总结：介绍算法模型一般从模型要解决的问题场景入手。然后介绍模型建模的思路，使用的损失函数，对损失函数的优化如何求解这几块。最后介绍下算法模型的优点和缺点。
一、小米面试（凉凉）——一面1小时，二面40分钟
1、 数据结构很重要（重要指数10颗星）
2、 编程题：
（1）a = [1, 2, 3]
b = a[:-1] 这一步做的是什么，还可以怎么做，另外一种方法和这种方法那个时间复杂度更低
a.pop(2) # 3
视频名字：(N) name 变金精刚 变形金刚 大黄蜂
query：(M) 金刚 f1: 2 2 0
f2: 1 2 0
f1: 相同字符的个数
f2: 最大连续相同字符的
怎么实现f1和f2
（2）有n个变量，这n个变量分别都有1-n个值，那么这些值肯定会存在重复的情况，请编写一段程序来找出这些重复的值。
3、 GBDT/XGBoost/LightGBM/Adaboost知识总结（需要再看）
4、 自己做过的项目问得非常细致，我需要再细致化一下，很多细节上的问题我面试时并没有回答上来
5、 LSTM传入的是什么，输出的又是什么,没了解？
6、 命名主体识别输入模型的是什么，经过模型怎么就能识别出哪些是主体了，详细介绍一下实习时怎么做的？
7、 LSTM如何解决长期依赖的问题？/LSTM对RNN改进的地方在那里？
8、 线性模型和分类模型的区别和联系？
二、腾讯游戏面试（一面失败）——35分钟
1、讲解了自己做过的比赛（讲解时要注意逻辑性，逐条推进）
2、业务场景：有一张游戏地图，有人物、有怪物，知道人物和怪物的坐标，人物和怪物分别有等级，人物打怪只能打与其相应的等级以及以下的等级，打怪的收益根据等级是递增的。问：怎么布置怪物的分布地方，使得人物在规定时间内打怪时获得的收益最高。
答：用优化算法，比如拉格朗日，将距离作为此收益函数的权重，对这个权重的优化又可以利用其它的算法进行。
三、中译语通面试（等待结果）——15分钟
1、SVD分解以及它有哪些用途？
https://zhuanlan.zhihu.com/p/36546367 SVD矩阵分解——原理与几何意义
2、词嵌入方法有哪些？以及各自的优缺点
3、学习率怎么调，这样调有什么后果？
https://blog.csdn.net/whut_ldz/article/details/78882871
https://www.cnblogs.com/bonelee/p/8578481.html 机器学习中如何选择超参数
4、Python的一点小知识，关于numpy的
5、平常工程都用什么软件，会不会java、大数据处理平台，有没有打算学
6、解释一下梯度下降算法？
https://www.cnblogs.com/pinard/p/5970503.html 刘建平讲解梯度下降
四、众微科技（通过）——32分钟
1、简单讲讲自己简历上比赛用到的模型、比较他们的优缺点
2、ROC、AUC分别是什么，ROC的横纵坐标分别是啥
3、python的lambda函数
4、讲一下CART树模型
5、对新网银行的比赛做了哪些特征处理
异常值处理、类别标签的组合、数值标签的归一化、特征筛选、模型融合
五、文思海辉（通过）——1.5小时
1、面试之前先做了一套笔试题，后面通知我周一下午去面试的，笔试题就是与数学、python、机器学习相关算法有关的，比较简单
2、问简历上面写到的东西
3、根据笔试题一个求极限问题改的，问怎么求那个函数与任意一个数的大小，提示我说用二分法
4、有哪些概率图模型，简单介绍一下HMM
5、有哪些概率分布
6、说一说我做命名实体识别的过程
7、场景：怎么建立一套推荐系统来减轻HR的工作任务
8、场景：结合本科专业，桌子上放着一包香烟，我想要写些什么东西。我本科是学社会保障专业的，然后就从医疗保险角度介绍了一下，医疗体系与香烟可以产生哪些化学反应
9、怎么用最简单的方法得到每天从天空中飞过的飞机数，胡说八道了一通。
10、梯度的本质是什么
11、梯度爆炸和梯度消失怎么发生的，怎么解决
12、还有一些忘了
六、京东数科（通过）——40分钟
1、简单介绍自己，然后面试官会结合简历上面的经历详细问你各个知识点
2、XGBoost还有哪些优化方法，为什么它用CART回归作为基分类器
3、记忆最深的只有上面一个问题，其他好多都忘了，由于没有立即写下来
