2017校招/社招总结(人工智能岗)

这个岗位的叫法很多:人工智能/数据挖掘/机器学习/…
核心是偏数学算法的,跟传统写C/Java类程序员不太一样。

【本人背景】 可作为2016/17/18应届生

  • 2012.9-2016.7     degree of bachelor
  • 2016.9-2017.11   degree of master (Hong Kong)

如何准备校招

【整体节奏的把控】

大厂的开放时间会比较早,密切关注网申时间节点:

  • 2016届的秋招:2016年7月 - 2016年11月
  • 2017届的春招:2017年2月 - 2017年4月
  • 2017届的暑期实习:2017年3月 - 2017年5月
  • 2017届的秋招:2017年7月 - 2017年11月
  • 2018届的春招:2018年2月 - 2018年4月
  • 2018届的秋招:2018年7月 - 2018年11月
【手撕代码能力】

这个提早准备没错的。以前被问敲过几行python觉得这个问题很蠢,但实际就是敲的越多你踩过的坑就越多,你能快速独立解决的问题就越多。

  • 主流语言:R、Python
  • 多数在大厂的面试:相关包的使用,及具体场景问题,比如内存不够的解决方案等。
  • “研发”和“大数据”跟机器学习有本质的区别,但在实际工作应用中有许多穿插工作,避免不了的被提问“数据结构及算法类(C/Java)”和“大数据类(Hadoop)”的问题。当然不强求,知道更多就是加分项。
  • 建议提早半年开始准备。我的代码也是从实习开始敲起,敲了半年才觉得下手如有神哈哈。不要做没实际意义的课后题,也不要照着书本例题敲,敲完你就忘了,书本这些都是已经排除万难的东西,得不到什么成长。
  • 入门修炼:全国大学生数学建模竞赛、全美大学生数学建模竞赛、kaggle、天池…
【项目经历/实习经历】

如果明确自己的职业方向为人工智能/数据挖掘类的,请不要浪费时间去申请其他与技术无关的实习。端茶送水,外卖跑腿,打印纸并不能帮你。当时由于身边同学都断断续续出去实习,面前有一份大厂行政的实习,我…竟然犹豫了一下,好在也还是拒绝了。

  • 尽量选择大厂的技术实习,毕竟以后想进去会更难。但是不要因为一个月拿3000块就只干3000块的活。把整个项目跟下来,了解框架的架构,优化的方向,多去尝试,就算加班(加班在深圳很正常)也是你赚到,思考如何简化重复性工作,去尝试了解自己部门和其他部门的工作内容与方向,了解的越多你对自己想做的事情了解的也越多。我实习做的评分卡模型,就是二分类,除了传统逻辑回归,也尝试新的XGB等等,而且虽然别人也在做,但是私下自己会把整个模型写一遍,包含数据清洗和模型调优等,这样对业务的了解也更透彻,面试起来所有的细节都是亲手做过的,也就比较顺了。
  • 如果没有实习在手,世界给我们数据挖掘选手的大门还是敞开着的。大学生有全国的数学建模大赛,再高逼格的还有kaggle,真刀真枪的题下不了手,kaggle上还有专门给数据挖掘入门者的练习场。相关的比赛还有很多,包括腾讯、阿里等大厂也时不时会发布算法大赛,目测这样的算法大赛只会越来越多,你坚持做完一个项目,你在平台上还可以得到相关名次,名次越靠前越有利哈哈哈这是废话。
【临时佛脚该抱还得抱】
  • 数据库:sql、hive语句的基本用法W3school
  • 基本算法的推导:SVM/BP/LR/CART/GBDT/XGB/KNN/KMEANS/…
  • 基本原理的逻辑:决策树的剪枝等/神经网络的dropout等/损失函数/正则化/…
  • 基本的包的使用:python的pandas/numpy/sklearn; R的dplyr/data.table/…
  • 必备问题:为什么想来这家公司?/为什么离开上家公司?(提前了解面试公司背景和产品)

完整面筋+总结


校招

== 微众银行 ==

网申 / 在线笔试(4大题)

  1. 有近一年各类数据,除去节假日带来的销售增长,预测某家商场在国庆节假日原本的销售量。(用时间序列模型角度解题)
  2. 一个市中心的宠物店,为何周末的顾客访问量低于上班日?(考虑养宠物的人群在工作日与周末的习惯)
  3. 中位数与平均数的关系(箱图解释大于等于小于三种样本类型)
  4. 如何判别某高校食堂的点餐者是在校学生还是社会人士?(周期性的买餐时点与频率等)

    感想就是,自己判别是聚类还是分类等,自己决定哪些是需要的特征,哪个是y值,四大题都是思路题,没有编程大题。

== 顺丰科技 ==

网申 / 在线笔试(10个选择题 + 1道思路题)

  1. 选择题范围:
    损失函数/正则化/基本算法/栈/…
  2. 大题:
    SVM的应用:检测快递包裹内违禁物品(决定x值与y值)
== 美图秀秀 ==

网申 / 在线笔试(10个选择题 + 1道编程题)
整场笔试题比较偏向研发类,考到较多的Java和C相关,而基本没有R与Python。
所以不推荐擅长数学专业的学生尝试,推荐计算机专业的爱滤镜爱美颜的同学去试试哈~

社招(全部为内推机会)

== 微保 ==

车保反欺诈 / 一面(现场)

现在在微信的腾讯服务模块已经上线了,第一次这么靠近腾讯大厦呀内心这个激动的,本人当时对腾讯有种盲目的崇拜。

  1. 自我介绍
  2. 项目介绍
  3. 项目LR和XGB原理、区别
  4. 类别不均衡如何处理
  5. 反欺诈场景:如何判别骗保行为(假设你可以拥有所有你想要的数据,当时觉得真不愧腾讯爸爸)
  6. 为什么XGB比GBDT好
  7. 数据清洗有哪些
  8. PCA的原理,计算推导
  9. 变量筛选有哪些方法
  10. 信息增益的计算公式
  11. 样本量很少情况下如何建模
  12. 交叉检验的实现
  13. 决策树如何剪枝
  14. WOE/IV值计算公式
  15. 分箱有哪些方法
  16. 最优分箱的原理
== 鹅厂 ==

视频推荐数据挖掘工程师 / 一面(现场)

  1. 自我介绍
  2. 手推SVM:目标函数,计算逻辑,公式都写出来,平面与非平面
  3. 项目介绍
  4. XGB原理介绍,参数介绍,决策树原理介绍
  5. 数据清洗步骤
  6. Linux熟悉程度
  7. C/Java熟悉程度
  8. 过拟合如何解决
  9. 除了LR/XGB还实现过什么算法
  10. 分箱有哪些
  11. 核函数有哪些

腾讯游戏:用户画像大数据分析工程师 / 一面(电话面)

  1. 自我介绍
  2. 项目介绍
  3. LR的原理,目标函数
  4. XGB比GBDT好在哪里
  5. 熟悉腾讯哪款游戏?(王者荣耀)
  6. 游戏反欺诈场景题:在王者荣耀中,假设你拥有所有你所需数据,如何判别玩家挂机?
  7. 游戏反欺诈场景题:在王者荣耀的挂机玩家中,如何判别对方是主动挂机(坑队友)还是被动挂机(进入地铁信号不好等)?
  8. 平时通过什么渠道学习机器学习?(好问题值得好好准备)
  9. 开发需求:LINUX环境的熟悉程度
  10. Java/C++的基本操作与后台维护
  11. python如何实现数值传递
== 顺丰科技 ==

大数据挖掘与分析工程师 / 一面(现场)

  1. 运筹学最熟悉哪个算法
  2. 场景题:双十一快递爆发时,如何减少快递员的劳动力?(仓库选址问题)
  3. XGB与GBDT的区别
  4. XGB有哪些参数,取指范围,各代表什么意思
  5. 排列组合概率题
  6. 如何通过线性规划实现最优送货路径
  7. 决策树先剪枝还是后剪枝好
  8. 损失函数有哪些
  9. 最近机器学习比较火的书籍
  10. 除了R与Python外,MATLAB熟悉程度
  11. 偏向做数据挖掘还是算法研究
  12. 说一个聚类算法
  13. C++的语法知道哪些
  14. 类别不均衡的处理方式有哪些
  15. bagging与boosting的区别
  16. 数据标准化有哪些方法
  17. 模型评估指标有哪些
  18. 解释模型复杂度
  19. onehot原理
  20. 正则化如何实现
  21. 说出一个聚类算法(KMEANS)

机器学习与人工智能工程师 / 一面(现场)

  1. 自我介绍
  2. 项目介绍-评分卡模型
  3. 评分卡模型的原理 = LR原理 或 二分类原理
  4. 评分卡模型的最终结果如何转换成决策规则,KS值起到什么作用
  5. 为什么要转行/为什么来顺丰
  6. 数据清洗方法有哪些
  7. WOE的作用
  8. 缺失值填充方式有哪些
  9. 变量筛选方法有哪些
  10. ROC计算逻辑

机器学习与人工智能工程师 / 二面BOSS面(现场)

  1. 统计检验有哪些
  2. t检验如何使用
  3. 场景题:两个卖场差价只有1分钱,你从哪个卖场进货?(超级简单的问题,没有限制条件,当然从便宜的那家)
  4. 项目-评分卡制作介绍
  5. 什么时候能上班

当时面过了技术面和BOSS面,卡在HR面说是因为我没有工作经验就把我拒了,内心真的讨厌顺丰HR,所以对顺丰没什么好感,可能当时真的寄予厚望的,太让人失望了  

== 魅族科技 ==

人工智能与数据挖掘工程师 / 一面(技术+BOSS)(现场)  

  1. 自我介绍
  2. 项目介绍
  3. 决策树的优点
  4. 如何判断一个模型中的变量太多
  5. 决策树与其他模型的损失函数、复杂度的比较
  6. python遇到大数据量时如何处理空间问题
  7. 决策树能否有非数值型变量
  8. 决策树与神经网络的区别与优缺点对比
  9. 过拟合如何处理
  10. 类别不均衡如何处理
  11. 数据结构有哪些
  12. XGB的参数有哪些
  13. model ensembling的方法有哪些
  14. 模型复杂度与什么有关
  15. 线性回归与逻辑回归的区别
  16. 大数据了解多少?Hadoop使用程度
== 绿米(offer) ==

人工智能工程师 / 一面(英文现场)

很可爱的老外技术官,直接把我的简历翻过去,空白面朝上。并说他的面试风格就是与对面的人沟通而不注重纸上的字。然后就以问我的名字读音和我的家乡开始了我终身难忘的面试~~

  1. 你在香港读书,听说香港人都很排外是这样的吗?
  2. 假如咱们的桌子上现在有个阿拉丁神灯,你会许哪三个愿望?
  3. 你最讨厌的事情?
  4. 面试官Tony讲了很多他的故事并且给我推荐了几本书
  5. 展示了绿米的产品,也激动的告诉HR ‘You must hire her!’

    别看好像这个面试很无聊,重点在三个愿望那里,我在我最焦虑的时候日日夜夜思考我到底要什么,到底来这世间为了什么,做什么事情能让我从心底里开心而不是将自己浮于众人的唾液之下。很庆幸这场面试没有技术面,但是我连续三天熬夜实打实的准备了,手推了所有我知道的算法,说实话我也不怕就算问到什么我不知道至少我尽全力了。
    但是好像就是那个能看懂我的人终于出现,他愿意以公司给我提供平台,让我实现自己的想法与愿望,真的别无所求。所以,无论那些笔试是否有回音,我也不在乎了,就是绿米了。
    我的求职之路就在此告一段落了。

总结:

  1. 每个面试的结尾,面试官会问你有没有什么想问的,请注意这个问题也很关键:
    比如:这个小组目前在做什么项目/实现项目主要用什么语言和算法/…
    尽量不要问加不加班,有没有加班费之类的,别问我为什么这么说…
    在面试中遇到不理解的,比如C++语法不懂,可以问这个C++具体在项目中实现什么功能
    如果你提出好问题,能再次引起面试官对你的兴趣,那就能增加面试成功率
  2. 应届生就好好准备校招,别懒,别怕输,别怕被拒,从哪里跌倒从哪里起来
    社招不是你能招呼的,会更挫败,因为你什么也没做过
  3. 虽然是做技术的,但是日常social一下还是收益很大的
    实习的时候,也要与周围同事和平相处,尤其是老大哥们,也许哪天他就帮你内推大厂去了
    内推你能知道意想不到的信息,面试官,岗位需求,最近在做什么项目之类的
  4. 挑选给你机会的公司,不要浪费自己的时间
    不要每家都去,去之前了解这家公司与你的匹配度
    尤其社招,你一改动简历就很多人给你打电话,你要有策略的去进行面试,把握总结每个机会
    像我就是东一榔头西一榔头的,好多都是止步于第一面,就没回信儿了,因为每次面完没有好好反思总结,等下次再遇到这问题还是抓瞎,十分消耗自己的时间和信心

在此鞠躬感谢所有帮我内推小哥哥小姐姐,铭记于心,来日必报答。

写在最后:
永远不要放弃自己!
每次面试前做充足的准备,默念:“放轻松放轻松放轻松”;
面试后进行反思总结,默念:“看缘分看缘分看缘分” ~

would you buy me a coffee☕~
0%