【面经】来啦！百度凤巢算法面经

写在前面

秋招过去一段时间了，拿到了几个大厂的offer，权衡之下最终选择了百度。趁脑中的记忆还算清晰，分享一下秋招百度凤巢广告算法的面经，以飨明年春招的各位小伙伴！

首先简单介绍一下背景，我是九月初投递的简历，大概九月中旬参加的面试（校招大规模，事先不知道部门），最后九月底收到了offer。应该说我度的效率还是很高的。面试一共三轮，前两面偏技术，问得很广，很基础。三轮是经理面，有技术的问题，但相对更加开放，会更多谈到你对一些东西的看法和理解。

一面：

1. 上来先推了个LR，问了SVM的基本原理，两个算法各自的使用场景以及它们之间的区别。
2. Boosting和Bagging的概念和区别。
3. 常用的优化算法有哪些，举一个你熟悉的具体说一下，并分析它的优缺点。
4. 解释一下AUC的计算方法和它代表的意义。问了一个相关的问题，当时没有答的很好，就是一个数据如果分成两份，分别在两份数据上计算出AUC为AUC_1和AUC_2，问整体数据的AUC是多少？面试的时候一直以为这个是能算出来的，所以一直在推导公式。最后的答案其实是无法得到，因为从局部的有序无法直接退出全局的有序，这个题目其实还是考查对于AUC这个指标的理解深度。
5. 介绍了一下实习的工作，没有细问
6. 代码题：用两个栈实现一个队列

二面：

1. GBDT的原理，xgboost与GBDT的区别；
2. 常用的模型评估指标有哪些，也问到了对AUC的理解；
3. 碰到数据不均衡的情况，如何解决；
4. 因为我简历里有NLP的内容，所以问到了很多NLP的相关知识：包括Transformer的结构，BERT和ELMo的区别，word2vec的原理；
5. 介绍实习经历；
6. 代码题：o(n)实现三色排序；

三面：

1. 聊实习经历，说说你在实习中最出色的工作，还有改进的余地吗？如何改进；
2. 说说你在研究生期间的工作，你碰到过最困难的事是什么，以及你是怎么解决的；
3. 是否了解Hadoop？做一道大数据题目，topK问题；
4. 说说你对凤巢的了解，如果你碰到了一个**场景，你会如何解决。
5. 职业规划相关...

随便唠唠

整体来说，问得很细，有些地方可能由于时间久远有些疏漏。个人的一些经验是：

1. 基础知识复习复习好（包括机器学习、深度学习还有最重要的刷题），尽量提早做，说实话这些事我也是到春招末和秋招中才做得比较好，因此错失了很多机会；
2. 简历上的内容一定要很熟悉，这个不解释；
3. 准备一个漂亮的简历，所以春招找实习很重要！拿到一个大中厂的实习，你会发现事事都会顺利很多；
4. 找实习、找工作，宜早不宜迟，但有个问题是可能比较早的时候你还没有准备好，所以前一两个面试不要挑最想去的公司，打怪升级才是王道。

最后的最后，希望大家新的一年里都能找到自己想要的工作。也希望大家能加入我度，happy coding。