新浪
一面:
(一半是对着笔试题问的，每一面的面试官手里都有你的笔试成绩，精细到你的代码提交了多少次，通过了用例多少，有几次是编译失败)
1.有一个rand可以等概率产生1—7这7个数字，如何利用这个rand等概率的产生1—9？
笔试的时候有这个题，我明明写对了，却得了零分，面试官特地拉出来问我，常规题，百度有。
2.(继续对着笔试问)我看你笔试编程题那道最长公共子序列得了满分，你写一下动态规划方程。
尴尬，没写出来。嘿嘿嘿。
3.写出循环神经网络的基础公式。然后权重参数是怎么更新，依赖于哪些东西，画个示意图。
4.gru的公式写一下，它和lstm的区别是啥
(这里吐槽一下，我写出来gru后，面试官说不错，很多人都写不出来，我就有点蒙，看来是因为大佬们已经签的差不多了吗。。。这差不多是深度学习基础公式)
5.新浪微博下有很多的评论，你设计一个模型分析这个评论是正面还是负面的。
没做过文本分析和情感分析，直接套了个gru解决。和面试官探讨了一下，他说这个跟词映射和correlation有关，还可以加入attention机制，让我下去了解一下。
二面:
1.说一下有哪些排序算法
(再吐槽一下。。。我把10个排序算法给甩出来后面试官表示很满意，这小伙子居然还知道基数排序，相比之下美团还让我分析了十个排序算法的时间复杂度还有稳定性，我答出来后还把我挂了，迷茫)
2.手写快排
3.看我用过mxnet，问我知道mxnet的底层是啥吗？我说分布式，他说分布式太大了，再细一点，我又是懵逼
4.看我用过ssd，yolo，dssd，让我介绍一下这三个框架的大概细节
5.知道目前有哪些模型压缩算法吗
答mobilenet,shufflnet，然后让介绍大概的细节
三面:
1.介绍最满意的项目
2.又问了mxnet是啥
3.看你上过微机原理，CPU的微指令有了解吗
懵逼
4.c＋＋的虚函数怎么实现的
5.class和struct的区别是啥
没答出来
6.一道算法题，小机器人从左下角走到右上角，只能向上或者向右，有多少种走法？
之前没做过类似的题，吭吭唧唧手撕出动态回归方程
7.你这算法的时间复杂度是多少？
2^n
8.有什么优化空间吗
用备忘录算法
9.加难度，如果把一次拐弯当做k，现在传入一个参数k，问在k次转弯下，有多少种走法？
不会。。。提示了还是不会，难受。
面完三面后，三面面试官说后面还会有HR面，让我等HR打电话，感觉应该稳了。感觉不知道是新浪面试开始太晚了还是什么原因，新浪面的人没那么多，我两点走的，二面面试官和三面面试官说今天的已经全部搞完了准备回去休息了，没来的人打电话过去也说不来了。
原文链接：https://www.nowcoder.com/discuss/124912type=2&order=0&pos=10&page=1
滴滴
一面：
由于zoom的故障，一面是电面。
1、自我介绍
2、论文介绍
1）数据介绍，如何组织数据形式
2）主模型网络层结构
3）LSTM、CNN、convLSTM原理，异同对比
4）特征工程的依据和效果
5）模型对比的结果
6）有什么可以继续改进的点
3、专利介绍
4、分布式项目的实施过程，问的很仔细，也涉及到Hadoop底层原理的深挖。
5、天池竞赛介绍
1）背景+数据介绍
2）如何定义一个机器学习问题
3）为何使用xgb，xgb原理，xgb并行实现
4）LSTM原理、梯度消失原因及解决方法
5）模型融合方法，尝试了几种，都怎样做的。
6、NLP项目介绍
1）NER、RE的建模方法，最新论文的方法是怎样做的
2）图谱构建的方法、schema介绍
3）HMM、MEHMM、CRF原理以及对比。
4）EM算法的原理，在HMM中如何使用的。
5）为何使用biLSTM+CRF的结构
7、xgboost与gbdt、RF的对比
8、编辑距离的递推公式（因为电面，所以只说了思路）
一面基本上是对简历内容的深度进行了测验。
二面（zoom视频）：
二面是部门老大，问的问题与一面有部分重叠。
1、论文详细介绍，老大会一直追问每一个点，网络结构的设计，为何采用convLSTM、视频流法的具体***作、5维张量每一维代表什么等等....
2、NLP项目介绍，与第一面重叠
二面主要问论文，基本上聊了近40分钟，其他时间基本是聊项目。
三面（交叉面，zoom视频）：
交叉面主要问了分布式等内容。
1、MR各阶段原理
2、Hadoop性能优化方法
3、分布式项目的建模全部流程，要求以shuffle阶段为例，详细讲解项目建模中全部的公式推导。
4、docker容器的概念、适用场景、解决什么问题等基础问题。
三面总共40min，感觉面试官貌似对我不太感兴趣，但是今天却收到了HR的电面预约....
链接：
https://www.nowcoder.com/discuss/121733?type=2&order=0&pos=120&page=1
閱讀更多 機器學習與數據挖掘 的文章
