Google人工智能面试·真题(附参考答案+攻略)

Anaconda
6个月前 阅读 95 点赞 1

可能每个程序猿,都想过加入Google。


然而想要“应试”成功,考验的不仅仅是开发人员的编程技术,还能侧面考验着参赛者的渠道来源是否广泛、背 景力量是否强大、脑洞回路是否清奇……


不过,梦是要做的,简历是要投的,说不准面试就来了呢?所以,我们需要为万一砸到头顶的面试,做好一万的准备。


前有万千过桥的应聘大军发回攻略,后有民间编程大神发现隐藏关卡……是时候来总结一份Google应聘指南了。

P.S. 这份攻略也不仅仅适用于Google(中途落榜的励志哥还被亚马逊挖走了呢~)


面前必毒(20道·真·题)


Google的技术面试流程就是各家的标配而已,先远程后现场。


面试以强度闻名,可能看看问题就想回家了。这些题目全部由Glassdoor收集统计。不过,顺便看下参考答案也是好的。


1、求导1/x。

答:-1/x2


用Python是这样。


2、画出log (x+10)曲线。

答:如图。只要把logx的图像左移10格。



用Python是这样。


3、怎样设计一次客户满意度调查?

答:第三题就这么抽象了。不知从何说起的我决定指引各位,可以在搜索引擎里查询一下:“客户满意度和客户忠诚度的计算标准”。


4、一枚硬币抛10次,得到8正2反。试析抛硬币是否公平?p值是多少?


5、接上题。10枚硬币,每一枚抛10次,结果会如何?为了抛硬币更公平,应该怎么改进?

答:小数定律或许可以帮到你。
附一个参考资料:https://medium.com/@lorenz.rumberger/i-think-a-more-advanced-answer-for-the-coin-toss-game-would-use-the-bayesian-method-569696e89271


6、解释一个非正态分布,以及如何应用。

答:不知道面试者遇到是怎样的分布。不过,MIT发表了用妖娆的伽玛分布,帮助自动驾驶系统在浓雾里保持如炬目光的算法。
详情传送门:点这里


7、为什么要用特征选择?如果两个预测因子高度相关,系数对逻辑回归有怎样的影响?系数的置信区间是多少?

答:需要处理高维数据的时候,很多模型都吃不消。特征选择可以让我们在给数据降维的同时,不损失太多信息。
参考资料传送门:https://towardsdatascience.com/why-how-and-when-to-apply-feature-selection-e9c69adfabf2


8、K-mean与高斯混合模型:K-means算法和EM算法的差别在哪里?

答:CSDN博主JpHu说,K-Means算法对数据点的聚类进行了“硬分配”,即每个数据点只属于唯一的聚类;而GMM的EM解法则基于后验概率分布,对数据点进行“软分配”,即每个单独的高斯模型对数据聚类都有贡献,不过贡献值有大有小。
传送门:https://blog.csdn.net/tingyue_/article/details/70739671


9、使用高斯混合模型时,怎样判断它适用与否?(正态分布)

答:依然,请前往以下页面。
详情传送门:https://stats.stackexchange.com/questions/260116/when-to-use-gaussian-mixture-model


10、聚类时标签已知,怎样评估模型的表现?

答: CSDN博主howhigh说,如果有了类别标签,那么聚类结果也可以像分类那样计算准确率和召回率。但是不应该将分类标签作为聚类结果的评价指标,除非你有相关的先验知识或某种假设,知道这种分类类内差距更小——
详情传送门:https://blog.csdn.net/howhigh/article/details/73928635


11、为什么不用逻辑回归,而要用GBM?



答:GB是Gradient Boosting。引用知乎答主Frankenstein的话,从决策边界上看,线性回归的决策边界是一条直线,逻辑回归的决策边界是一条曲线,GBM的决策边界可能是很多条线。
逻辑回归只能处理回归问题,而GBM还可以用于解决分类或排序问题。
参考答案传送门:
https://www.zhihu.com/question/54626685/answer/140610056


12、每年应聘Google的人有多少?

答:两百万。大多数人可能都只是顺便投一下,看看会不会中奖。


当然,技术题是出不完的,也是答不完的——以下统一不给答案了,请进行自我测试,并注意考试时间。

13、你给一个Google APP做了些修改。怎样测试某项指标是否有增长

14、描述数据分析的流程。

15、高斯混合模型 (GMM) 中,推导方程。

16、怎样衡量用户对视频的喜爱程度?

17、模拟一个二元正态分布。

18、求一个分布的方差。

19、怎样建立中位数的Estimator?

20、如果回归模型中的两个系数估计,分别是统计显著的,把两个放在一起测试,会不会同样显著?


不只是技术

除了这些深刻的技术问题,Google历年的面试中,总有一些直击灵魂的神秘考题。BI也统计了一些,例如:

  • 一辆校车可以放进多少个高尔夫球?


  • 擦一遍西雅图所有的窗户需要多少钱?


  • 井盖为什么是圆的?


再来个长的:

你只有两个生鸡蛋,是可以无比坚固也可以无比脆弱的鸡蛋。在一百层的高楼里,在两个鸡蛋都阵亡之前,怎么才能知道它们最高能从几楼摔下来不碎?需要多少步?


很好奇,脑洞考题是怎样打分的。友情提示:上述几道题,有些是可以抖机灵的……


史上最正统Google面试宝典

真题谈完了。虽然面试准备是个老生常谈的话题,但下面这份宝典无论如何你都要看看。

论“血统”,这份宝典最为正宗,因为它是Google招聘官网上专门为“Future Googler”准备的。一起看看招聘方亲自对面试者提出了哪些建议——


预测面试题:面试前,你基本可以预测出90%的问题了。“为什么想申请这份工作”“你曾经解决过什么问题”等问题基本在面试中必现,写20个出来先提前准备着有益无害。


计划:写出极可能出现的问题后,针对列出你的清单上的每一个问题,写下你的答案。这将帮助你加深对这些问题的印象,是面试时能对答如流的利器。


Plan B&C:针对上面这些问题,Google招聘人员建议你最好能准备3个答案。这些备用答案能在第一位面试官不喜欢你的故事时,帮你征服下一位面试官。


解释:面试官想要了解你的想法,所以在面试过程中需要展示你的思维过程和最后的解决方案。这个环节不仅是在评估你的技术能力,还在评估你解决问题的灵活性。


讲故事:Google面试官希望以会“讲故事”。有一个很有意思的面试小技巧,就是每个问题都应该用一个故事来回答。比如“你怎样领导……”的问题最好就举个例子讲个故事吧~



探讨:在面试过程中你可能会不自觉进入一些问题“圈套”,这是面试官想深入了解当你遇到技术难题中你看重哪些信息,希望看到你如何处理这个问题以及你解决问题的主要方法,这时一定要就你的思维过程进行讨论。


改进:思考如何改进你现在的解决方案,让面试官知道你在做什么,为什么要这样做。


练习:最后应聘者要时刻谨记熟能生巧。模拟面试环节,自信说出你的答案,直到你能清晰而简明地讲述每一个故事。


看来,准备Google的面试是个时间活~除了技术能力需要过硬以外,单单面试时这20×3个问题的准备也得准备不少时间呢。


对,有隐藏关卡!

应聘Google的方法只有内推、校招和发简历社招这三种?Naive,小看Google工程师的脑洞了,据多位大神在博客上透露,Google的应聘来源还有秘密渠道


如果Google捕捉到你在搜索某个特定的编程术语,可能就会有人邀请你申请这个职位。就有人能解锁这种隐藏关卡~


小哥Max Rosett曾遇到过一个有趣的故事。在用Google搜索“Python lambda函数列表解析”时,搜索界面分裂并向后折叠,一个方框弹出来写着“你在使用我们的语音”,还邀请他去挑战一下。



点击“挑战”后,页面跳转到一个叫“foo.bar”的页面,还会出现一道限时挑战题。连续攻破六道题后,foo.bar邀请这位挑战者提交个人信息。后来,就有招聘人员来要简历了。



这个foo.bar的地址如下:

https://www.google.com/foobar/


不过莫激动,没有得到Google的邀请这个网页还是没有办法注册的~


故事的最后给我们的启示,可能是多用Google搜索……


Google式“高考”

关于Google面试这事,其热度和难度无异于产业内的“高考”,千军万马过独木桥的景象又出现了。


这其中有个想进Google工作“励志哥”John Washam火了,这位小哥大学时修经济学,韩国当兵退伍后去教授英语,但对于代码和Google的渴望没有磨灭,他励志专门腾出八个月的时间全职准备Google面试,实现自己的目标!


 “励志哥”John Washam

这是一场“苦行僧”式的修行,小哥曾三周攻读1000页的C++书,也在GitHub上收获了21000多个star,还做了1792张电子卡片方便复习……读书、写代码和听讲座的时间总共1000多个小时了。


 励志哥的夏季阅读书单,只是准备过程中很小一部分


八个月的刻苦准备后,小哥……还是落选了,甚至连电话面试都没有就被直接拒绝了。


但努力总会有回报,被拒后的小哥目前就职于亚马逊。


Google虽好,也不能贪杯哦。


| 1
登录后可评论,马上登录吧~
评论 ( 0 )

还没有人评论...