果；
• 你是怎么处理数据中经常存在的数据不平衡的问题；
• 考察项目中的roi-pooling；
• 描述一个算法项目从kickoff-落地的全过程；
• 扣项目，问简历，其中涉及的算法和上面差不多；
• 对项目中一些技术选型产生质疑，并友好的一起讨论了这个问题；
• 扣简历，问得太细了，每个项目都要回答如果再做一次，有什么改进的地方，both算法上和模型选择上；
• 聊简历项目，对搜索推荐算法的了解；
• 简历上聚类项目用到的ISODATA算法比kmeans有哪些改进；
• 然后让我说一下自己最印象深刻的项目。问我项目的最终成果，分析失败的原因；
• 看过的论文，讨论论文；
• 针对岗位需求和我简历里的内容进行提问；
• 项目中遇到的最大困难；
• 你的C/C++怎么样；
• 谈谈实习项目；
• 项目难点；
• 说一下你简历里的图像识别的项目；
• 项目经历详细介绍：两种预测方式区别，pair的预测方式，整体项目有哪些可以提升的，遇到的困难之类的，整个项目用了哪些库；
• 看过的论文，讨论论文；
• 论文flow情况；
• 英特尔实习：项目介绍：台球识别和分类使用的方法，Hough 变换原理、后处理；
• Kaggle 比赛：背景介绍，数据清洗、数据增强、类别平衡，最终成绩，与前几名差距在哪，有没有尝试集成的方法；
• GAN 小论文，做了哪些工作，详细公式推一下，对 GAN 的具体应用有了解吗；
• 简历上项目为何适用xgboost和lr，对比其他分类算法的场景优势 ；
• GAN小论文，你做了什么，有哪些改进，在哪些数据集上做过实验，分辨率是多少；
• 英特尔实习：1)项目背景。台球检测和分类方法，球杆检测方法，球杆遮挡问题怎么处理，不用分类器，直接分割或计算图像差值会怎样；
• 有什么问题想了解一下。

图片来源：Wolfgang Claussen from Pixabay

-12-

hr面

• 自我介绍；
• 几点过来的；
• 你有什么跟别人不一样的；
• 你的缺点是什么；
• 家里几口人；
• 搞技术的你怎么很能说啊；
• 为什么喜欢杭州；
• 为什么喜欢菜鸟；
• 如果你面试失败，你会怎么办？
• 菜鸟跟你相关的部门；
• 有女朋友吗？
• 在哪里工作?
• 从事什么行业?
• 如果你的岗位有冲突，你会怎么处理?
• 实习时间，具体什么时候可以开始?
• 你有什么想问的吗?
• 有没有男朋友呀，意向地点是哪?
• 对公司有哪些了解?
• 兴趣爱好、意向地点?
• hr面就是常见的问题，城市啊，薪资待遇啊，对部门的评价，对总监的评价;
• 自我评价优缺点，怎么改进 ;
• hr抠了简历细节，问了笔试试卷相关的问题，还有自己的职业规划等;
• 想去的工作城市;
• 考研还是保研，为什么考到这个学校;
• 研究生期间最大的改变是什么?
• 四六级成绩;
• 讨论下工作地点和期望薪资;
• 你三年的职业规划是什么?
• 你和周围的人比你的优势在哪？举个例子;
• 考研的还是保研的？为什么没有保研?
• 家庭成员？家里人对你的工作地点有要求吗?
• 平时喜欢运动吗?
• 设计模式会吗?
• 转岗吗?
• 平时刷题吗？你刷过最有意思的题是哪个，介绍一下?
• 我看你之前还做过销售，聊一下 ?

-13-

学习与发展

• 如果有同学要学机器学习，你会建议他们从哪里做起?
• 个人发展，以及对自己项目的深入思考，还有深度学习的发展之类的。
• 讲很多关于深度学习以及机器学习的具体应用与实现，也谈到了自己在实际工作中遇到的困难。
• 之后面试官问了些我对人工智能的看法，以及相关竞赛的情况;
• 为什么选择实习，而不是在学校做研究？

E