本文用于記錄這幾天面試下來的一些流程和心得體會，重點記錄XXXX部門的三場面試，了解自己的優(yōu)勢，更重要的是發(fā)現自己的不足，以便在日后針對性的加強學習和進步！

• 1 面試流程
  • 1.1 技術面（14:00 – 14:30, 15:30 – 16:40, 30/Aug.）
    • 1.1.1 自我介紹
    • 1.1.2 話題來源
    • 1.1.3 互動方式
    • 1.1.4 面試問題
      • a. 基礎部分
      • b. 數據部分
      • c. 機器學習 & 深度學習
      • d. 數據結構與算法
      • e. 邏輯思維
  • 1.2 HR面（16:30 – 17:00, 31/Aug.）
• 2 一些想法和日后的學習計劃

1 面試流程

• 面試流程

1.1 技術面（14:00 – 14:30, 15:30 – 16:40, 30/Aug.）

1.1.1 自我介紹

首先是一段自我介紹，自我介紹內容可以盡量簡潔，只涵蓋和自己及崗位相關的框架，便于面試官在我們陳述過程中抓取感興趣的內容，拓展開來提問；這個時候不需要慌張，可以隨時終止自我介紹，針對面試官的提問，詳細展開，分點描述。如果一開始就事無巨細的把自己的各類愛好特長科研經歷的細節(jié)一一陳述，不僅浪費時間，更會喪失重點，更重要的是，會給面試官留下主次不分，沒有條理的壞印象。

1.1.2 話題來源

從幾次的技術面試經歷來看，除了面試官準備好一定要問的問題之外，問題來源一般有三：

• 自我介紹；
• 個人簡歷，重要性依次為：項目經歷 > 專業(yè)技能 > 專業(yè)課程；
• 在詳述某個內容或項目時，提及的面試官興趣的某個項目或技能；

從某種意義上來說，準備好自我介紹，認真雕琢簡歷(在此特別感謝一位學長給我簡歷上的指導！)，以及對項目的了如指掌，就已經主導了這一場面試的大部分討論話題！

1.1.3 互動方式

兩次技術面試除了在時長上面有所差異，面試內容問題差異不大，但是根據技術面試官個人的喜好和性格，呈現出兩種不同的面試風格。其中：

• 一面傾向于面試官提問 -- 我來回答的模式，面試官本人不會對我的回答進行詳細的評價，而是立即進行下一個問題的討論；
• 二面傾向于面試官提問 -- 我來回答 -- 雙方討論的模式，雖然面試官在我回答之后同樣不會給出正確答案，但是會針對我的回答進行一定程度上的互動，例如：
  
  • 闡述該問題在專業(yè)領域的重要性
  • 解釋該問題涉及的相關技能
  • 對問題進行略微的改動，觀察我的遷移學習和反應能力

1.1.4 面試問題

由于當時沒有特意記錄，這里全憑記憶整理一些印象深刻的問題。

a. 基礎部分

• 介紹自己平常用到的Linux命令；
• 介紹什么是繼承和多態(tài)；
• 介紹Numpy常用操作，如何對矩陣進行轉置；
• 介紹Pandas常用操作，如何篩選數據；
• 如何反轉輸出字符串；
• 什么是列表推導式；

b. 數據部分

• 是否對大量數據或者經典數據集進行過數據預處理(數據清洗/數據篩選等)，如果有請詳述操作流程（因為沒有實際數據處理經驗，我只介紹了當初學習過程中如何對Boston房價和Wine數據進行清洗和預處理）；
• 介紹常用的SQL語言，如何顯示所有字段，如何拼接表單（由于我對數據庫僅限于了解最基礎的操作，因此我只回答了我所知道的最基本的幾個數據庫語句，對最后一個拼接表單的問題，我直接說確實不會做。在這里說一下，如果遇到自己不會的題目，是很正常的事，直截了當地說不會就行，然后最好可以說一說和它相關但是自己又相對熟悉的其他東西，面試官不會因為我們哪個知識點不熟悉不了解而全盤否定我們的——當然前提是不要問啥啥不會[笑哭]）；
• 用Scrapy框架爬過哪些網站，分別用過哪些技能，各個網站都有什么各自的特點（詳細說一說各大網站的反爬蟲特點，以及自己的應對方法，有做過簡單項目的華也可以針對自己的項目進行述說）；
• 是否了解Python的異步和多線程，用過哪些相關的庫（這里我提到了自己做過的動態(tài)代理池項目，Github / 博客筆記，詳述了整個項目的框架，然后通過其中一個異步模塊順帶就回答面試官的問題）；
• 用爬蟲獲取的數據有什么用途，是否應用于機器學習（這一題我也是如實回答，沒有對爬蟲獲取的數據進行過實際的應用，因為當初是在學習爬蟲的各種技能，關于數據應用和挖掘這一塊我尚且沒有進行過實戰(zhàn)）；

c. 機器學習 & 深度學習

• 了解哪些經典機器學習方法，針對某一兩個進行詳述（我在實驗室項目中用到過SVM，因此詳細說了下SVM的原理，以及是如何調參的；二面也問到了這個問題，但是面試官又主動問了我決策樹/CART/GBDT的原理和特點，但是遺憾的是我對決策樹只了解最基本的決策樹和剪枝等對抗過擬合的方法，CART/GBDT兩個我直接說目前還沒有深入了解，同時我又描述了一下我相對比較了解的隨機森林，運用的Bagging和Adaboost，繼而在面試官的要求下，又詳細說了一下Bagging和Adaboost的原理和效果）；
• 用過Tensorflow框架搭建過哪些模型，簡述模型搭建的過程和步驟（我目前也沒有針對實際應用搭建過模型，就說了最經典的MNIST的全連接網絡模型以及CNN模型，分別介紹了全連接和CNN模型的搭建過程）
• 是否了解CNN和RNN，簡述其特點，以及為什么要用這兩種網絡（我對于RNN目前還不是特別了解，因此針對CNN進行了詳述，包括卷積層 / 池化層的作用和優(yōu)勢，stride的選取，參數數量的改變）；
• 介紹Dropout的作用和意義；
• 什么是過擬合和欠擬合，過擬合的應對措施有哪些（應對措施我主要說了三個：增大訓練數據集的規(guī)模 / 訓練提前停止 / L1和L2正則化；這之后面試官又讓我說一說L1和L2正則化為什么能起作用，以及他們各自的特點，我說到了網上一篇文章用二位坐標軸來解釋的，面試官笑著說他也看過這篇文章，然后互相心有靈犀我也就沒有繼續(xù)解釋下去）；
• 是否不用深度學習框架編寫過網絡模型（我介紹了一下當初跟著吳恩達老師的視頻課程，用純Python搭建過識別貓的圖片的后向傳播神經網絡，并簡要介紹了一下模型的架構和作用）；

d. 數據結構與算法

• 詳述快速排序的原理和過程；
• 利用快速排序找到數據中第K大的項（這題我一時半會沒有回答出來，不過和面試官交流了我的思考過程，面試官也會和我進行一定的討論，從而判斷我的邏輯是否清晰）；

e. 邏輯思維

• 有一個村子里有n個人，其中一人是明星，另外(n-1)個人是普通人。其中，明星不認識除了自己之外的任何人，卻被所有普通人認識；而普通人之間有可能認識或不認識。為了找出這個村子里的明星，我們可以向上帝提問：A是否認識B，上帝會給我們正確的答案——這個操作需要O(1)的時間成本。請給出耗時盡可能少的方案。
• 上一題的變體：
  
  • 有兩個明星，明星之間互相認識；
  • 有兩個明星，明星之間互相不認識；
  • 有兩個明星，其中A認識B，但B不認識A；
  • 有(n-1)個明星；
  • 。。。
• 這道題目和它的變體很多甚至不存在正確答案，面試官需要我們一邊思考一邊展示我們的思考過程，也就是解決實際問題的一個思路。

1.2 HR面（16:30 – 17:00, 31/Aug.）

前兩部分技術面試通過之后，剩下最后的HR面試。HR面試主要考察我們的入職意愿，時間安排，愛好性格等等軟實力和第三方因素，因為個人差異肯定較大，因此在這里不做討論～注意一點就好，就是要給HR留下幾個印象：我很希望入職，我是一個陽光上進刻苦聰明的人，并且我有時間精力參加實習，并且不會突然離職。這句話當然不能夠直接說出來，要在和HR的交談中透露出來就行。

2 一些想法和日后的學習計劃

有待補充。

最新評論