微软中国（Microsoft）

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。

面试官上来二话没说，简历也不过，直接甩上来一道hard难度的题。先想出来brute-force解法，再优化成dp动态规划解法，最后终极优化成binary-search解法。问题不是很好建模，有些数学的弯要转，不简单。45分钟完成够呛。

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。

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。

微软的面试分为三轮，一个下午完成，正常情况都可以面到第三面。 第一面聊了10分钟左右的学习经历和比赛经历，因为我机缘巧合之下拿到一个比赛的第三名，因此主要和面试官扯了扯这个比赛。但是，我之前很少使用DNN，面试官还是建议学一下DNN。 聊完项目，就开始做算法题：最小的K个数:这道题LeetCode和剑指Offer里都有，可惜之前没有刷到过。话说，我真的是不幸，刷了300道题，都没有碰到。这道题我当时想出来用最小堆的做法，时间复杂度为O(log(n))，空间复杂度为O(K)。 最优的做法是快速选择，时间复杂度为O(log(n))，空间复杂度为O(1)。Java里的ArrayList的插入时间复杂度：因为，ArrayList的储存是固定数组。因此，超过数组大小，需要重新申请数组，然后复制。但是，平均时间复杂度还是O(n)。 第二面求中位数：我一开始以为是LeetCode那道Hard题，我就请求换了个题。后来想想，实在是不应该。多个有序数组合并：一开始，我想到了类似的归并的方法，但是时间复杂度较高。后来，我又想到了优先队列的方法，但是没有写出完美的代码。之后，面试官又问了能不能复现优先队列，没有实现成功。 第三面将字符串中的连续空格变为1个：实际是道Easy题，用两个指针就可以完成。但是，当时脑子瓦特，没有想到，后悔啊。系统题：忘了。

—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。

参与面试的岗位为算法工程师HR会进行初筛,我会和项目经理进行第二轮复试, 主要针对简历提出技术问题, 算法岗会有CTO的第三轮面试我不倾向于提问过于具体的技术问题, 而是更倾向根据面试者的简历中的项目经验, 让面试者自己发挥自认为最具成就感的算法研究内容, 并对其研究思路进行一定的提问.