面经OPPO机器学习算法工程师6000字亲述实力才是你最大的资本.docx

面经OPPO机器学习算法工程师6000字亲述实力才是你最大的资本.docx

《面经OPPO机器学习算法工程师6000字亲述实力才是你最大的资本.docx》由会员分享，可在线阅读，更多相关《面经OPPO机器学习算法工程师6000字亲述实力才是你最大的资本.docx（8页珍藏版）》请在冰豆网上搜索。

面经OPPO机器学习算法工程师6000字亲述实力才是你最大的资本

  写在前面

分别受到学院和学校邀请，我分别在学院和学校进行了两次有关就业经验的报告，虽然我其实我找的工作可能不如很多同学，承蒙各位关照吧。

由于时间关系很多内容我没有在现场讲的很细致，所以下面我对两次报告的内容进行了整合，总结复述一下我在报告中提到的内容，供大家参考。

  数据分析师

首先谈到的干货就是数据分析师。

说到数据分析师，其实是一个非常吃问题背景、实际问题、领域甚至是经验的职业方向，也是一个在很多领域非常成熟的专业。

1、日常任务

日常的任务就是拿数据、分析数据、展示结果，抛开第一个和第三个，分析数据应该是数据分析师的难点和重点任务。

按照部分书籍和文章中谈到的思路，根据问题所在整个管到的阶段，可以分为探索型、诊断型、预测型、决策型4种。

▪探索型：

解决是什么的问题。

探索数据中存在的特点，了解目前存在了什么现象，例如一些成果判断、现状分析、竞品分析等，都涉及到探索型数据分析。

▪诊断型：

解决为什么的问题。

在探索型中，可能发现了目前存在某些现象，例如某个类型的用户正在流失，此时，诊断型要做的任务就是分析为什么这种类型的用户会流失，找到原因，以便下一步的决策。

▪预测型：

解决会怎样的问题。

对未知的未来进行预测，例如公司股票价格的变化等，有了预测型分析的结果，可以对未来有较为理性的预期，为决策提供支持。

▪决策型：

解决怎么做的问题。

目前手上可能有是怎么、为什么和会怎样的信息，根据这些信息我们需要采取某些策略，而哪些策略是合适的、可行的、有效的甚至是指的最终执行的，而执行过程中是否有风险和过高的代价等，这时候就需要决策型的分析来讨论这个问题。

虽说分析数据是一个重点过程，但是获取数据和展示结果同样是非常重要的。

俗话说“巧妇难为无米之炊”，数据分析师没有了数据根本没法干活，没有信息何来分析？

所以数据的获取是数据分析师工作非常重要的一环，数据的获取渠道也非常讲究，从大型数据仓库到数据库，有时甚至要通过调用数据接口或者是爬虫来获取，获取之后要对数据的质量进行评估，判断数据质量是否足够之支撑后续的分析，这个非常重要，数据有问题，那分析的结果怎么可能可靠，后面的决策怎么可能靠谱。

展示结果同样不是一个简单的任务，展示结果是一个面向读者的任务，读者看你的报告，目标就是为了获取信息，你还给他大片大片的展示数据，要你何用？

所以对数据内的关键信息进行抽取、整理、提炼，是非常重要的，必要时候还需要你通过图的方式去展示。

另外，一个很重要但是可能有点不合适的角度是，作为结果展示，应该是去展示对你所在立场有利的信息，或者指导读者往你希望的方向去思考的，这就需要你的智慧和技巧了，举个例子吧，盈利100万多不多，如果去年盈利是50万，那今年的就显得多了，但是如果去年是1000万，那你的100万还多吗，其实并不然，所以100万这个数据本身可能没有用提升量或者是提升率强，这就是技巧。

2、必备技能

SQL建议大家都会，这是获取数据的重要技能，绝大部分公司都会使用。

有关数据的操作，excel绝对是最简单的，不要小看他，一方面它的功能其实很强大，另一方面，连excel都不会用，还指望着你回别的吗？

这是个基础。

另外，spss、sas之类的最好能懂一些，有些excel不会等功能建议你使用它们，毕竟不用敲代码（敲代码是一个很厉害的技能，但是写起来你可能出错，且花时间，你再熟练绝对不会有他点点点快，相信我）。

最后另外建议大家会一门语言，建议是python和R，再精简的话，推荐python，会基本操作，numpy和pandas之类的就差不多了。

上面属于日常工具，当然还有一些要会的理论方法，数学统计类的，例如假设检验、参数估计，甚至是回归分析、聚类分析等，需要会从数据中抽取信息，这些方法都要会；另外一些分析方法，例如SWOT分析、漏斗分析之类的，这是标准化思路的方法；另外是数据可视化，一方面要知道怎么展示更有表现力，能支持你的观点，另一方面你要会画，会实现，把图给画出来，前者是思维、经验的，后者基本是技术的，基本的，常用工具根据自己喜好吧，excel能满足基本需求，另外echarts、XX图说之类的可以去了解一下，重点是能画出来，而不求多高端。

3、涨分点

首先是建议大家会写代码，这是一条分水岭，非常明显，如果你会写能比很多人有很大优势，什么叫做会，可以理解为自己有一个思路，要整理数据，然后你可以根据自己的思维能把代码写出来，就够了。

第二个是数据的敏感性，数据分析，其实就是要从海量数据中找到有用的信息，有的时候甚至要对数据进行转化，这个操作，在里面查找数据，是需要数据的敏感性的，这个敏感性说的有点玄学，我自己感觉也不是特别好，但是看到很多人能从同样的数据中找到新的信息其实很厉害。

第三个同样很玄学，业务理解，分析一个问题，必须依靠实际问题，不同场景下会有不同的分析方法和需要的信息，即使是相似的内容数据上也会有不同，例如购买同一产品不同品牌的人，用户互相就会有所不同，那分析目标和内容也有不同，因此对业务理解很重要，而对校招生而言，需要的就是要有理解业务的意识。

第四是数据的解释能力，这个同样很重要，如何将你获取的信息有效传递给读者，尤其是老板，是非常重要的。

之前遇到一个人去谈，分析了一个结果，意料之外的，和老板说，老板的回答是“这个结果怎么和常规思维差距这么大？

是不是算错了？

”，后来又弄了一个别的事情，结果和实际的一致，老板又说“分析出一个我猜都能猜到的结果，要你何用？

”，这其实非常尴尬，但其实这里有一个非常重要的点，就是你要传递的信息的形式、说理等，要足够支撑且读者能够接受，例如和常理一致大家都知道，但是常理一般没有数据化的支撑，猜是能猜到股票上涨，但是上涨多少是本身难以猜测的，这就是数据分析的价值，与常理不一致的，则需要你又充足的理由和证据。

4、推荐材料

不展开说了，加粗的是非常推荐看：

《精益数据分析》《统计陷阱》《Python数据分析与数据化运营》《数据挖掘与数据化运营实战思路、方法、技巧与应用》《数据挖掘：

你必须知道的32个经典案例》《从1开始――数据分析师成长之路》《数据挖掘导论》等

  算法工程师

算法工程师这几年无敌火，我也简单谈谈我的感想吧。

1、工作内容

说到工作内容，很多人以为就是不停地机器学习建模之类的，事实上并非如此。

数据获取和清洗才是重中之重，建模非常简单也非常迅速，但是前提是你要有可靠的数据和合适的特征工程方法，所以保证数据质量是非常重要的一步。

然后才是建模，这里的建模其实不是那么复杂的机器学习模型，有的时候可能就是一个if-else，一句话，但是在代码里加这句话后，可能会影响别的逻辑，这时候要经过不停地实验才算完事，和面还要通过AB实验等方式去验证。

上线，这是一个互联网中经常提到的名词，作为一名算法工程师，你不是只用python写个模型就完事了，你还要把代码上线，这时候一方面你要写一下java或者是c++的代码，配合你的模型运行。

最后，就是模型维护，包括监控和迭代了，监控新上线的内容有没有按照预期变好，或者是出了什么大问题而变坏，后续继续监控，有必要的话就更新迭代。

2、必备技能

第一个还是提SQL，另外还推荐大家尽量会hadoop全家桶，越多越好吧，但是基本的数据操纵和存储还是要会，例如hdfs，毕竟你是算法工程师，在这里完成数据操纵就好了。

然后是python，这个是肯定要会的，另外是因为涉及到上线，c++和java至少会一个，另外linux操作和shell脚本也要会。

至于算法，应该是绝大部分人都会花很多时间去学的，至于要到什么程度，作为数学系出身的我，我很建议大家把理论和实现都要搞懂，理论是因为只有把模型搞懂了，你才能在现实环境中预判并且选择最好的方法，而实现，不用我多说，你的模型是要给别人用的，那肯定要把代码之类的写好了，所以，机器学习，例如李航老师的，周志华老师的两本经典书，会推会用，针对笔试面试如此，针对现实工作也是如此。

另外推荐大家能往一个领域稍微学点，例如自然语言处理，机器视觉，推荐系统等，有一定深度，对现实应用会很有好处，一方面你有机会实操，另一方面你有优势。

3、涨分点

实践经历，对于学生，最好的实践经历就是实习，如果你确定要找工作了，推荐找个实习干干，如果条件不允许，干点有关工作的科研工作，写一篇好论文，再不济，可以参加点比赛，拿奖最好，没拿奖，把自己的经历总结出来也是很好的，重要的是，你干过。

千万不要做调包侠和调参师。

理论不懂，上来就怼模型的，这种人大都单活不过三集，对个人而言，最直接的理由就是，你没有竞争力，因为调参调包太简单了，在这领域的谁都会。

那么提升，那就是对算法有理解（数学能力，公式推导能力还是要会，要选这条路就不要给自己找放松的借口，大家都是这么过来的），然后会快速选择和建模，很重要。

有一种意识，如果你具备了，会超越一些人，就是基线意识。

首先，你要知道所有的好坏，都是对比得到的，所以你要体现你的模型好，就一定要有个对比；第二，作为工程师，首要任务是实现功能，满足需求，用户、领导、产品可能不会关心甚至不懂你是怎么实现的，所以最简单、最快捷、最低风险的方法是当下最好的方法，只要达到上线需求就行，觉得还能提升，那就后续迭代升级即可，不要盲目追求高大上，高大上意味着高风险、低效率，因此实现功能才是关键。

4、推荐材料

就推荐一些不常出现但是很厉害的材料吧，这些我都已经看完了。

《python文本分析》《花书》雷明的《机器学习与应用》《推荐系统实践》《基于深度学习的自然语言处理》《推荐系统与深度学习》黄文坚的《tensorflow实战》

另外，Github，XX，博客，论文建议大家多看，更新知识，保证自己的领先性，别闷头看书写代码。

在此提醒一句话：

数学决定上限，技术决定下限。

  简历tips

首先是命名，按照这个很哲学的思路，命名中包含这三个信息：

▪我是谁：

姓名

▪我从哪来：

院校

▪我要到哪去：

工作意向

然后是写自己的经历，经历都会写，问题怎么写才会更合适，下面是4个tips：

▪负责内容概述

▪注重细节，体现真实性，让面试官了解你的角色

▪专业名词，体现专业性，你是一个专家，就要装一下

▪能给出数据的尽量给出数据，体现你的能力强弱

另外注意适当增加你和求职工作的匹配度，主要方法是多加入一些求职说明上出现的专有名词

添加一些你有但是别人没有的技术，例如你的英语能力，获奖等。

  笔试tips

首先是要学什么，学啥需要参考的是公司的求职说明，根据求职说明来配备技能，最好有点实践，成果化，写写博客，分享笔记，甚至是写论文专利，都是挺非常好的。

至于学习资源，首先是比较完善的课程和教程，网课，b站，淘宝甚至是b站，都是很好的；另一方面，有些人写的博客、公众号非常不错，例如我的哈哈哈哈；另外，最前沿的东西一定在论文和github上，这个一定要多看。

至于笔试面试的资源，LeetCode，牛客网，赛码网，剑指offer，程序员面试宝典等。

另外，为了更好地通过面试笔试，看一些和面试公司有关的信息，以及HR的书籍，投其所好吧，知己知彼百战不殆。

最后强调一点，看什么不重要，重要的是看完，不要再只记得abandon了。

另外有一些其他的小建议

▪创造价值是公司和你的目标，学习本身只是辅助你的而已，在面试的时候切记

▪多渠道找工作，很多人只会以来学校，那你可能会错过很多机会

▪光靠学校的课程难以突出，你要想有闪光点，就一定要自己学，多问问自己“凭什么公司非要你不可”

▪多去实践实操，实习>论文>比赛

▪不盲目追热，分析形势和前景，算法这个领域门槛很高，根据自己的情况选择

▪网络资源丰富，笔经和面经必看，XX不是测网速用的

▪部分工作做好加班多的准备

▪时刻记住诚信

  其他大家想知道的信息

报告上大家提到的问题，以及有些大家后台的提问也会在这里，有些涉及公司机密的我就不多说啦抱歉。

Q1：

实习换公司的原因

离开去哪儿是个人原因，没平衡好学校和实习的关系，无奈辞职，非常对不起几位前辈。

离开美团是因为自己想在深圳发展，然而美团给不到这个条件吧，否则可能一直待下去。

Q2：

公司选择的建议

很多公司因为AI的风口想做事情，但是没有很扎实的技术，但是由于算法这个领域需要一定的门槛，且考虑个人的成长，算法技术不扎实的公司，慎重一些吧。

Q3：

跨领域是否适合转算法

个人建议慎重。

这块需要比较多的数学基础和计算机基础，这两种专业外的同学最好慎重，因为补起来比较难，也比较花时间，且深度难以把握。

当然不做技术做产品运营之类的，倒是没什么问题，但是做产品的一点都不懂技术，可能会尴尬，甚至有生命危险。

Q4：

工作选择的心路历程

我从一个学生角度去思考，最重要的毕业！

！

一定是毕业，不毕业你就完了，好好学习，好好写论文，别挂科，然后是实习，实习的目的是个人成长，有成长的话，尽可能多待，待的时间太短，新手村都没过，业务没熟悉，你压根干不了活，干活了还要有深度，所以尽量少换工作，少中断。

离开去哪儿纯属客观原因，美团待了大半年吧，收获不是一般多大。

Q5：

负责的项目以及具体工作

由于涉及业务的话可能会涉密，这块我一直保持谨慎态度，所以不会说太多，至于具体的工作，可以参考上面数据分析师和算法工程师里提到的工作内容，可以作为参考。

最后补充一句话：

实力是你最大的资本，不要老想着走捷径，最稳的路一定是凭借实力的，即使有浪潮，有风口，但是浪潮总会结束，风总会走，寒冬之下只有实力能陪着你前行。