關于履歷+面經分享，希望大家對大家秋招有所幫助。
面試
這次春招實習，一共面了7家公司，經曆了20多輪面試，拿了6家offer，最終選擇了騰訊的CDG騰訊廣告部門，推薦算法崗位，base深圳。
不同于其他面經分享面試官問的具體題目，我主要是從大方向分享如何準備面試，授人以魚不如授人以漁。分為履歷、自我介紹、考察知識點三部分。
1 履歷
履歷一定清晰簡潔，不要花裡胡哨，内容控制在一頁。參考下面這個模闆
除了自己的基本資訊外，最重要的就是要項目（實習、比賽、論文都算作項目一種）。有兩點需要注意。第一點描述項目的時候不要隻羅列關鍵字！HR和面試官希望能夠在項目描述中看到候選人在整個項目中的工作，遇到了什麼困難，如何解決，如何對流程進行推進與思考。因為掌握具體的技術是一方面，掌握對AI這種存在不确定性的項目的思考方式和把握更重要。候選人需要展示出對項目問題的深入了解和insight。舉例感受一下：
一個不好的例子：
本人項目中使用了TensorFlow、協同過濾、FM、GBDT+LR、DeepFM、DIN等推薦算法
首先這些關鍵詞并不是同一個邏輯概念。其次，完全看不出你是如何使用以及為什麼使用這些算法，讓人感覺像是在堆砌名詞，印象很不好。因為我之前參加了很多AI算法比賽，項目裡寫的都是比賽經曆，這裡以比賽舉例。
一個好的例子：
我首先對資料EDA發現不少缺失值，使用xxx進行填充。然後根據賽題背景構造了xxx等特征。模型線下驗證發現過拟合現象，通過使用xxx特征篩選和正則化解決。同時使用aaa、bbb、ccc進行多模型權重融合。将融合後的數值作為最終結果值。參賽隊伍共xxx人，最終獲得冠軍。
這樣一段描述就很有層次地描述出了項目的推進過程，遇到的問題和改進方案，最終取得的成績。
2 自我介紹
一般面試開頭就是自我介紹。自我介紹不要照着履歷念，應分為三大塊：
- 個人資訊：學曆，校園經曆
- 項目：項目含金量如何，取得了怎樣不錯的成績。目的就是讓面試官覺得你很厲害。前提是符合事實，不要瞎編，否則發現後會被拉進黑名單。
- 技術棧：很多人會忽略這一重要點。算法範圍那麼廣，每個人都有側重點，說出自己擅長的技術棧，這樣面試官才好針對性提問。
作為開頭，一定不能緊張，不然會影響接下來面試的發揮。是以最好自己事先寫下來練習好，語速要平穩，保證在2分鐘左右即可。
3知識點
3.1 資料結構與算法
資料結構包含：數組、連結清單、棧、隊列、樹、散清單、圖。資料結構本質是描述資料與資料之間的關系
算法包含：排序、查找、五大經典算法（動态規劃、回溯、分支界限、分治、貪心）。計算機解決問題其實沒有任何奇技淫巧，它唯一的解決辦法就是窮舉。算法設計的本質無非就是先思考「如何窮舉」，然後再追求「如何聰明地窮舉」。「聰明的窮舉」分為兩部分：「去掉重複的窮舉」、「去掉不必要的窮舉」。比如，備忘錄法，用數組儲存求過的結果，用空間換時間，這就是去掉重複的窮舉；動态規劃根據最優子結構，使目前問題隻與某幾個子問題有關，進而大大減少問題分解次數，這就是去掉不必要窮舉。
注意：很多文章喜歡把遞歸當做一種算法，這樣是錯的。遞歸是一種程式設計寫法，如同循環一樣。
準備這一部分的最好方法就是刷題。算法發展時間短，不同于數學發展那麼多年，形成了定理公式。數學做一道題，是從這道題涉及到哪些公式着手。而算法做一道題，是看這道題涉及到哪些知識點，這些知識點與以往的哪些題目相聯系，相當于是把不會的題目，分解成會的題目，用以前的解法架構，幫助解決不會的題目。比如說，讓你求解一個迷宮，你要把這個問題層層抽象：迷宮 -> 圖的周遊 -> N 叉樹的周遊 -> 二叉樹的周遊。然後讓架構指導你寫具體的解法。是以整個過程是在鍛煉你的抽象思維，訓練你透過問題找架構。
抽象思維是程式員必備技能，因為計算機本質上就是一門抽象的藝術。具備好的抽象思維對學習能力也是一種極大地提高。後面我會單獨寫一篇文章，講解什麼是抽象思維，如何訓練抽象能力。
另外刷題要有章法，比如：先刷10道動态規劃，了解其套路後，再去刷回溯。而不是每天随機刷題。
資料推薦：
LeetCode網站、劍指offer
3.2 機器學習
人工智能、機器學習、深度學習關系如下：
我們一般說機器學習都是指除了深度學習以外的機器學習，也稱為傳統機器學習。雖然近幾年深度學習越來越火，但是很多領域還是在使用機器學習，并且學好機器學習，對于AI算法基礎和知識廣度都有很大提高。
機器學習模型非常多，全部掌握不現實，我給大家羅列幾個經典，也是面試中常考的模型：邏輯回歸、SVM、樹模型、內建學習、樸素貝葉斯、K-Means聚類、PCA。（EM、最大熵、機率圖這些考的少，能了解是加分項）。
在學習過程中，各個模型是互相聯系的，不要孤立去分析單個模型。比如：邏輯回歸，我認為是最基礎、也最重要的模型：
- 邏輯回歸=線性回歸+sigmoid激活函數，進而将回歸問題轉換為分類問題
- 邏輯回歸+矩陣分解，構成了推薦算法中常用的FM模型
- 邏輯回歸+softmax，進而将二分類問題轉化為多分類問題
- 邏輯回歸還可以看做單層神經網絡，相當于最簡單的深度學習模型
通過邏輯回歸由點及面，就能演化出如此多模型。再比如樹模型。我們把以決策樹為基礎的一系列模型統稱為樹模型，也是AI比賽中最常用的模型。
- 決策樹經曆了三次改進，ID3、C4.5、CART，主要差別在于一個根據資訊增益劃分特征、一個根據資訊增益率、一個根據基尼指數。
- 随機森林=決策樹+Bagging內建學習
- GBDT=決策樹+AdaBoost內建學習
- XGB是陳天奇2014年提出，相當于GBDT的工程改進版，在實用性和準确度上有很大提升。比如：使用泰勒二階展開近似損失函數，支援處理缺失值、在特性粒度上并行計算等等特性。
- LGB是微軟2016年提出，對XGB進行了改進，使用單邊梯度采樣算法減少不必要的樣本；在尋找最優分割點時采用直方圖算法使計算代價更小；支援類别特征...
- CGB是Yandex2017年提出，對類别特征進行了更完美的支援。
是以學習模型，要由點及面，層層遞進。這樣不僅友善了解，也有利于歸納總結，同時還能鍛煉搭建知識體系的能力。
資料推薦：
李航《統計學習方法》，我認認真真看完了這本書，并對重要模型公式進行了一步步推導，收獲很大。每次重讀這本書都能有新的收獲，值得反複閱讀。
周志華《機器學習》聽說也不錯
工具：
numpy、pandas、scikit-learn這三件套需要熟練掌握，特别是scikit-learn，幾乎實作了所有機器學習算法。如果自己想實作某個算法來加強了解，也可以參考scikit-learn源碼。
3.3 深度學習
前面也提到了，深度學習本屬于機器學習，但是鑒于其發展迅速、應用越來越廣泛，是以單獨拿出來說。深度學習每年新模型、新技術層出不窮，一味追求新技術不可取，要先打好基礎。比如：對于一個簡單的全連接配接神經網絡，包含訓練算法（正向傳播、反向傳播），激活函數（sigmoid、ReLU、Maxout、softmax等），正則化（L1和L2、Dropout、提前早停等），優化算法（随機梯度下降、Momentum、Adagrad、Adam等）
掌握了基礎後，再根據自身領域學習相關的模型。大部分人找工作屬于這三個領域：
- 計算機視覺（CV）：卷積神經網絡（CNN）及其改進。
- 自然語言處理（NLP）：循環神經網絡（RNN）及其改進，Transformer、Bert等。
- 推薦算法：Embeding、Wide & Deep及其改進。
這三個領域既有所不同，又互相聯系。比如：NLP中根據前面n個單詞預測下一個單詞，如果我把單詞看成商品，那麼這就成了推薦算法中個性化推薦問題。是以推薦算法中借鑒了很多NLP模型。是以我們在學習的時候不要僅局限于目前領域，也要關注其他領域。當其他領域出現新模型，取得不錯進展時，要思考能不能應用在自身領域上。總而言之，這些知識是對立統一，我們要用辯證的思維去學習，去思考。
資料推薦：
《DeepLearning》，又名「花書」被譽為深度學習領域聖經。這本書寫的很好，但是内容太多了，一口氣吃完不現實。适合當做工具書，時不時拿出來翻閱。
邱錫鵬《神經網絡與深度學習》
工具：
TensorFlow、Pytorch。工業上偏向于TensorFlow，學術界偏向于Pytorch。别壓注單個，建議兩個都學，至少要能看懂别人的代碼。因為論文代碼複現有的用TensorFlow，有的用Pytorch。
3.4 推薦算法
推薦系統包含了推薦算法。推薦系統架構如下：
圖檔來源于網絡
資料層：前後端通過埋點記錄使用者日志資料，KaFka消息隊列将資料存入HDFS大資料檔案系統中。這一層技術棧是Hadoop、Spark大資料元件
政策層：平常所說的推薦算法就是指這一層，需要重點掌握。首先是召回，主要根據使用者部分特征，從海量的物品庫裡，快速找回一小部分使用者潛在感興趣的物品，然後交給排序環節，排序環節可以融入較多特征，使用複雜模型，來精準地做個性化推薦。召回強調快，排序強調準。這一塊重點掌握模型：協同過濾、矩陣分解、FM、Embeding、Wide&Deep及其改進。
應用層：根據業務需求而不同。比如：廣告點選、商品推薦、短視訊推薦。
後面我會寫一篇文章，分享我的推薦算法學習路線。
資料推薦：
王喆《深度學習推薦系統》，這本書高屋建瓴的介紹了推薦系統整體架構，發展曆史以及未來趨勢，各種推薦模型的演化之路，很适合前期用來搭建推薦系統知識架構。但是具體的模型并沒有深入講解，還得自己去看論文。這個也很正常，作為算法人員，經常看論文是必須的，就像開發人員要時常看官方技術文檔。
3.5 其他
除了資料結構與算法之外，作業系統、計算機網絡、計算機組成原理、資料庫也是計算機中最基礎、最重要的課程。在開發崗面試中必考，算法崗考得相對少，但是掌握這些基礎知識，很能提升程式設計素養，建議還是學一學。雖然我是計算機科班出身，但是之前這方面比較薄弱，去年寒假，我在家把這些課程又重新好好學了一遍，收獲很大！後面我會面向非科班的算法人員，對這些課程各寫一篇文章進行形象化介紹，讓非科班算法人員既能有一個大概的了解，同時又能不拘泥于細節導緻颠倒學習重心。
AI算法技術方面，我不會寫基礎教程文章，因為這些教程網上太多了，我寫出來也不一定有别人好。我主要寫工作中經過實踐的算法技術和前沿知識。内容上一定要有自己的想法，不可照搬。
目前我研究所學生生涯已過了一半，這期間我最大的收獲不是AI算法知識，也不是那些比賽榮譽，而是學習思維和人生感悟。這兩把武器就像生活中的錨點，讓我面對人生洪流時不至于被沖垮。