微软中国（Microsoft）机器学习面试经验

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。

主要就是写题目，题目大概都是leetcode中等的难度，然后面试官人都很好，也会给你提示。等待的时候还会准备很多好吃的。

先是打电话问了可以面试的时间，然后skype面试。前两轮通过才会第三轮，每面都有写代码。对项目不是很关心，能说清就行。会有英语自我介绍，然后用英语聊几句就换汉语。死在了第三面代码上，太紧张了最后写错了，时间也到了没法改了。

面试官人很nice，面试全程很放松。主要讲了简历上的项目，然后就是手撕算法题，总之就是非常顺利，反问环节面试官也很耐心地回答我的问题，还很详细地告诉我入职后会碰到什么样的事，非常没有压力哈哈哈。

—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。

我想大部分人看过很多微软的面经了，大家都知道算法是很重要的，多刷刷题，但是面试的时候碰到会的题目如果你只是埋头写代码也是没用的，要懂得和面试官交流沟通，要时刻小心自己的思路是否和面试官所想的不一样，然后即使会的题目也建议不要一下子选择最优的做法，可以循序渐进，既要让面试官觉得你游刃有余也要展现出自己思考的过程，不然练习刷题的痕迹太明显了。

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。

lc1简单介绍线程和进程约瑟夫环 lc2介绍简单问了一下项目最小编辑距离之字形树5个数任选3个和被3整除