演算法工程師：雙非渣碩是如何獲得百度、京東雙SP
演算法工程師：雙非渣碩是如何獲得百度、京東雙SP
本人本科碩士皆雙非，和牛客大佬們沒得比，目前拿到的還可以的offer就是百度SP和京東SP，都是做的推薦演算法，其他的不說了。
先說一下個人經歷吧，學校比較水，實驗室沒有專案，實習經歷：騰訊實習+滴滴實習 比賽經歷：幾個資料探勘競賽Top5的名次。
個人感覺，演算法崗確實看學校，但如果簡歷還可以的話，還是有面試機會的，內推投的簡歷，80%都給了面試機會吧。
百度提前批(feed部)
3輪電話面，遠端桌面coding。百度的面試風格其實是比較好把控的，基本就是專案問答、coding、機器學習演算法、CS基礎，偶爾會有些概率題智力題。
演算法題：
- 兩個有序陣列求中位數(leetcode)
- 判斷平衡二叉樹(劍指offer)
- 最長上升子序列(lintcode)
- 二叉樹轉雙向連結串列(劍指offer)
- LRU cache實現(leetcode)
- House Robber(leetcode)
機器學習問題：無非就是樹模型(gbdt、xgboost、rf、lightgbm)原理，LR、FM原理，w2v原理，深度學習在推薦系統上應用(和麵試官討論了google的兩篇paper，其中wide&deep network講的時間比較長)，神經網路embedding層和w2v中的embedding的實現區別，其他的記不清了。CS基礎：程序執行緒區別，多執行緒實現方式，執行緒衝突是什麼、怎麼解決，TCP三次握手細節，海量資料排序(分治)，其他的不記得。
京東提前批(廣告部)
2輪電話面，遠端寫code。京東的面試個人覺得不是太難，廣告部今年招人比較多，面試內容的話也是圍繞專案+機器學習演算法來問的，本人有京東演算法賽Top20，可能也是個加分項吧。
演算法題：連結串列翻轉、判斷平衡二叉樹、最長公共子序列、海量資料topk問題、蓄水池抽樣演算法
機器學習問題：也是簡歷上寫的演算法來問的，以及問了一些DL的基礎，不難。
蘑菇街
2輪電話面+1輪CTO面。
蘑菇街的面試只是圍繞專案進行的，2輪各30分鐘左右，都是在問專案，以及專案中用到的技術、演算法，不難。
騰訊
對實習所在部門的工作不感興趣，於是提前離職參加了提前批。面了AI平臺部，感覺是經歷過最難的面試，面試官的問題一個接著一個，有點咄咄逼人，無奈水平不夠，跪了，校招時候，做了筆試沒被通知面試。
- 專案介紹
- 你這個專案中間哪些地方提升，中間過程分別提升了多少CTR？
- 你專案用的分散式LR的是用什麼優化方法，引數怎麼調的，mini-batch的batch是多少？ parameter-server原理，如何解決資料一致性？
- 會分散式麼，hadoop,spark會麼，說說hadoop的災難處理機制
- hadoop一個節點資料量太大拖垮reduce，怎麼辦，Hadoop本身的處理機制是怎麼樣的，手工的話可以怎麼調
- hadoop資料傾斜問題如何解決
- L1、L2的區別，L1為什麼可以保證稀疏？
- 各種最優化方法比較 擬牛頓法和牛頓法區別，哪個收斂快？為什麼？
- 深度學習的優化方法有哪些？ sgd、adam、adgrad區別？ adagrad詳細說一下？為什麼adagrad適合處理稀疏梯度？
- DL常用的啟用函式有哪些？
- relu和sigmoid有什麼區別，優點有哪些？
- 什麼是梯度消失，標準的定義是什麼？
- DNN的初始化方法有哪些？ 為什麼要做初始化？ kaiming初始化方法的過程是怎樣的？
- xgboost裡面的lambdarank的損失函式是什麼？
- xgboost在什麼地方做的剪枝，怎麼做的？
- xgboost如何分散式？特徵分散式和資料分散式？ 各有什麼存在的問題？
- lightgbm和xgboost有什麼區別？他們的loss一樣麼？ 演算法層面有什麼區別？
- lightgbm有哪些實現，各有什麼區別？
阿里的話二面跪了，內推的阿里媽媽，難度比較高，跪了也是意料之中。還有一些公司的面試沒有參加，滴滴(面試時間和騰訊筆試衝突了，放棄)，網易(2次筆試都過了，不過拿到百度後就沒有去面了)，搜狗(電話面了1面後，讓去現場面二面，放棄)，拼多多(二面被面試官放鴿子)。
蘑菇街、YY、Bigo這些，主要還是問專案，參考意義不大。 PS：Bigo的推薦演算法團隊非常厲害，都是百度高T出來的，而且今年待遇非常給力。
下面說一下個人的學習經歷
雖然是CS專業，但實驗室做的方向和ML半毛錢關係沒有，且實驗室也只有我一個人在搞ML，所以也算是野路子出身了。
理論基礎：CS229視訊、西瓜書、統計學習方法、資料探勘導論、推薦系統實踐、深度學習
實踐基礎：機器學習實戰(研一時候照著書上程式碼打了一遍)、利用Python進行資料分析(照著書敲過一遍)
完成了這些基本功之後就是參加一些比賽了，剛開始入門的時候搞天池和Datacastle比賽，成績都很水，並且是孤軍作戰，箇中心酸只有親身經歷才能體會，後來研二後開始和一些外校的大神組隊，拿了幾個還可以的名次，也在大神身上學到了不少東西，所以個人感覺做比賽最好還是要組隊，思維更加開闊，一個人悶頭做很容易放棄。研二上學期末開始去實習，實習做的也是搜尋引擎、NLP、推薦演算法相關。
再說一下面試需要準備哪些
演算法工程師的面試其實就是圍繞幾項來展開的。
- 機器學習演算法理論：LR、SVM、樹模型、FM/FFM、EM、LDA、word2vec、推薦演算法等等，都會被問到，需要懂得演算法的推導、適用場景、使用的Trick、分散式實現。
- 深度學習相關：CNN、RNN、LSTM的基本原理，不同啟用函式的差異等等，如果是面的傳統機器學習崗的話，DL問的不深，但一定會問。
- 資料結構與演算法：leetcode高頻題、lintcode高頻題、劍指offer，大概這三樣準備好就夠了，校招前保證100多道題的積累量，面試時候寫code應該就手到擒來了。
- CS基礎：計算機網路、作業系統，推薦書籍：王道程式設計師面試寶典，這本書對於突擊面試很有幫助。
- 分散式：Hadoop/Spark這些，屬於加分項，會問點基本原理，還是需要看一下。
- 程式語言：雖然做比賽都是用的Python，但C++或者Java必須掌握其中一個，面試也會問一些語言相關的
- 海量資料處理：經常問的就是海量資料排序
Anyway，個人的秋招結束了(其實結束很久了)，雖然有些遺憾，但拿的offer和薪資也都挺滿意了，知足，開始弄畢業論文了，希望能順利畢業吧，就寫到著吧，語序有點混亂，湊合著看吧。
PS：最近私信我的朋友太多，這裡再補充點
對於學校不那麼好的、又立志找演算法工作的同學，這裡給點建議：
一、儘快去實習！如果是3年學碩的話，研二上學期中下(11月-次年2月) 就可以去進廠裡實習了，這樣做的好處是可以避開春招實習生的招聘高峰，比較容易進大廠，據我所知，像百度、滴滴、頭條這些公司都有常年在招實習生的，當然了，大部分是在北京。那麼怎麼找這種實習呢，推薦幾種投簡歷的渠道：1. 實習僧 2. nlp job 3. 北郵人論壇的實習板塊。對於學校不那麼好的同學，如果簡歷上有一二線公司的實習經歷，那麼內推簡歷通過篩選的可能性就大的多了。
二、 關於資料探勘比賽，很多同學問我如何入門這塊，我的建議是分步進行，1. 先熟悉python的基本語法、numpy、pandas、sklearn、gensim、keras這幾個比賽中常用的庫的使用；2. 精讀優秀比賽選手的程式碼，學習比賽的套路；3. 做完以上兩步，就可以開始參與比賽了，天池、CCF、DataCaslte、Kaggle等平臺的比賽都可以，不要貪多，同一個時間段最多參加2個比賽就可以，然後每天堅持優化結果，雖然過程可能會有點枯燥，但是最終會有收穫的，經過觀察與親身實踐，這類比賽比較吃經驗(套路)，要想取得比較好的名次，通常需要參加幾次比賽積累失敗的經驗才行，過程少則半年，多則一年。
三、演算法題一定要刷！ 如果時間緊，就刷上面說的三件套(leetcode高頻題、lintcode高頻題、劍指offer)，當然，要多刷幾遍，做到看到題目立刻想到思路並寫出bug free的程式碼。如果時間比較充裕，可以刷刷leetcode中medium和hard的題目，鍛鍊思維與編碼熟練度，總之，刷題是一個持之以恆的過程，切忌三天打魚兩天晒網！
四、專注於一個方向！ 發現有些同學(包括我年輕時候)，總喜歡這搞點那搞點，今天學一下機器學習，明天學一下Java後臺，後臺再學一下前端。這種方法對於大部分人來說是錯誤的(大牛忽略)！你要搞機器學習就專心搞，三條線並行搞：
- python -> 刷比賽
- java -> hadoop/mapreduce/spark
- python -> 深度學習，工作沒你想象中那麼難找
1.轉載地址: https://blog.csdn.net/weixin_39069037/article/details/79689650
2.備註: 原文內容、佈局、有稍做調整，如有侵權，還請指出。