演算法工程師的面試難不難，如何準備？-圖像處理/CV/ML/DL到HR面總結
原標題：演算法工程師的面試難不難，如何準備？-圖像處理/CV/ML/DL到HR面總結
把一些相關的知識點總結一下。這個比長，感興趣的挑自己相關的那部分看。
都是一些基礎知識，面相關崗位問到的比較多。
（回答時對演算法要有一定的見解，最好不要照書上的背）
（一） 機器學習方面
SVM
1、 支撐平面---和支持向量相交的平面；；；分割平面---支撐平面中間的平面（最優分類平面）
2、 SVM不是定義損失，而是定義支持向量之間的距離à目標函數看PPT13~17頁
3、 正則化參數對支持向量數的影響
LR
1、 LR的形式：h(x)=g(f(x))；其中x為原始數據；f（x）為線性/非線性回歸得到的值，也叫判定邊界；g（）為Sigmoid函數，最終h(x)輸出範圍為（0,1）
LR對樣本分布敏感。
***LR和樸素貝葉斯（NB）的區別？
LR是loss最優化求出的，NB是統計跳過loss最優，直接得出權重
NB比LR多了一個條件獨立假設
一個是判別模型（LR），一個是生成模型（NB）
1、 判別模型和生成模型？？？
2、 機器學習中，LR和SVM有什麼區別？à
兩者都可以處理非線性問題；LR和SVM最初都是針對二分類問題的。
SVM最大化間隔平面、LR極大似然估計；SVM只能輸出類別，不能給出分類概率
兩者loss function不同；LR的可解釋性更強；SVM自帶有約束的正則化
2、LR為什麼用sigmoid函數，這個函數有什麼優點和缺點？為什麼不用其他函數？（sigmoid是伯努利分布的指數族形式）
Logistic Regression 只能用於二分類,而sigmoid對於所有的輸入，得到的輸出接近0或1
Sigmoid存在的問題：梯度消失、其輸出不是關於原點中心對稱的（訓練數據不關於原點對稱時，收斂速度非常慢à輸入中心對稱，得到的輸出中心對稱時，收斂速度會非常快）、計算耗時
Tanh激活函數存在的問題：梯 度消失、計算耗時，但是其輸出是中心對稱的
ReLU：其輸出不關於原點對稱；反向傳播時，輸入神經元小於0時，會有梯度消失問題；當x=0時，該點梯度不存在（未定義）；
ReLu失活（dead RELU）原因：權重初始化不當、初始學習率設置的非常大
Maxout：根據設置的k值，相應的增大了神經元的參數個數
Xavier權重初始化方法：對每個神經元的輸入開根號
3、 SVM原問題和對偶問題關係？
SVM對偶問題的獲得方法：將原問題的目標函數L和約束條件構造拉格朗日函數，再對L中原參數和lambda、miu分別求導，並且三種導數都等於0；再將等於0的三個導數帶入原目標函數中，即可獲得對偶問題的目標函數
關係：原問題的最大值相對於對偶問題的最小值
4、 KKT（Karysh-Kuhn-Tucker）條件有哪些，完整描述？
KKT條件是思考如何把約束優化轉化為無約束優化à進而求約束條件的極值點
下面兩個思考題的答案都是在需要優化的目標為凸函數（凸優化）的情況下。
問題一：當一個優化問題是凸優化問題時，可以直接用KKT條件求解。
5、 凸優化（可行域為約束條件組成的區域）
5、 SVM的過程？Boost演算法？
6、 決策樹過擬合哪些方法，前後剪枝
決策樹對訓練屬性有很好的分類能力；但對位置的測試數據未必有好的分類能力，泛化能力弱，即發生過擬合。
防止過擬合的方法：剪枝（把一些相關的屬性歸為一個大類，減少決策樹的分叉）；隨機森林
7、 L1正則為什麼可以把係數壓縮成0，坐標回歸的具體實現細節？
L1正則化可以實現稀疏（即截斷），使訓練得到的權重為0；
l1正則會產生稀疏解，即不相關的的特徵對應的權重為0，就相當於降低了維度。但是l1的求解複雜度要高於l2,並且l1更為流行
正則化就是對loss進行懲罰（加了正則化項之後，使loss不可能為0,lambda越大懲罰越大-->lambda較小時，約束小，可能仍存在過擬合；太大時，使loss值集中於正則化的值上）
正則化使用方法：L1/L2/L1+L2
8、 LR在特徵較多時可以進行怎樣的優化？-->L1正則有特徵選擇的作用
如果是離線的話，L1正則可以有稀疏解，batch大點應該也有幫助，在線的解決思路有ftrl,rds,robots,還有阿里的mlr。當然還可以用gbdt,fm,ffm做一些特性選擇和組合應該也有效果。
9、 機器學習裡面的聚類和分類模型有哪些？
分類：LR、SVM、KNN、決策樹、RandomForest、GBDT
回歸：non-Linear regression、SVR（支持向量回歸-->可用線性或高斯核（RBF））、隨機森林
聚類：Kmeans、層次聚類、GMM（高斯混合模型）、譜聚類
10、 聚類演算法（可以作為監督學習中稀疏特徵的處理）：Kmeans、層次聚類、GMM（高斯混合模型）
聚類演算法唯一用到的信息是樣本和樣本之間的相似度。
評判聚類效果準則：高類間距，低類內距；高類內相似度，低類間相似度。
相似度與距離負相關。
圖像之間的距離的度量是對每個像素操作，最後獲得距離
Kmeans和GMM需要制定類別K
A、Kmeans演算法：對於已有的未標記的樣本，同時給定結果聚類的個數K；目標是把比較接近的樣本歸為一類，總共得到k個cluster
Kmeans中初始k個中心點（Kmeans對中心點的選取比較敏感）的選取方法：a、隨機選取k個初始的樣本中心點(b、直接選取k個樣本點)，然後計算每個樣本到k個選定的樣本中心點的距離；再比較待聚類樣本到初始樣本點的距離，將待聚類的樣本指定為距離較近的各個類別（離哪個近，就歸為哪一類）；最後重新計算聚類中心：；重複迭代。
Kmeans收斂狀態:
（1）聚類中心不再變化（2）每個樣本到對應聚類中心的距離之和不再有很大的變化
損失函數àloss function後面的||xn-uk||^2表示採用歐式距離作為距離度量：
Kmeans可以用於圖像分割；
Kmeans的缺點：對初始樣本點的選取敏感；對異常點（如：一個遠離大多數點的孤立的點）的免疫不好；對團狀數據點效果較好，對帶狀效果不好；
Kmeans與Kmeans++初始化的區別：Kmeans初始樣本點的選取是隨機選取的；Kmeans++是選取最遠的k個點作為初始樣本點
A、 層次聚類
有兩種層次聚類--)bottom-up（從多個類聚成一個類-->每次都是合併最相似的兩個類）、up-bottom（一個類到多個類-->每次都剔除最不相似的類）；層次距離是一種樹狀結構
Kmeans與層次聚類對比：
C、高斯混合模型à由單高斯模型線性加權組合
初始參數：樣本點屬於各個高斯函數的概率，以及每個高斯函數的均值和方差（參數都是隨機給定）
GMM求解過程àEM演算法求解
E-step（由已知的均值和方差估算在該參數下的樣本點的分布）和M-step（由樣本點的分布再求均值和方差）是EM演算法。
à這和EM求解的過程一樣
Kmeans是硬聚類（每個樣本只能屬於某一類）；而GMM對於每個樣本點，都有屬於每個類的概率。
GMM優勢：多個分布的組合、速度快（EM演算法求解）、最大數據似然概率
GMM劣勢：對初始化值敏感，容易陷入局部最優、需指定k個高斯分布；對非凸分布數據集效果不好。
11、 kmeans的分類過程，用kmeans的數據有什麼樣的分布（高斯分布），loss函數是啥？
見問題「9」
12、 邏輯斯特回歸和線性回歸的損失函數？
13、 正則化為什麼能防止過擬合？(https://www.zhihu.com/question/20700829)
過擬合表現在訓練數據上的誤差非常小，而在測試數據上誤差反而增大。其原因一般是模型過於複雜，過分得去擬合數據的雜訊. 正則化則是對模型參數添加先驗，使得模型複雜度較小，對於雜訊的輸入擾動相對較小。
正則化時，相當於是給模型參數w 添加了一個協方差為1/lambda 的零均值高斯分布先驗。對於lambda =0，也就是不添加正則化約束，則相當於參數的高斯先驗分布有著無窮大的協方差，那麼這個先驗約束則會非常弱，模型為了擬合所有的訓練數據，w可以變得任意大不穩定。lambda越大，表明先驗的高斯協方差越小，模型約穩定，相對的variance(方差)也越小。
10、關鍵詞
1、訓練集測試集驗證集劃分方式
https://www.zhihu.com/question/26588665/answer/33490049
2、TPR（Recall）、FPR、ROC 、AUC(與準確率和召回率有關)
http://blog.csdn.net/feiyang2010jin/article/details/50547365
3、坐標軸下降法->用來解決loss function對參數不可導時（此時梯度下降演算法不再有效），求取參數更新量的方法
坐標軸下降法和梯度下降法具有同樣的思想，都是沿著某個方向不斷迭代，但是梯度下降法是沿著當前點的負梯度方向進行參數更新，而坐標軸下降法是沿著坐標軸的方向。
http://blog.csdn.net/ymmxz/article/details/69396222
lasso(Least absolute shrinkage and selection operator)
坐標軸下降法和最小角回歸法（http://blog.csdn.net/bbbeoy/article/details/72523540）都是求解Lasso回歸的方法。
4、批量梯度下降演算法BGD，小批量梯度下降法MBGD，隨機梯度下降演算法SGD的比較
http://blog.csdn.net/yMMxz/article/details/69371926
5、學習率褪火 （衰減）-->沒學習多少次都會將學習率減少（lr/decay_rate）
6、多分類問題轉二分類方法-->組合多個二分類器來實現多分類器，方法如下：
a.一對多法（one-versus-rest,簡稱OVR SVMs）。訓練時依次把某個類別的樣本歸為一類,其他剩餘的樣本歸為另一類，這樣k個類別的樣本就構造出了k個SVM。分類時將未知樣本分類為具有最大分類函數值的那類。
b.一對一法（one-versus-one,簡稱OVO SVMs或者pairwise）。其做法是在任意兩類樣本之間設計一個SVM，因此k個類別的樣本就需要設計k(k-1)/2個SVM。當對一個未知樣本進行分類時，最後得 票最多的類別即為該未知樣本的類別。
c.層次支持向量機（H-SVMs）。層次分類法首先將所有類別分成兩個子類，再將子類進一步劃分成兩個次級子類，如此循環，直到得到一個單獨的類別為止。
說明：LR的多分類也可以用上面的方法。
http://blog.sina.com.cn/s/blog_4af0fab001010ybp.html
http://blog.sina.com.cn/s/blog_4c98b96001009b8d.html
1、 跳出局部極小值方法
-->優化方法，如momentum updata、Adam等；調整學習率
4、顯著性檢驗
5、線性回歸、廣義線性回歸
7、最小二乘誤差及其概率解釋
9、LDA（二類、多類）
11、類別不平衡解決方法：欠採樣、過採樣、閾值移動
12、模型融合方法：bagging、隨機森林、ADABOOST、 Gradient Boosting Tree
前面兩種是綜合多個模型的結果；後面兩個是重複訓練
Bagging-->模型融合（隨機森林也屬於模型融合）；有兩種方法(bagging對樸素貝葉斯沒什麼用，因為NB太穩定，提升不大)
ADABOOST（boosting一類的演算法）的步驟-->重複迭代和訓練；每次分配給錯的樣本更高的權重；最簡單的分類器（如：線性分類器的二分類）疊加
ADABOOST分類過程詳細解釋如下：先用一個簡單的分類器將樣本分成兩類；為分錯的樣本分配更高的權重（初始權重設為1/N即可，N為樣本數）；重複上次兩個過程（再次分類，並為錯誤的樣本設置更高的權重）；最後將所有樣本數據正確分類後，將各個分類器疊加。
Gradient Boosting Tree：和Adaboost的思路類似，解決回歸問題。
14、 決策樹、隨機森林、GBDT、XGBOOST
A、決策樹（有監督學習）：
建立決策樹的關鍵，即在當前狀態下選擇哪個屬性作為分類依據。根據不同的目標函數，建立決策樹主要有一下三種方法：ID3、C4.5、CART
B、Bootstraping：不需要外界幫助，僅依靠自身力量讓自己變得更好。
C、隨機森林（bagging+決策樹）：
Bootstrap採樣：有放回的重複抽樣
D、Adaboost：
教程第11節 決策樹隨機森林……pdf –p37
E、 GBDT—梯度下降決策樹（有監督學習）
15、 熵 信息增益（ID3演算法）、信息增益率（C4.5演算法）、基尼係數（CART）
教程第11節 決策樹隨機森林……pdf -p10
16、 投票機制
1）一票否決（一致表決）、2）少數服從多數、3）有效多數（加權）
16、數值優化理論：梯度下降、牛頓、共軛梯度
牛頓法（dk為更新量）-->引入了二階偏導（Hessian矩陣）-->求解無約束優化（迭代的初始值一般是隨機選取的）
缺點：不能保證Hessian矩陣（二階偏導組成的矩陣）一定可逆
17、SVM、SVR、軟間隔SVM、SMO
18、SVM核函數
核函數主要是將線性不可分的數據映射到高位空間再進行分類
核函數的種類：
高斯核是用的最多的核函數à對訓練數據分類效果最好
高斯核的缺點：容易過擬合，需要更多的樣本、泛化能力弱
19、距離方法：閔科夫斯基 、VDM、馬氏距離
20、K-means、KNN、LVQ、DBSCAN、譜聚類
21、降維方法：LDA、PCA、SVD
22、特徵選擇方法：總體分為過濾型、包裹型、嵌入型（à基於模型的；如：正則化）
Relief、LVW、正則化（L1/L2）
特徵選擇的原因：特徵存在冗餘（特徵相關度太高）、摻雜了雜訊（特徵對預測結果有負影響）
L1正則化是截斷效應（實現稀疏，把不相關的特徵的係數變成0）；L2正則化是縮放效應，使最後得到的參數很小
25、交叉熵？KL散度（也叫KL距離）？
25、最大熵模型、EM(Expectation Maximization)演算法
最大熵模型的求解可以轉化為對偶問題的極大化；
26、特徵-->數據中抽取出來的對結果預測有用的信息
特徵工程-->使用專業背景知識和技巧處理數據，使得特徵能在機器學習演算法上發揮很好的作用的過程。
27、交叉驗證
K折交叉驗證（K-flod cross validation）
http://www.cnblogs.com/boat-lee/p/5503036.html
將訓練集分成K份；依次將第i（i=k,…,1）折作為交叉驗證集，其餘k-1折（除第i折外）作為測試集；總共進行k次，每進行完一次訓練，都用test data去測試，得到k個準確率；最後取k個準確率的均值作為最後結果。
28、過擬合和欠擬合
欠擬合（under fitting）：參數過少，不足以表達數據的特徵
過擬合（over fitting）：參數過多，過渡擬合數據，泛化能力差（訓練時的準確率很好，但測試的時候就很差）
欠擬合解決方法：找更多的特徵；減小正則化係數
（二）深度學習方面
1、MLP的BP過程？delta的意義？每一層節點的殘差？
2、max pool層怎麼做的？
3、caffe架構？caffe如何構建網路?
4、去卷積過程（轉置卷積）？http://blog.csdn.net/fate_fjh/article/details/52882134
5、單個神經元是否線性可分（模式識別的概念，是否能用用線性函數將樣本分類）？
是否線性可分是對於樣本集的;線性可分是數據集合的性質，和分類器沒啥關係。
可以通過線性函數分類的即為線性可分
6、深度學習模型的發展？深度學習的評價標準？
7、強化學習應用場景和方法？adaboost和cascade adaboost？損失函數有哪些？分類回歸聚類的區別與聯繫？目標檢測的三種方法？
8、目標檢測常用的網路,RCNN, SPP, Fast RCNN, Faster RCNN的區別？
9、隨機梯度下降，標準梯度？softmax公式？信息熵公式？
10、SVM和softmax的區別？
Svm具有附加穩定性，當樣例滿足邊界條件時，該樣例不會影響損失函數；而softmax將考慮所有的樣例
11、訓練時，mini-batch與GPU的內存匹配-->訓練網路時的mini batch是由GPU的內存決定的。
12、正則化：正則化表現的是對高維度W的懲罰力度，當正則化係數（lambda）很大時，使w變的非常小，最終的結果是函數變得非常平滑。正則化係數（lambda）越小，擬合程度越高，效果越好。
13、batch normalization中gamma和beta初始化為1和0，然後在訓練中優化他們
BN可以減少dropout（可以不要dropout）
14、當訓練到最後，loss值很大，但精度在上升？-->說明loss變化很小，需要增大學習率
梯度爆炸（loss發散，出現nan）-->學習率很大，需要減小學習率
15、如果loss開始一直不變，但是從某點開始下降的原因à因為初始值選定的不好，錯誤的初始值會讓梯度一開始接近0。
16、優化策略的比較：
http://www.cnblogs.com/denny402/p/5074212.html
SGD-->Momentum updata-->Nesterov Momentum updata-->AdaGrad update--> RMSProp update-->Adam update
以上都是一階優化方法，對於二階優化方法(BFGS和L-BFGS)，二階優化方法不需要學習率這個參數，可以直接對目標進行優化。
SGD:根據梯度直接更新w
Momentum updata：不是通過計算得到的梯度直接更新w，而是增加一個變數V（定義為速度），改變了和梯度直接相關，再用V更新w
Nesterov Momentum updata:更新方式
AdaGrad update：每個參數自適應學習速率的方法（因為參數空間的每一維都有自己的學習速率，它會根據梯度的規模的大小動態變化）
長時間訓練時，AdaGrad演算法會發生什麼？-->根據更新公式，不斷有正數加到cache中，更新步長會逐漸衰減到0，最後完全停止學習。
1e-7：平滑因子，防止除數變成0
RMSProp update:解決了AdaGrad中會停止更新的問題
Adam update:
adagrad記錄的是梯度的二階矩，並按指數和形式表示
Momentum的作用：穩定梯度的方向
17、模型集成
先單獨訓練多個不同的模型；在訓練時，將每個模型的結果取平均值即可。-->可提升精度
缺點是必須單獨訓練不同的模型
18、Cross entropy loss 和sigmod Cross entropy loss的區別？
http://blog.csdn.net/u012235274/article/details/51361290
看博文里寫的就沒啥區別
SmoothL1Loss
優勢：smoothL1Loss在接近0的時候，看起來像二次函數
SoftMaxWithLoss
19、沒有隱藏層的神經網路是線性的，只能處理線性可分的問題（線性可分問題從二維角度看，即分界線是一條直線，多維就是存在線性超平面將其分類）。
20、卷積神經網路中，在沒有zero-padding的情況下,當輸入為7*7,filter為3*3，stride為3是，這裡的stride是不允許這樣設置的，因為這樣的話輸出就是2.333*2.333（不是整數），所以zero-padding避免了這種情況的發生
Zero-padding的另一種作者用，就是避免圖像在卷積神經網路中向前傳播時，圖像提取出來的特徵越來越小，zero-padding可以保證圖像的尺寸。
21、定位和檢測的區別：
區別在於要找的目標的數量；
對於定位，圖像中只有一個或一種對象，用框標出對象的位置
對於檢測，圖像中有多個目標或多種對象。
23、數據不足時：
數據增強、transfer learning（fine-tuning：根據數據集的大小，訓練網路的最後一層或者最後幾層）、修改網路
Fine-tuning:固定網路，即為學習率為0、需要訓練的層的學習率比較高（原來訓練好的網路的學習率的十分之一）、當預訓練的層（中間層）需要改變時，學習率很小（如原學習率的一百分之一）
24、goolenet和resnet中用到的結構（瓶頸結構 bottlenecks：輸入輸出相同）
1x1的卷積層相當於全連接層-->遍歷所有像素
3x3的卷積可以替換成1x3和3x1的不對稱卷積（inception v3）-->減少參數
25、CNN中 卷積的實現
傅里葉變換可以用於大卷積核的運算
im2col（主要的）：
caffe和torch不支持使用16位計算。
26、WindowDataLayer（窗口數據），用於檢測，可以讀取hdf5數據。
27、Caffe中的交叉驗證？
定義兩個prototxt文件（訓練階段和測試階段），train_val.prototxt和deploy.prototxt;後者用於測試集中，測試階段的train_val.prototxt用於驗證。
28、其他框架？
Torch-->C和Lua語言寫的，Torch中主要的是Tensors類
TensorFlow-->pip安裝，TensorBoard為可視化工具 ，支持多GPU，支持分散式訓練（多機），支持RNN
Theano、MxNet、
29、語義分割（Semantic Segmentation）和實例分割（Instance Segmentation）
語義分割-->操作像素，標記每個像素所屬的標籤à不關心具體的類，同一類目標標記為相同的像素
實例分割à 輸出類別同時標記像素（同時檢測並分割）-->關心目標的類，不同目標標記為不同的像素（同一類中的目標也標記為不同 的像素）
分割時使用全卷積網路（以filter為1*1的卷積層替換fc層，操作每個像素）可以得到所有像素的標籤，而不用先將圖像分成許多小塊，再通過卷積為塊 的中心像素分類（這樣就很耗時）
30、反卷積（卷積轉置）
31、Spatial Transformer Networks（空間變換網路）
32、無監督學習
聚類等、PCA(線性的)
自動編碼器（Auto encoder）、Generative Adversarial Networks（GAN）
（三）圖像方面
1、opencv遍歷像素的方式？
2、LBP原理？
3、HOG特徵計算過程，還有介紹一個應用HOG特徵的應用？
4、opencv裡面mat有哪些構造函數？
5、如何將buffer類型轉化為mat類型？
6、opencv如何讀取png格式的圖片？（我貌似記得opencv不能讀取png格式的圖片，好像每種格式圖片的表頭不一樣，需要轉化，給他說了半天他，他也沒明白）
7、opencv如何讀取內存圖片？
8、opencv裡面有哪些庫？
9、用過opencv裡面哪些函數？（我順帶回答了一下canny，HR又問opencv裡面有c-a-n-n-y有這幾個字母的函數嗎，尷尬。。。又問我如何自己寫canny邊緣檢測演算法）
10、opencv裡面為啥是bgr存儲圖片而不是人們常聽的rgb？
12、你說opencv裡面的HOG+SVM效果很差？他就直接來了句為啥很差？差了就不改了？差了就要換其他方法？、
13、講講HOG特徵？他在dpm裡面怎麼設計的，你改過嗎？HOG能檢測邊緣嗎？裡面的核函數是啥？那hog檢測邊緣和canny有啥區別？
13、如何求一張圖片的均值？（考慮了溢出和分塊求解，貌似不滿意。。。回頭看看積分圖裡面如何解決溢出的。）
14、如何寫程序將圖像放大縮小？（我回答的插值，不太對。。。比如放大兩倍可以插值，那放大1.1倍呢，）-->放大1.1倍也可以插值
15、如何遍歷一遍求一張圖片的方差？（回答的是採用積分圖，並讓我推導這樣為啥可行。這個問題以前幫同學解決過。。。）
（四）編程方面（C++/Python）
1、 全排列
2、 矩陣求最長連續遞增的路徑長度？à
329. Longest Increasing Path in a Matrix https://leetcode.com/problems/longest-increasing-path-in-a-matrix/discuss/
3、vector和list的區別？
4、c裡面有哪些內存申請方法？
5、虛函數和純虛函數的區別？
6、重載、覆蓋、重寫的區別？
7、用過C++11嗎？用過裡面的哪些？
8、有哪些類型轉換函數？以及用在哪些場景？
9、用過GCC嗎？會linux嗎？
10、堆和棧的區別？
11、Python中定義類的私有變數？在變數前面加雙下劃線「__」，如：__x，則為私有變數
11、請描述指針數組和數組指針的區別
指針數組：array of pointers，即用於存儲指針的數組，也就是數組元素都是指針
數組指針：a pointer to an array，即指向數組的指針
還要注意的是他們用法的區別，下面舉例說明。
int* a[4] 指針數組
表示：數組a中的元素都為int型指針
元素表示：*a[i] *(a[i])是一樣的，因為[]優先順序高於*
int (*a)[4] 數組指針
表示：指向數組a的指針 元素表示：(*a)[i]
（五）開放性問題
1、最後問面試官的問題
（1）我以後的面試要注意哪些問題，提點建議？或為了更好地勝任這個崗位，我還需要補充哪些技能？ 入職後是否有產品培訓和技能培訓？
（2）當感覺還可以時，就問公司培訓制度，晉陞機制，以及自己來了應該做什麼，當感覺沒戲時，就問，你給我一些關於職業的建議吧，以及怎麼提升自己
3、 HR面試（自己總結的）
（1） 期望薪資
（2） 你理想的工作是什麼樣的？
（3） 關於你以後的工作打算，你有什麼想法？
（4） 職業規劃
（5） 做項目時遇到的困難及解決方法？
（6）做科研辛苦嗎？
（6） 對公司的看法？為什麼應聘我們公司？
（7） 你在同齡人中處於什麼檔次 和大牛的差距在哪？
（8） 你跟同齡人相比有什麼優勢?
（9） 你除了我們公司，還投了哪些公司？
說幾個
（10） BAT之外，你最最想去的是哪家公司，為什麼？
（11） 如果我們給你發offer，你還會繼續秋招么？
（12） 【跨專業】本科+研究生在本專業學了多年，為什麼沒在本行業求職？
（13） 【家離企業所在地較遠】為什麼想來xx地方工作，父母支持么？
（14） 【對象】如果對象和你在意向工作地發生分歧，你怎麼處理？
（15） 優缺點？
（16） 介紹你一次最失敗的一次經歷？
（17） 介紹你一次最成功的一次經歷？
（18） 這份工作你有想過會面對哪些困難嗎？
（19） 如果你發現上司做錯了，你將怎麼辦？
（19）你覺得大學生活使你收穫了什麼?
（20）你對加班的看法？
（21）當公司給出的待遇偏低不足以吸引到優秀人才的時候，你該怎麼去招聘？
這些知識點都是我自己總結的，包括HR面的問題。
輕 松 一 刻
TAG:數據挖掘入門與實戰 |