技術1面

1 Java水平怎么樣？

2 問Python給自己打多少分？Python多線程怎么實現？

3 線程和進程的區別？

4 不同進程之間數據能共享嗎？

5 Numpy和pandas做了什么？他們有什么優缺點？

6 五行五列二維數組，手寫代碼輸出每行每列的最大值、最小值、平均值、方差

7 問Redis數據庫知道多少？

Redis數據類型有幾種？

MySQL和Redis有什么區別？

8 怎么設置緩存實現時間（怎么清緩存？）

9 Hadoop，spark用過嗎？

10 舉了一個高維數據，怎么找出異常值？

技術2面

二面面試官來了。是個算法大佬。是個專門做算法的。直接手出題，他說時間不多，就讓我說思路。

1.先是一個m*n矩陣圖走迷宮共有多少條路徑？

需要用到動態規劃，還有排列組合。

2. 2-sum問題。這個答出來了，中間有用了一種方法，自己想的，雖然沒有降低時間復雜度，但挺新穎的。

3.問了最熟悉哪個機器學習算法。說邏輯回歸，談了下邏輯回歸原理。問了為什么總Sigmod函數，而不是其他雙曲函數或Rule函數。

4.然后他說對Xgboost這個感興趣，Xgboost比GBDT做了什么優化，他說了一點，問還有一點是在數據集遍歷上的優化？

5.問了隨機森林，隨機森林與決策樹相比，有哪些更多的優化？

6.問了信息熵，和信息增益，和信息增益率，現實中代表什么？

信息增益率比信息增益解決了哪些問題？

總結

感受到大公司氛圍就是挺好的。不管結果如何。都有所收獲，至少知道了自己的優點和不足。

1. 缺乏常規算法訓練

2. 沒有很深究到機器學習原理的細節和底層具體推導。

想進大廠，必須得加強算法訓練（多刷題），機器學習算法掌握來龍去脈，熟知重要原理和應用及優化。

以上面試問題，大家有自己的答案了嗎？對自己拿不準的問題，歡迎大家留言，一起討論。

相關鏈接

回歸算法

回歸分析簡介

最小二乘法：背后的假設和原理（前篇）

最小二乘法原理（后）：梯度下降求權重參數

線性回歸：算法兌現為python代碼

線性回歸：OLS 無偏估計及相關性python分析

線性回歸：談談多重共線性問題及相關算法

機器學習：說說L1和L2正則化

決策樹回歸：不調包源碼實現

分類算法

邏輯回歸| 原理解析及代碼實現

邏輯回歸| 算法兌現為python代碼

決策樹

對決策樹剪枝

sklearn分類和回歸

提煉出分類器算法

貝葉斯分類

樸素貝葉斯分類器：例子解釋

樸素貝葉斯分類：拉普拉斯修正

單詞拼寫糾正器python實現

半樸素貝葉斯分類器

支持向量機參數求解

支持向量機之軟間隔和核函數

聚類算法

期望最大算法：實例解析

高斯混合模型：聚類原理分析

高斯混合模型：聚類求解

高斯混合模型：求解完整代碼

高斯混合模型：不調包多維數據聚類分析

K-Means算法

聚類算法之DBSCAN

集成算法

Adaboost算法

提升樹算法思想

XGBoost思想

XGBoost模型構造

XGBoost 安裝及實戰應用

推薦算法

關聯規則Apriori算法

PageRank算法原理

海量數據求top K 之最小堆實現

快速排序思想求topk