互联网公司常见的算法题，你了解多少？（上）

随着人工智能的普及，越来越多的朋友转为算法工程师。事实上，算法工程师有很多细分。今天主要关注三类：图像算法/计算机视觉工程师、机器学习工程师、数据挖掘算法工程师。结合你的求职经历，谈谈互联网公司常见的算法问题。，希望对你的求职面试有所帮助。（当然，总结比较仓促matlab边缘检测算子，可能是片面的，欢迎大家随时补充）。

(一）图像算法/计算机视觉工程师

包括图像算法工程师、图像处理工程师、音视频处理算法工程师、计算机视觉工程师等。

技能要求：

精通DirectX HLSL、OpenGL GLSL等着色器语言，熟悉GPU实现和常用图像处理算法的优化；

语言：精通C/C++；

工具：Matlab数学软件、CUDA计算平台、VTK图像图形开源软件

熟悉OpenCV/OpenGL/Caffe等常用开源库；

具有人脸识别、行人检测、视频分析、3D建模、动态跟踪、车辆识别、目标检测、跟踪识别等方面经验者优先；

熟悉基于GPU的算法设计与优化，有并行优化经验者优先；

【音视频领域】熟悉H.264、FFMPEG等视频编解码标准，熟悉rtmp等流媒体传输协议，熟悉视音频解码算法，研究各种多媒体文件格式，GPU加速；

面试问题总结：

· 常用的边缘检测算子有哪些，各有什么特点？

· 简述BP神经网络和AdBoost的基本原理？

· 关键字static的作用是什么？

· 简述 C 和 C++ 程序编译后的内存分配？

· 给定一个 0-1 矩阵，找到连通域。

· 编写一个函数来查找灰度图像的直方图。

· 写一个均值滤波器（median filter）。

· 写出高斯算子、索贝尔算子、拉普拉斯算子等，以及它们在梯度方向上的区别。

· 常用的特征提取方法。

· 常见的物体检测方法。

· 常用的边缘提取方法。

· 常用的插值方法。

· 常用的图像分割算法。

· 编写图像调整大小功能（放大和缩小）。

· 彩色图像、灰度图像、二值图像和索引图像有什么区别？（索引图像到底是什么？）

· 深度学习中常见的目标检测方法matlab边缘检测算子，异同。

·在给定相机范围和图像大小的情况下找到分辨率。

· 如何检测图片中的汽车，并识别车型，如果有障碍物怎么办？

· 数字识别过程。

· 介绍神经网络、SVM、AdaBoost、kNN……（每个人都可能深入询问各种细节）

· 编写梯度下降代码。

· 卷积神经网络和神经网络的区别。

卷积层的作用，池化层的作用，全连接层的作用。

· 什么是过拟合和欠拟合，以及如何改进它们。

1×1卷积和的作用。

计算卷积神经网络的一层参数。

(二）机器学习工程师

技能要求：

· 熟悉Hadoop/Hive和Map-Reduce计算模式，最好是Spark、Shark等；

· 大数据挖掘；

· 研发高性能、高并发的机器学习、数据挖掘方法和架构；

面试问题总结：

基础部分：

· 数据结构知识

· 掌握一门编程语言，c/c++/Java/Python

· 机器学习常用算法或子领域常用算法（推荐、自然语言处理、图像识别、语音识别等）。

计算机知识部分：

1.主要数据结构包括数组、增删链表、树、排序算法等。可能还有数据库基本语句、操作系统进程和线程相关、计算机网络的TCP/IP协议部分）

2. 编程技巧：一到三个在线编程问题

3. 算法能力：给出一个场景并回答使用什么算法来建模解决方案

机器学习的常用算法：

1.决策树ID3、C4.5、CART等，决策树拆分原理及剪枝策略

2. 神经网络的工作原理

3. SVM的原理及公式推导

4. 朴素贝叶斯公式

5. Bagging 和 Boosting 的区别

6. 如何调整GBDT的参数

7. 聚类过程

8. 什么是偏差和方差，高偏差和高方差表示什么

9.损失函数怎么理解，SVM的损失函数是什么，写公式

10.如何解决过拟合，L1和L2正则化有什么区别

11. 为什么使用最小二乘而不是至少四

12. GB法与牛顿法的区别，它们与泰勒公式的关系

编程能力：考察熟悉的编程语言的相关知识，掌握一门编程语言即可

java：static的作用，hashmap，arraylist和linklist的区别，多线程

c/c++：实现strstr（判断一个字符串是否是另一个字符串的子字符串）

python：安装python的命令是什么，用python读取文件，逐行输出（库函数不能用），常用python库。

其他采访内容：

· 数据结构和算法知识（手写代码）

· 特征工程

· PCA的原理

· 大数据开发能力：Hadoop/Hive/Map Reduce开发

· 深度学习知识

(三）数据挖掘算法工程师班

包括推荐算法工程师、数据挖掘算法工程师等。

技能要求：

· 熟悉常见的机器学习和数据挖掘算法，包括但不限于决策树、Kmeans、SVM、线性回归、逻辑回归和神经网络算法；

· 熟练使用SQL、Matlab、Python等工具者优先；

· Hadoop、Spark、Storm等大规模数据存储和计算平台的实践经验【都是分布式计算框架】

· 良好的数学基础，如高级数字、统计、数据结构

面试问题总结：

1. 您在研究/项目/实习经历中主要使用了哪些机器学习/数据挖掘算法？

2. 你熟悉的主要机器学习/数据挖掘算法有哪些？

3. 你使用过哪些机器学习/数据挖掘工具或框架？

4. 无监督算法和有监督算法有什么区别？

5. SVM 推导，特征？如何处理多分类？

6. LR 的推导，特征？

7. 决策树的特点？

8. SVM、LR、决策树的比较？

9. GBDT 和决策森林有什么区别？

10. 如何判断一个函数是凸函数还是非凸函数？

11. 解释对偶的概念。

12. 如何进行特征选择？

13.为什么会出现过拟合，有哪些方法可以防止或克服过拟合？

14.介绍卷积神经网络，它和DBN有什么区别？

15. EM算法求解的模型有哪些，为什么不用牛顿法或者梯度下降法呢？

16. 用 EM 算法推导解释 Kmeans。

17.都用到了哪些聚类算法，解释一下密度聚类算法。

18. 聚类算法中的距离度量是什么？

19. 实体识别是如何工作的？

20.解释贝叶斯公式和朴素贝叶斯分类

21.写一个Hadoop版本的wordcount

如果觉得文章有用，欢迎转发+评论，获取更多编程干货。欢迎大家关注我的头条号~