想去Google做AI？先看完這套面試指南

作者 | 阿司匹林

憑藉強大的技術實力和良好的工作氛圍，Google 對求職者一直有著強大吸引力。

雖然 Google 在幾年前就已經退出了中國大陸市場，但是在北京、上海等國內城市依然保留著辦公地點，而且一直在對外發布招聘需求。特別是去年底，Google 宣布在北京成立 AI 中心，更是為中國的 AI 人才提供了又一個好去處。

為此，我們整理一份 Google 面試指南，並搜集了 20 道 Google AI 的面試問題，希望對感興趣的讀者能有所助益。

當然，如果你想申請國外的 Google 崗位，這份資料也同樣適用。

▌Google 面試方式

首先，Google 為求職者提供兩種面試方式，一種是電話面試或者通過 Google Hangout 進行面試，一種是現場面試，面試方式視情況而定。

電話面試

在電話面試或者 Google Hangout 面試中，面試官將會是你潛在的同事或者經理。

如果你面試的是軟體工程崗位，那麼面試時間將持續 30~60 分鐘。在回答編程問題時，你需要一邊在 Google Doc 裡面寫代碼，一邊告訴面試官你的思考過程。我們建議你使用免提耳機或者揚聲器，以便騰出手來打字。

電話面試的內容包含數據結構和演算法，你需要做好準備，用你最擅長的語言編寫 20~30 行代碼。

面試官會提一個開放式的問題，你可以讓面試官將問題解釋清楚。

你需要用演算法來解釋它。

用代碼來實現演算法（提示：不要擔心不夠完美，因為時間有限。先將你想到的寫下來，然後再完善，確保考慮到了 corner case 和 edge case）。

優化代碼，用案例來測試代碼，然後找出所有的 bug。

如果你申請的是其他職位，那麼電話面試時間大約為 30~45 分鐘。

面采

面試官通常有 4 位，包括潛在的同事以及一些跨職能的員工，每位面試官擁有 30~45 分鐘的時間。作為求職者，你有機會表現你在以下四個不同領域的優勢：

一般認知能力：我們會問一些開放式的問題來了解你是如何處理和解決問題的。這些問題沒有固定的正確答案，我們更看重解釋思考過程的能力以及使用數據來指導決策的能力。

領導力：說明你是如何使用自己的溝通和決策技巧來調動他人的。比如，你是如何在某個組織中晉陞到領導職位的？或者在不是正式領導的情況下，你是如何幫助團隊取得成功的？

與職位相關的知識：我們感興趣的是，你如何將你的個人優勢與經驗相結合，從而發揮影響力的。我們關注的不僅僅是你現在能做些什麼，而是你未來在不同崗位上的發展潛力。

「谷歌范兒」（Googleyness）：你在單獨工作或者團隊協作時的工作方式？你是如何幫助他人的？你是如何駕馭不確定性情況的？又如何走出舒適區，讓自己成長的？

對於軟體工程師候選人，我們希望了解你的編程技能和技術領域專業知識，包括編程工具、編程語言、以及數據結構和演算法基本知識。在面試過程中免不了會有一些討論，因為我們喜歡互相推動，學習不同的方法。因此，請你做好要深入討論你提出的解決方案的準備。打破自己的邊界，找到最優答案。

Google 的技術面采歷來用的是白板，但為了節省時間，同時提供更加真實的編程環境，我們已經開始在一些站點提供 Chromebook，用於編程面試。這些電腦上安裝了一個面試程序，你可以選擇自己偏好的語言。

在整個面試過程中，你可以隨時讓面試官作出解釋，確保自己完全理解面試官的問題。此外，你也可以「採訪」我們，問一些與工作、團隊、文化等相關的問題，幫助你決定這份工作是否適合自己。

▌Google 軟體工程和技術職位面試

如果你選擇的是軟體工程相關的崗位，在面試前你最好先掌握以下幾個方面的知識：

編程實踐：你可以在 CodeLab、Quora、Stack Overflow 等網站上找到一些編程示例。Cracking the Coding Interview 這本書也是一個不錯的資源。在某些站點，你可以選擇在 Chromebook 或者白板上編程（提前詢問招聘人員，這樣你可以先行練習）。一定要測試代碼，確保代碼易於閱讀，而且沒有 bug。不用過分關注細微的句法錯誤，比如在給定方法（start, end or start, length）時應該使用哪種 substring，選擇一個，告訴你的面試官即可。

編程：你應該熟練掌握至少一門編程語言，最好是 C++、Java、Python、Go 或者 C。你需要知道 API，面向對象的設計和編程，如何測試代碼，以及 corner case 和 edge case。注意，我們關注的是你對概念的理解而不是記憶。

演算法：同時用自下而上的演算法和自上而下的演算法來處理問題。你需要了解演算法的複雜性以及如何改進演算法。Google 里常用的包括排序演算法（加上搜索和二分法檢索）、分治演算法、動態編程/記憶、貪心演算法、遞歸演算法、鏈接到特定數據結構的演算法。了解大 O 符號（Big O notation，比如運行時），並做好討論 Dijkstra 和 A* 等複雜演算法的準備。我們建議你在寫代碼之前討論或概述你所想到的演算法。

排序：熟悉常用的排序函數以及了解它們對哪些輸入數據有效。從運行時（runtime）和內存佔用的角度思考效率問題。例如，在特殊情況下，插入排序（insertion-sort）或基數排序（radix-sort ）比一般的快速排序/合併排序/堆排序（QuickSort/MergeSort/HeapSort）答案好得多。

數據結構：你應該研究儘可能多的數據結構。最常用的數據結構有數組、鏈表、堆棧、隊列、哈希集、哈希映射、哈希表、字典、樹和二叉樹、堆和圖（ arrays, linked lists, stacks, queues, hash-sets, hash-maps, hash-tables, dictionary, trees and binary trees, heaps and graphs）。你需要徹底了解數據結構，以及不同演算法對不同數據結構的偏好。

數學：有些面試官會問一些基本的離散數學問題，因為我們經常碰到各種計算問題、概率問題、以及其他的 Discrete Math 101 問題。面試前，你可以花時間複習下（或者自學）基本概率論和組合數學的基本知識。你需要熟悉 n-choose-k 等同類型的問題。

圖演算法：考慮一個問題是否可以應用圖演算法，如距離，搜索，連接，循環檢測等（distance, search, connectivity, cycle-detection）。熟悉三種基本方法——對象和指針，矩陣和鄰接表——的利弊。了解基本的圖遍歷演算法、廣度優先搜索和深度優先搜索，以及它們的計算複雜性、優缺點、實現方法。

遞歸：許多編碼問題都涉及遞歸思考，而且可能還要對遞歸解決方案進行編碼。針對那些能夠用迭代解決的問題，你需要找到更簡練、更優雅的遞歸方法。

▌Google AI 職位面試

如果你應聘的是 AI 相關的職位，那麼你最好先對 Google 的 AI 有一個全面的了解。

首先，Google AI 文章數量最多的三個領域為：

機器智能：

https://research.google.com/pubs/MachineIntelligence.html

機器感知：

https://research.google.com/pubs/MachinePerception.html

自然語言處理：

https://research.google.com/pubs/NaturalLanguageProcessing.html

其次，下面的內容需要你重點閱讀：

TensorFlow：一個大規模機器學習系統

https://arxiv.org/pdf/1605.08695v2.pdf

Google 使用的 AI 工具

https://ai.google/tools/

非官方的 Google 數據科學博客

在對 Google AI 有了比較全面的了解後，你就可以看一下這份由眾多求職者分享的 Google AI 相關的面試問題了。

1/x 的導數是什麼？

繪製 log(x+10) 函數的曲線。

如何設計一個針對客戶滿意度的調查？

投擲一枚硬幣 10 次，8 次正面和 2 次反面。如何分析擲硬幣的公平性？什麼是 p-value？

你有 10 枚硬幣，每枚硬幣擲 10 次（共 100 次），並觀察結果，你會修改演算法來測試硬擲硬幣是否公平嗎？

解釋一個非正態分布以及如何應用它？

為什麼要使用特徵選擇？如果兩個預測因子高度相關，那麼對邏輯回歸中的係數有什麼影響？ 係數的置信區間是多少？

K-Means 演算法和高斯混合模型：K-Means 演算法和 EM 演算法之間有什麼區別？

高斯混合模型適用於什麼情況？（正態分布）

如果標籤在聚類項目中是已知的，那麼如何評估模型的性能？

對一個 Google 應用程序做了更改之後，如何測試某個指標是提高了還是降低了？

描述數據分析的過程。

為什麼不使用邏輯回歸演算法？為什麼選擇 GBM 演算法？

推導 GMM 方程？

如何衡量用戶對視頻的喜好程度？

模擬一個二元正態分布？

推導一個分布的方差？

每年有多少人申請 Google 賬戶？

如何構建中位數的估計量？

如果回歸模型中的兩個係數估計值都具有統計顯著性，那麼你是否認為兩者的測試依然重要？

最後，歡迎大家在評論區分享自己的答案以及面試經驗。

參考資料：https://careers.google.com

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！