阿里蚂蚁-机器学习算法-一 、二、三面面经，干货速收！

阿里一面

1.自我介绍下：

我是XXX的硕士，机器学习专业，我研究方向偏向于深度学习；然后我本科是XXX的物联网工程专业，本科做过两个项目：

1）基于大数据的股票市场分析 2）基于用户操作的推荐系统 ；研究生阶段目前印象最深是做了两个项目：1）机器人课程作业中的challenge

2）现在正在做的基于model的智能机器学习框架，着重介绍在最后一个，然后问了下实际工作，完成程度，贡献度。最后追问了一个对于物联网的看法

2.hashmap介绍

先说了下自己知道 JAVA 的hash map的用法，python中dictionary也是用hash表实现的：首先利用hash()将key和value映射到一个地址，它通过把key和value映射到表中一个位置来访问记录，这种查询速度非常快，更新也快。而这个映射函数叫做哈希函数，存放值的数组叫做哈希表。 哈希函数的实现方式决定了哈希表的搜索效率。具体操作过程是：

1）数据添加：把key通过哈希函数转换成一个整型数字，然后就将该数字对数组长度进行取余，取余结果就当作数组的下标，将value存储在以该数字为下标的数组空间里。

2）数据查询：再次使用哈希函数将key转换为对应的数组下标，并定位到数组的位置获取value。

但是，对key进行hash的时候，不同的key可能hash出来的结果是一样的，尤其是数据量增多的时候，这个问题叫做哈希冲突。如果解决这种冲突情况呢？通常的做法有两种，一种是链接法，另一种是开放寻址法，Python选择后者。

开放寻址法（open addressing）：

开放寻址法中，所有的元素都存放在散列表里，当产生哈希冲突时，通过一个探测函数计算出下一个候选位置，如果下一个获选位置还是有冲突，那么不断通过探测函数往下找，直到找个一个空槽来存放待插入元素。

3.算法：快排的时间复杂度和空间复杂度？平均多少？最差多少？还有那些 排序 的时间复杂度是O(nlogn)?知道排序中的稳定性吗？我：快排的时间复杂度我记很清楚是O(nlogn),空间复杂度是O(1)，平均就是O(nlogn)，最差是O(n^2),退化成了冒泡排序；此外还有时  间复杂度为O（nlogn）的还有堆排序和归并排序；排序的稳定性知道是在排序之前，有两个元素A1,A2,A1在A2之前，在排序之后还是A1在A2之前。

4.SVM和Logistic Regression对比：首先我介绍了下logistics regression的过程，就是把y=wx+b的结果放到sigmoid函数里，把sigmoid作为一个分类器，这样做的原因是sigmoid函数能把所有范围的值域控制在（0，1）区间内，然后我们把0.5作为一个分类的阈值，大于0.5的作为正类，小于0.5的作为负类。然后SVM是一个利用超平面将数据隔开分类的问题，首先我们在max所有距离平面最近的点的margin，同时subject to y(wx+b)>0,意味着分类正确：

然后：我们可以的到最近点到平面的距离：

我们最后再用拉格朗日乘子式将subjuct to 条件转换成一个等式求解最后的w,b 然后求得最有超平面。我说SVM有很多kernel，这个有点像regulation，面试官说错了，你讲讲kernel是什么干什么用的？我说kernel是把数据把低维映射到高维，因为有些数据在低维不可分，映射高维可以找到超平面去划分，更好准确。

最后说了LR比较方便计算，SVM 高维kernel计算复杂，但是准确。如果数据多，要求实时得到预测结果，用LR；如果数据不多，要求准确率，我选择SVM。另外SVM可以用于多分类，而LR只能用于二分类

5.解决Overfitting、regulation的方法：regulation，我才总结下了，大致主要聊了2点：

1）dropout,介绍dropout的概念啊，问了下train和test阶段的不一样过程细节

主要讲了下test把active function的输出都乘以P，这样就把train和test的输出期望都scale到了一个range，这样才是更加准确的

2）Batch Normalisation:BN，BN的原理，问什么好，好在哪里？

1.降低了样本之间的差异，scale到（0，1）

2.降低了层层之间的依赖，主要体现在前一层的输出是下一层的输入，那么我们把所有数据都scale到了（0，1）的distribution，那么降低了层层之间的依赖关系，从而使数据更加准确

全程聊了一个小时，我人都傻了，一面不是面简历吗？（内心OS。最后问了面试官两个问题：1）我本来跟老板汇报了工作在路上走着，电话就来了，我就说没准备好问了下面试官对我的评价，然后面试官很nice说基本面不错，给我评价偏正面；2）问了面试官的部门工作内容，balala讲了一堆。然后跟我说，后面可能有人联系你，也可能没人联系你，有人联系的话，可能是他同事，

二面

一，介绍自己及项目：主要介绍自己在TensorLayer框架的制作，贡献，太细节了，导致面试官说本来要问我的都说了

二.基础考察：

1.你知道感知野吗？什么作用？你知道卷积的作用吗？你用过池化层吗？有哪些？

当时一脸懵逼，感知野是神马啊？最后再次确认了感知野其实就是在多个kernel做卷积的时候的窗口区域，就是3个33等于1个77的感知大小。

卷积的作用是提取特征，前面的卷积提取类似于人眼能识别的初步特征，后面的卷积是能够提取更加不容易发现但是真实存在的特征。

Pooling 用过，max pooling， average pooling， global average pooling。再问这个两个分别有什么用？

max pooling我蠢到说提取最有特征的特征，其实就是最具有代表性的特征；average pooling提取的是比较general 的特征；global average pooling用来分类的，因为后面网络的加深，full connected layer参数太多了，不容易训练，为了快速准确得到结果，采用global average pooling，没有参数，但是得到的分类效果跟FC差不多。

2. 讲到这里有点尬，你说你做过爬虫，自己写的还是用的框架？

用的框架，现在基本不用java我觉得我还是要补一补，差不多都忘光了，我所做的就是用Xpath找到爬取的元素，然后保存下来，再用脚本转成待用Jason

3.你机器学习的，知道sequence to sequence吗？

我第一反应是RNN，我说RNN没了解，主要我只做深度学习CNN相关工作，大佬呵呵一笑，说你们要补补基础啊

4. 在线编程：

给个题目你写写吧，不用math中的取平法差，判断一个自然数是不是可以开方（时间复杂度尽量低）？

妈耶，第一反应二分查找

一上去尬了写了一个boolean 然后删除，搞了个def开始写函数

最后问了2个问题，他又问了我2个问题：1，（这次是个P8大佬）在杭州，你工作地点介不介意？（我多说了几句话，开了地图炮，真的内心话）2，你作为tensorlayer的contributor，对标Kreas，优势在哪里？他说Kears底层支持好多库caffe2, Pytorch,等等，我说TensorLayer出发点不一样，怎么样比比了一通方正我觉得没逻辑~感觉自己凉了~因为面试官给我回馈就是你要拓展你的机器学习知识面啊啊啊，我一个搞机器学习被吐槽这样。。。

三面

全程50分钟，主要讲的是项目：针对项目提出几个优化问题；

1.对于提供可以自由裁剪pre-train model，怎么保证你输出的前面部分的check point 参数与模型结构 freeze在一起能在新的任务里，表现好？有没有实验数据支撑？

2.你知道depthwise-CNN吗？讲讲具体原理？那1*1的kernel的作用是什么呢？对网络model有什么影响？

3.你还知道或者学习过那些传统机器学习算法？XGBoost？HMM？SVM等等都清楚吗？

4. 你学过那些基本算法？数据结构的运用？

5. 你是哪里人？老家？籍贯？

6.问我大学经历，未来打算，为什么工作？听出来我想先工作，问我后面想不想读博？

交换问题，

1.面试官的工作内容。

2.对自己的评价及建议：短时间内展示自己最闪亮的部分（第二天进四面，等待通知）