算法工程师：双非渣硕是如何获得百度、京东双SP本人本科硕士皆双非，和牛客大佬们没得比，目前拿到的还可以的offer就是百度SP和京东SP，都是做的推荐算法，其他的不说了。

先说一下个人经历吧，学校比较水，实验室没有项目，实习经历：腾讯实习+滴滴实习比赛经历：几个数据挖掘竞赛Top5的名次。

个人感觉，算法岗确实看学校，但如果简历还可以的话，还是有面试机会的，内推投的简历，80%都给了面试机会吧。

百度提前批(feed部)：3轮电话面，远程桌面coding。

百度的面试风格其实是比较好把控的，基本就是项目问答、coding、机器学习算法、CS基础，偶尔会有些概率题智力题。

算法题：1. 两个有序数组求中位数(leetcode)2. 判断平衡二叉树(剑指offer)3. 最长上升子序列(lintcode)4. 二叉树转双向链表(剑指offer)5. LRU cache实现(leetcode)6. House Robber(leetcode)机器学习问题：无非就是树模型(gbdt、xgboost、rf、lightgbm)原理，LR、FM原理，w2v原理，深度学习在推荐系统上应用(和面试官讨论了google 的两篇paper，其中widedeep network讲的时间比较长)，神经网络embedding层和w2v中的embedding的实现区别，其他的记不清了。

CS基础：进程线程区别，多线程实现方式，线程冲突是什么、怎么解决，TCP三次握手细节，海量数据排序(分治)，其他的不记得。

京东提前批(广告部)：2轮电话面，远程写code。

京东的面试个人觉得不是太难，广告部今年招人比较多，面试内容的话也是围绕项目+机器学习算法来问的，本人有京东算法赛Top20，可能也是个加分项吧。

算法题：链表翻转、判断平衡二叉树、最长公共子序列、海量数据topk 问题、蓄水池抽样算法机器学习问题：也是简历上写的算法来问的，以及问了一些DL的基础，不难。

蘑菇街：2轮电话面+1轮CTO面。

蘑菇街的面试只是围绕项目进行的，2轮各30分钟左右，都是在问项目，以及项目中用到的技术、算法，不难。

腾讯：对实习所在部门的工作不感兴趣，于是提前离职参加了提前批。

面了AI平台部，感觉是经历过最难的面试，面试官的问题一个接着一个，有点咄咄逼人，无奈水平不够，跪了，校招时候，做了笔试没被通知面试。

1.?项目介绍?2.?你这个项目中间哪些地方提升，中间过程分别提升了多少CTR？?3.?你项目用的分布式LR的是用什么优化方法，参数怎么调的，mini-batch的batch是多少？?parameter-server原理，如何解决数据一致性？?4.?会分布式么，hadoop,spark会么，说说hadoop的灾难处理机制?5.?hadoop一个节点数据量太大拖垮reduce，怎么办，Hadoop本身的处理机制是怎么样的，手工的话可以怎么调?6.?hadoop数据倾斜问题如何解决?7.?L1、L2的区别，L1为什么可以保证稀疏？?8.?各种最优化方法比较?拟牛顿法和牛顿法区别，哪个收敛快？为什么？?9.?深度学习的优化方法有哪些？?sgd、adam、adgrad区别？?adagrad 详细说一下？为什么adagrad适合处理稀疏梯度？?10.?DL常用的激活函数有哪些？?11.?relu和sigmoid有什么区别，优点有哪些？?12.?什么是梯度消失，标准的定义是什么？?13.?DNN的初始化方法有哪些？?为什么要做初始化？?kaiming初始化方法的过程是怎样的？?14.?xgboost里面的lambdarank的损失函数是什么？?15.?xgboost在什么地方做的剪枝，怎么做的？?16.?xgboost如何分布式？特征分布式和数据分布式？?各有什么存在的问题？?17.?lightgbm和xgboost有什么区别？他们的loss一样么？?算法层面有什么区别？?18.lightgbm有哪些实现，各有什么区别？?阿里的话二面跪了，内推的阿里妈妈，难度比较高，跪了也是意料之中。

还有一些公司的面试没有参加，滴滴(面试时间和腾讯笔试冲突了，放弃)，网易(2次笔试都过了，不过拿到百度后就没有去面了)，搜狗(电话面了1面后，让去现场面二面，放弃)，拼多多(二面被面试官放鸽子)。

PS：Bigo的推荐算法团队非常厉害，都是百度高T出来的，而且今年待遇非常给力。

?下面说一下个人的学习经历吧。

?虽然是CS专业，但实验室做的方向和ML半毛钱关系没有，且实验室也只有我一个人在搞ML，所以也算是野路子出身了。

?理论基础：CS229视频、西瓜书、统计学习方法、数据挖掘导论、推荐系统实践、深度学习?实践基础：机器学习实战(研一时候照着书上代码打了一遍)、利用Python进行数据分析(照着书敲过一遍)完成了这些基本功之后就是参加一些比赛了，刚开始入门的时候搞天池和Datacastle比赛，成绩都很水，并且是孤军作战，个中心酸只有亲身经历才能体会，后来研二后开始和一些外校的大神组队，拿了几个还可以的名次，也在大神身上学到了不少东西，所以个人感觉做比赛最好还是要组队，思维更加开阔，一个人闷头做很容易放弃。

研二上学期末开始去实习，实习做的也是搜索引擎、NLP、推荐算法相关。

再说一下面试需要准备哪些吧。

算法工程师的面试其实就是围绕几项来展开的。

1. 机器学习算法理论：LR、SVM、树模型、FM-FFM、EM、LDA、word2vec、推荐算法等等，都会被问到，需要懂得算法的推导、适用场景、使用的Trick、分布式实现。

2. 深度学习相关：CNN、RNN、LSTM的基本原理，不同激活函数的差异等等，如果是面的传统机器学习岗的话，DL问的不深，但一定会问。

3. 数据结构与算法：leetcode高频题、lintcode高频题、剑指offer，大概这三样准备好就够了，校招前保证100多道题的积累量，面试时候写code应该就手到擒来了。

4. CS基础：计算机网络、操作系统，推荐书籍：王道程序员面试宝典，这本书对于突击面试很有帮助。

5. 分布式：Hadoop-Spark这些，属于加分项，会问点基本原理，还是需要看一下。

6. 编程语言：虽然做比赛都是用的Python，但C++或者Java必须掌握其中一个，面试也会问一些语言相关的7.?海量数据处理：经常问的就是海量数据排序Anyway，个人的秋招结束了(其实结束很久了)，虽然有些遗憾，但拿的offer和薪资也都挺满意了，知足，开始弄毕业论文了，希望能顺利毕业吧，就写到着吧，语序有点混乱，凑合着看吧。

PS：最近私信我的朋友太多，这里再补充点吧。

对于学校不那么好的、又立志找算法工作的同学，这里给点建议：一、尽快去实习！如果是3年学硕的话，研二上学期中下(11月-次年2月)?就可以去进厂里实习了，这样做的好处是可以避开春招实习生的招聘高峰，比较容易进大厂，据我所知，像百度、滴滴、头条这些公司都有常年在招实习生的，当然了，大部分是在北京。

那么怎么找这种实习呢，推荐几种投简历的渠道：1.?实习僧?2.?nlp?job?3.?北邮人论坛的实习板块。

对于学校不那么好的同学，如果简历上有一二线公司的实习经历，那么内推简历通过筛选的可能性就大的多了。

二、?关于数据挖掘比赛，很多同学问我如何入门这块，我的建议是分步进行，1.?先熟悉python的基本语法、numpy、pandas、sklearn、gensim、keras这几个比赛中常用的库的使用；2. 精读优秀比赛选手的代码，学习比赛的套路；3.?做完以上两步，就可以开始参与比赛了，天池、CCF、DataCaslte、Kaggle等平台的比赛都可以，不要贪多，同一个时间段最多参加2个比赛就可以，然后每天坚持优化结果，虽然过程可能会有点枯燥，但是最终会有收获的，经过观察与亲身实践，这类比赛比较吃经验(套路)，要想取得比较好的名次，通常需要参加几次比赛积累失败的经验才行，过程少则半年，多则一年。

三、算法题一定要刷！如果时间紧，就刷上面说的三件套(leetcode 高频题、lintcode高频题、剑指offer)，当然，要多刷几遍，做到看到题目立刻想到思路并写出bug free的代码。

如果时间比较充裕，可以刷刷leetcode中medium和hard的题目，锻炼思维与编码熟练度，总之，刷题是一个持之以恒的过程，切忌三天打鱼两天晒网！四、专注于一个方向！发现有些同学(包括我年轻时候)，总喜欢这搞点那搞点，今天学一下机器学习，明天学一下Java后台，后台再学一下前端。

这种方法对于大部分人来说是错误的(大牛忽略)！你要搞机器学习就专心搞，三条线并行搞：1. python - 刷比赛? 2. java - hadoop-mapreduce-spark 3. python - 深度学习，工作没你想象中那么难找。

——————————-?互联网名企笔试真题-?校招求职笔经面经-?程序员求职实习信息-?程序员学习交流社区清华硕士去面试算法工程师，竟被HR吐槽：清华出来的就这水平吗？本期课-程限报 300人，报满为止。

课-程售价为 499元，前?100?名报名者，可领取?100?元优惠券。

这一步，你才真正的用上了你上面学的机器学习的hadoop，spark工具，看了上面说的，要完成工程化这一步，得有什么能力不用我说了吧，这是一个标准的软件开发工程师的必要技能，还是高级开发工程师哦。

19.《射频通信电路》『中』陈邦媛科学技术出版社个人书评：老一套“高频电子线路”类教材的佼佼者，书中还引入了SMITH,PLL那章写的还是比较详细，让我看到其它PLL上所没有的一些东西. 很适合加强高频电路基础的朋友和学生看.其次，根据多个机构近期发布的报告显示，目前，在中国，正有大量资金流向人工智能行业，融资额正在不断逼近美国。

从上述要求中，我们可以总结出以下三点背景考察因素：相关领域经验、数理基础、英文论文阅读。

「招聘企业肯定优先想要考虑那些有直接工作背景的，但是这种人才在市场上通常都比较少，所以他们会退而求其次，考察他们的学术背景。

」100offer因为我不是计算机专业的，所以基本上属于没怎么敲过代码的那种。

所以我认为，测试这条路，越往后算法题要求可能越高。

大家根据自己的职位适度选择即可。

所谓“本立而道生”：一个项目开始时，总是应该先做两件事：一是讨论定义清楚量化的目标函数；二是搭建一个能够对目标函数做线上A-B 测试的实验框架。

而收集什么数据、采用什么模型，倒都在其次了。

首先说明我没有上课，也没有报班，属于个人学习习惯问题。

但考虑到学习差异性，所以还是总结了口碑排名靠前的课-程系列。

前提，需要有一定数学基础，没有的可以顺便补一补。