最近，各大互聯網公司，如百度、阿里、騰訊、華為等都開始面試應屆生了。小編也開始陸陸續續面試了一些應聘者，然而對於考察本科應屆生哪些問題，這個問題讓小編有時候也很頭疼。一方面，應屆生不像社招一樣，有了工作經驗，對很多算法和實際問題都有深入的思考；另一方面，簡單的算法面試題很容易刷題，面試的問題不容易考察應聘者的實際能力，算法題出得太難也不利於衡量應聘者的水平。這兩個痛點是相互交織的，很難同時解決，也是面試官會遇到的普遍問題。
經過閱讀大量的面試題和反覆的思考，小編整理了面試的思路，和相應的題庫。小編做這件事情的目的是，希望讀到這篇文章的應屆生們，能夠藉此反思自己學過的課程、做過的項目和刷過的題，從而對算法、數據結構、項目和工程有針對性的深入思考，在提高自我能力和職業素養的同時從而獲得滿意的offer。
面試原則1: 基礎的算法和數據結構要掌握，常規題能在面試官的幫助下解決，拔高題能有大致的思路
基礎的數據結構題：鏈表反轉、鏈表求環、樹前序遍歷（遞歸/非遞歸）、
基礎的算法題：1T int數據，求前（第）k大的數字；快排和二分查找；哈希算法解決衝突的算法有哪幾種
拔高題：設計高效的鏈表插刪結構(OlogN)；如何用哈希解決負載均衡；搜索詞熱度下拉推薦可以用哪些數據結構和算法實現
面試原則2：學過的課程，基礎知識點掌握紮實，高分低能、低分低能都不能接受
數據庫：數據庫表內包含名字、課程、分數3列，求所有最低分不小於80分的人的名字，用SQL表達
網絡原理：TCP三次握手原理；網絡協議分幾層
操作系統：int、unsigned int、float在32位計算機是怎麼記錄的，他們的取值範圍多少
面試原則3：對應聘的崗位相關的算法、工程瞭解有一定深度
以自然語言處理為例，word2vec的huffman tree 和negative sampling是什麼目的？（結合公式回答）；
以機器學習為例，AUC曲線、PRF值能衡量什麼，在不同的場景下，哪些指標重要？LR算法如何並行？
面試原則4：用過的算法、工具包要知其所以然，瞭解要有深度
比如在機器學習競賽中，用過GBDT模型，GBDT模型是什麼模型？決策樹模型可以分幾種，決策樹生成算法有哪幾種？
*隨機森林和GBDT有哪些區別：bias vs variance,可並行訓練與否，bagging vs boosting，採樣數據不一樣（隨機森林行採樣列採樣，GBDT只有列採樣）等
四個原則中，前兩個原則相關的考題相當於高考送分題，決定了你是否能夠及格；後兩個原則相關的題目相當於大題，決定了你能拿到的待遇。重要性是依次提高的！當然不同的應聘簡歷、不同的面試官都會導致問問題有不同的側重，但萬變不離其宗。只要把這些問題解決了，你就能拿到滿意的offer。
歡迎有疑問的同學私信諮詢我，但是別想從我這裡套考題。 哈哈哈哈
