總結：介紹算法模型一般從模型要解決的問題場景入手。然后介紹模型建模的思路，使用的損失函數，對損失函數的優化如何求解這幾塊。最后介紹下算法模型的優點和缺點。
一、小米面試（涼涼）——一面1小時，二面40分鍾
1、 數據結構很重要（重要指數10顆星）
2、 編程題：
（1）a = [1, 2, 3]
b = a[:-1] 這一步做的是什么，還可以怎么做，另外一種方法和這種方法那個時間復雜度更低
a.pop(2) # 3
視頻名字：(N) name 變金精剛 變形金剛 大黃蜂
query：(M) 金剛 f1: 2 2 0
f2: 1 2 0
f1: 相同字符的個數
f2: 最大連續相同字符的
怎么實現f1和f2
（2）有n個變量，這n個變量分別都有1-n個值，那么這些值肯定會存在重復的情況，請編寫一段程序來找出這些重復的值。
3、 GBDT/XGBoost/LightGBM/Adaboost知識總結（需要再看）
4、 自己做過的項目問得非常細致，我需要再細致化一下，很多細節上的問題我面試時並沒有回答上來
5、 LSTM傳入的是什么，輸出的又是什么,沒了解？
6、 命名主體識別輸入模型的是什么，經過模型怎么就能識別出哪些是主體了，詳細介紹一下實習時怎么做的？
7、 LSTM如何解決長期依賴的問題？/LSTM對RNN改進的地方在那里？
8、 線性模型和分類模型的區別和聯系？
二、騰訊游戲面試（一面失敗）——35分鍾
1、講解了自己做過的比賽（講解時要注意邏輯性，逐條推進）
2、業務場景：有一張游戲地圖，有人物、有怪物，知道人物和怪物的坐標，人物和怪物分別有等級，人物打怪只能打與其相應的等級以及以下的等級，打怪的收益根據等級是遞增的。問：怎么布置怪物的分布地方，使得人物在規定時間內打怪時獲得的收益最高。
答：用優化算法，比如拉格朗日，將距離作為此收益函數的權重，對這個權重的優化又可以利用其它的算法進行。
三、中譯語通面試（等待結果）——15分鍾
1、SVD分解以及它有哪些用途？
https://zhuanlan.zhihu.com/p/36546367 SVD矩陣分解——原理與幾何意義
2、詞嵌入方法有哪些？以及各自的優缺點
3、學習率怎么調，這樣調有什么后果？
https://blog.csdn.net/whut_ldz/article/details/78882871
https://www.cnblogs.com/bonelee/p/8578481.html 機器學習中如何選擇超參數
4、Python的一點小知識，關於numpy的
5、平常工程都用什么軟件，會不會java、大數據處理平台，有沒有打算學
6、解釋一下梯度下降算法？
https://www.cnblogs.com/pinard/p/5970503.html 劉建平講解梯度下降
四、眾微科技（通過）——32分鍾
1、簡單講講自己簡歷上比賽用到的模型、比較他們的優缺點
2、ROC、AUC分別是什么，ROC的橫縱坐標分別是啥
3、python的lambda函數
4、講一下CART樹模型
5、對新網銀行的比賽做了哪些特征處理
異常值處理、類別標簽的組合、數值標簽的歸一化、特征篩選、模型融合
五、文思海輝（通過）——1.5小時
1、面試之前先做了一套筆試題，后面通知我周一下午去面試的，筆試題就是與數學、python、機器學習相關算法有關的，比較簡單
2、問簡歷上面寫到的東西
3、根據筆試題一個求極限問題改的，問怎么求那個函數與任意一個數的大小，提示我說用二分法
4、有哪些概率圖模型，簡單介紹一下HMM
5、有哪些概率分布
6、說一說我做命名實體識別的過程
7、場景：怎么建立一套推薦系統來減輕HR的工作任務
8、場景：結合本科專業，桌子上放着一包香煙，我想要寫些什么東西。我本科是學社會保障專業的，然后就從醫療保險角度介紹了一下，醫療體系與香煙可以產生哪些化學反應
9、怎么用最簡單的方法得到每天從天空中飛過的飛機數，胡說八道了一通。
10、梯度的本質是什么
11、梯度爆炸和梯度消失怎么發生的，怎么解決
12、還有一些忘了
六、京東數科（通過）——40分鍾
1、簡單介紹自己，然后面試官會結合簡歷上面的經歷詳細問你各個知識點
2、XGBoost還有哪些優化方法，為什么它用CART回歸作為基分類器
3、記憶最深的只有上面一個問題，其他好多都忘了，由於沒有立即寫下來