首先是筆試，通過後才能面試。

筆試題目需要在1.5小時內做完，一共6道題目。兩道簡答題，一道計算題（機器學習的），一道numpy程式設計題，一道機器學習調參題，最後一道演算法leetcode hard題，只需要寫出思路，不需要code。

題目如下：

1.（簡答題）：防止overfit的方法，說三個，用英語

dropout

data augmentation(for images data(such as rotating,cut the images))

L1/L2 regularization

2.（簡答題）：relu的作用

步驟：relu可以防止過擬合，讓一些神經元的輸出為0，同時增加了神經網路的非線性關係

3. （計算題：二選一）：

我選的第一個題目做

題目一：樸素貝葉斯分類器，給出了條件概率，求分類的結果（分類的結果就是求出y等於多少）

解題步驟：直接寫出貝葉斯公式，帶入概率值，最後發現帶入的概率值是一個關於y的多項式方程，對其求導=0，得到最大似然估計的概率最大值時y的取值

本題得解

題目二：手算反向傳播

4. numpy還原矩陣

將原始m*n的矩陣交換行的順序，為matrix1，然後交換原始矩陣的列的順序，為matrix2.

通過matrix1和matrix2得到原始矩陣。拿到的是numpy陣列，也需要返回numpy陣列

這題我numpy當時忘記了，只寫了一半

5.機器學習調參題：

給了train data set，train lebel，和test data set，讓分類器的模型使得test data set的prediction acc達到90%以上。一共有5個數據集的prediction acc達到90%，就可以拿到滿分。

題目要求只能使用tensorflow，pytorch和sklearn。我尋思這個給的是結構化資料，深度神經網路不太適合處理這樣的資料，因此肯定選GBDT,GBDT在sklearn當中也是最強的演算法之一了，而且也不能用xgboost，catboost，gbdt或者svm就成了最優的選擇。

我首先用knn試了試grid search，但是考試平臺不能用grid search這個包，因為看不到grid search輸出的結果。於是我就改用我用的sklearn當中GBDT手動除錯的引數。只能手動調參，

最後我的最高acc為92%，4個上了90，有一個test case沒上90% acc，為89%。

6.演算法題：

至少為k的連續子序列，leetcode hard難度，類似於

leetcode862. 和至少為 K 的最短子陣列

但是稍有改動，我稍微想了下就想出來了，用快排和雜湊表輕鬆得解。

總結：最後沒有通過筆試，沒有拿到面試的資格，6個題目，我自認為還做得不錯，除了第四題都做出來了，依然沒有通過筆試，挺奇怪的，一個小start up的門檻居然這麼高？這都不給面試機會？