19校招阿里腾讯华为美团算法岗面经，均已拿offer | 掘金技术征文

应邀请来参加技术征文。本人2019年毕业，目前2019秋招已结束，拿到了阿里巴巴，腾讯，美团，华为的机器学习算法工程师offer，来到这个网站与你们分享面经。

先介绍一下楼主背景，985本+美国专排top15硕，有Amazon+Intel+美团的实习，如今秋招结束了，来回馈广大网友！

---

美团AI算法提早批(已拿两提早批offer和一个转正offer)

提早批 第一轮： 应邀参加了7月17号清华双选会，在现场先是各个部门介绍本身的算法团队。 一人能够选两个部门面试，每一个面试就大概15min-30min 两个部门共问到的问题有（模型可能是根据项目问）：

1. xgboost原理，怎么防过拟合
2. gbdt推导
3. boosting和bagging在不一样状况下的选用
4. DBSCAN原理和算法伪代码，与kmeans，OPTICS区别
5. LSTM原理，与GRU区别
6. 算法题：翻转中间由各类符号隔开的字符串 而后就说回去等通知

第二轮第三轮： 7月20号在望京，每一个部门两轮 共问到：

1. EM算法推导，jensen不等式肯定的下界
2. xgboost和lightgbm的区别和适用场景，推导xgboost
3. LR的推导，损失函数
4. gbdt推导和适用场景
5. DNN的梯度更新方式，把momentum，RMSprop，Adam的公式写出来
6. 算法题：2sum，3sum，4sum
7. 算法题： 从右边看被遮挡的二叉树，求露出的node
8. 几率题，抽蓝球红球，蓝结束红放回继续，平均结束游戏抽取次数

第四轮： hr面 就聊聊人生聊聊理想

7月23-24号左右，两天把offer都发了，让意向选择，我说想等个人转正面结束再选择，由于我还有一个部门的转正机会。

转正面： 主要就是介绍了实习期的工做，讨论作得好和很差的，而后写了一个快排一个归并，聊聊各排序算法的复杂度，稳定性，适应性，较简单，以后就是hr聊了聊。

总结：美团面试比较喜欢考察算法题，和白板写bug-free的代码

腾讯技术研究-机器学习提早批(已拿offer)

腾讯一面，电话面

1. 扣简历的项目，扣的很细
2. xgb，rf，lr优缺点场景。。。真的逢面必问，有不了解的能够留下评论，我能够提点拙见，最好仍是本身去网上扣一下这题
3. 算法题，单链表判断是否有环 (leetcode easy)，以及判断环入口
4. 算法题，给前序和中序，求出二叉树
5. 是否写过udf，问udaf，udtf区别和一些细节

腾讯二面，电话面

1. 扣项目，问简历，其中涉及的算法和上面差很少
2. 问推荐算法，fm，lr，embedding
3. 算法题，10亿个32位正整数，求不一样值，只给1GB内存。。。我只答出来4GB的状况，时间负责度还不是最优的，因此稳稳凉了，若是有人知道怎么解1GB，求回复，感谢

腾讯三面，onsite

1. 算法题： topK给出3种解法
2. 算法题：二叉树的最大深度和最小深度
3. 协同过滤的itemCF，userCF区别适用场景
4. 扣项目，问简历，其中涉及的算法和上面差很少
5. 对项目中一些技术选型产生质疑，并友好的一块儿讨论了这个问题
6. 推荐系统的大概步骤，解决冷启动。。。

腾讯四面 最后技术总监面，onsite

1. 算法题：名人问题，给出最优解法
2. 问了一下项目和简历
3. 自我评价优缺点，怎么改进
4. 描述一个算法项目从kickoff-落地的全过程

腾讯五面 总监面完马上就hr面了

hr面就是常见的问题，城市啊，薪资待遇啊，对部门的评价，对总监的评价 而后就在系统中提示offer报批中。。。

总结：腾讯面试会考一些业务中多遇到的问题，同时也很注重产品与技术的交互

阿里机器学习算法工程师(共面了两个部门，一个社招流程一个校招流程，拿了校招流程的offer)

校招部门： 一面：

1. 扣简历，问得太细了，每一个项目都要回答若是再作一次，有什么改进的地方，算法上和模型选择上改进的地方，同时对项目中技术要点聊得很细
2. 算法题：反转链表
3. 算法题：trim二叉搜索树
4. 其余模型题都是在问我作的项目时同时穿插这问
5. 很是友好的给我介绍了半小时这个部门作的事情，面试官真的很是友好，并且给我描述的很细，让人很是有欲望去

二面：

1. 扣简历
2. CNN为何比DNN在图像识别上更好，这题我答得很烂，有好答案的欢迎留言
3. LSTM内部的cell长啥样，有几个gate，分别怎么求出来的
4. 数据倾斜怎么形成的，怎么处理数据倾斜问题
5. 用mapreduce实现10亿级以上数据的kmeans
6. rf和gbdt基分类器区别，里面的决策树分别长啥样，怎么剪枝
7. 说一下gbdt的所有算法过程
8. 算法题：丑数

三面：

这面是总监面，主要根据个人经济学背景，没有写题，只是讨论一小时怎么把经济学的知识带到算法领域。考察个人交叉背景。 其实这面是最难的，很是很差回答不少问题，但这些问题对大多数牛友没意义，因此就不分享了，有相同经济学背景的想知道能够私信我。

四面 (交叉面)：

1. 聊了简历上作的项目，对其中一些项目作得不太满意，问我一些改进的方式
2. XGBoost推导和优势
3. 介绍了LSTM，里面的每一个gate是干什么，怎么得出的，并与GRU作了对比
4. 让我挑一个最熟悉的模型讲，我说均可以，因而他问了GBDT，FM和FFM模型
5. 也聊到了我作算法的初心，为何一个经济学的来作算法，有哪些优点，同时也给了我不少建议，但愿我打牢基础，很感谢他的建议

hr面 (视频面)：

聊了一个小时

1. 怎么理解大数据
2. 怎么理解算法
3. 数据的价值在哪
4. 怎么看待数据贩卖，对仍是不对
5. 怎么看待阿里，和其余公司比较，why阿里

另外一个部门面到4面交叉面后就结束了，没有hr面，应该是凉了或者进备胎池了 具体就不说了，由于没拿到，总之套路差很少，我搞砸了3面总监面，很砸很砸！

总结：阿里的任何一面都不能搞砸，感受有一面B+了，基本就进备胎池凉了。阿里除了问技术，更会问一些你能为团队带来什么的问题，和一些开放性问题

华为算法工程师(hr说面试经过了，等流程，但具体offer尚未下来)

海外视频招聘，一共两面，没什么特殊的，比较少见的是问了C语言的常见坑和解决办法，其余基本差很少，整个过程感受不太同样，感受华为的面试确实不怎么考察技术。也多是我太烂了。

若是你们以为这篇文章有用，求点赞评论，毕竟是来参加这个技术征文比赛，个人非科班算法自学之路和一些学习方法写在了这篇文章，也欢迎你们关注： juejin.im/post/5ba1a5…

我在参加掘金技术征文👉征文活动连接