微软中国（Microsoft）

本来想申的是金融工程类的岗位，可是只有模型研发工程师岗位开放，就申请了。发现和自己所学的不太对口，主要是考的都是机器学习，建模一类的问题，没怎么学过。三个面试官，一个主要问，会问你简历上跟他们的岗位契合度比较高的经历，还会问你对逻辑回归啊，了解有什么算法之类的问题，我答不上来。他们说我应该去申金工的岗位。

—BAT机器学习面试1000题系列（第1~10题）1.请简要介绍下SVMSVM，全称是support vector machine，中文名叫支持向量机。SVM是一个面向数据的分类算法，它的目标是为确定一个分类超平面，从而将不同的数据分隔开。扩展：这里有篇文章详尽介绍了SVM的原理、推导，《支持向量机通俗导论（理解SVM的三层境界）》。此外，这里有个视频也是关于SVM的推导：《纯白板手推SVM》2.请简要介绍下tensorflow的计算图@寒小阳：Tensorflow是一个通过计算图的形式来表述计算的编程系统，计算图也叫数据流图，可以把计算图看做是一种有向图，Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。3.请问GBDT和XGBoost的区别是什么？@Xijun LI：xgboost类似于gbdt的优化版，不论是精度还是效率上都有了提升。与gbdt相比，具体的优点有：1.损失函数是用泰勒展式二项逼近，而不是像gbdt里的就是一阶导数2.对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性3.节点分裂的方式不同，gbdt是用的gini系数，xgboost是经过优化推导后的更多详见在k-means或kNN，我们是用欧氏距离来计算最近的邻居之间的距离。为什么不用曼哈顿距离？曼哈顿距离只计算水平或垂直距离，有维度的限制。另一方面，欧氏距离可用于任何空间的距离计算问题。因为，数据点可以存在于任何空间，欧氏距离是更可行的选择。例如：想象一下国际象棋棋盘，象或车所做的移动是由曼哈顿距离计算的，因为它们是在各自的水平和垂直方向做的运动。

主要看项目和相关背景是否对口，面试官问了很多有关相关知识的问题，和公式问题，并且还有coding的test，有非常多的相同背景项目的加分很厉害。而且英语要求很高，电面是中文，但是简历最好用英语写，不然面试的时候会被突然用英语问问题。

分组互相介绍，然后由面试官提问，大部分用英文回答。最后再和搭档的同事互相进行自我介绍。主要都是关于人本身的事情，不太涉及要应聘的职位内容。面还是还是更看重人本身的一些特质，因为后期的工作都是可以进行培训和经验积累来提升的。

大体上分四轮，笔试、技术面、人力、终面，见了5、6人，一下午面完，效率很高。笔试题目难度一般，机器学习深度学习相关的各种知识，加上两道手写的编程题，可以选Python或Java，因为没怎么复习我答的也一般。然后是技术面，问问掌握的技能、论文和项目经验，部门负责人也告知了公司的情况、未来岗位可能要做的方向。人力面确认了基本信息，告知了公司的一些其他情况。 最后和公司副总聊了会，听他介绍国内外工业互联网行业的行业现状。一周左右就给了offer，工资里60%是绩效，绩效中10%年底发，有饭补。

内推的，所以直接进入面试。分两轮，第一轮技术面，一些基础的算法题，分别和两个考官进行45分钟左右的面试，难度不大，第一个问了我一些二叉树的题目，第二个问了一题比较综合的，不管有没有做完都会问你时间、空间复杂度之类的。这次面试至少拿到一个pass，才有机会进到第二轮，如果名额少的话会要两个人都通过。 第二轮综合面试，首先还是会来一道算法题，我做的是二叉树的序列化和重建（很经典的题），再根据简历，问了项目的具体经历。总的来说，题目不难，虽然是机器学习的岗位，但是考的题目还是算法，项目经历应该是作为参考。

通知去面试，在海淀区一个会议厅先入场等候，叫号，需要扫码签到，然后会根据你的号码，叫到楼上小屋子里面试，面试氛围还好，大概四十多分钟，先问很多项目上的问题，设计到的算法以及机器学习的知识，然后写两个数据结构的算法。