【我們為什麼挑選這篇文章】面試進 Google 是很多人的主要人生志業之一,到底 Google 的面試是怎麼樣的,網路上有很多版本和傳言,讓我們來給你一版非常完整、內容幽默風趣的面試解析吧。(責任編輯:林子鈞)
作者/量子位 安妮 栗子
本文經 AI 新媒體量子位(公眾號 ID:QbitAI)授權轉載,轉載請聯繫出處
可能每個程式工程師,都想過加入 Google。
然而想要「應試」成功,考驗的不僅僅是開發人員的 Coding 技術,還能側面考驗著參賽者的渠道來源是否廣泛、背景力量是否強大、腦洞回路是否清奇……
不過,夢是要做的,履歷是要投的,說不準面試就來了呢?所以,我們需要為萬一砸到頭頂的面試,做好一萬的準備。
前有萬千過橋的應聘大軍 發回攻略 ,後有民間程式大神發現 隱藏關卡 ……是時候來總結一份 Google 應聘指南了。
P.S. 這份攻略也不僅僅適用於 Google(中途落榜的勵志哥還被亞馬遜挖走了呢~)
Google 的技術面試流程就是各家的標配而已,先遠程後現場。
面試以強度聞名,可能看看問題就想回家了。這些題目全部由 Glassdoor 收集統計。不過,順便看下參考答案也是好的。
1、求導 1/x。
答:-1/x2
用 Python 是這樣。
2、畫出 log (x+10) 曲線。
答:如圖。只要把 logx 的圖像左移 10 格。
用 Python 是這樣。
3、怎樣設計一次客戶滿意度調查?
答:第三題就這麼抽象了。不知從何說起的我決定指引各位,可以在搜索引擎裡查詢一下:「客戶滿意度和客戶忠誠度的計算標準」。
4、一枚硬幣拋 10 次,得到 8 正 2 反。試析拋硬幣是否公平?p 值是多少?
5、接上題。10 枚硬幣,每一枚拋 10 次,結果會如何?為了拋硬幣更公平,應該怎麼改進?
答:小數定律或許可以幫到你。
附一個 參考資料
6、解釋一個非正態分佈,以及如何應用
答:不知道面試者遇到是怎樣的分佈。不過,上個月 MIT 發表了用妖嬈的伽瑪分佈,幫助自動駕駛系統在濃霧裡保持如炬目光的算法。
詳情傳送門: 點這裡
7、為什麼要用特徵選擇?如果兩個預測因子高度相關,係數對邏輯回歸有怎樣的影響?係數的置信區間是多少?
答:需要處理高維數據的時候,很多模型都吃不消。特徵選擇可以讓我們在給數據降維的同時,不損失太多信息。
參考資料傳送門:https://towardsdatascience.com/why-how-and-when-to-apply-feature-selection-e9c69adfabf2
8、K-mean 與高斯混合模型:K-means 算法和 EM 算法的差別在哪裡?
答:CSDN 博主 JpHu 說,K-Means 算法對數據點的聚類進行了“硬分配”,即每個數據點只屬於唯一的聚類;而 GMM 的 EM 解法則基於後驗概率分佈,對數據點進行“軟分配”,即每個單獨的高斯模型對數據聚類都有貢獻,不過貢獻值有大有小。
9、使用高斯混合模型時,怎樣判斷它適用與否?(正態分佈)
答:依然,請前往以下頁面。
10、聚類時標籤已知,怎樣評估模型的表現?
答: CSDN 博主 howhigh 說,如果有了類別標籤,那麼聚類結果也可以像分類那樣計算準確率和召回率。但是不應該將分類標籤作為聚類結果的評價指標,除非你有相關的先驗知識或某種假設,知道這種分類類內差距更小——
11、為什麼不用邏輯回歸,而要用 GBM?
答:GB 是 Gradient Boosting。引用知乎答主 Frankenstein 的話,從決策邊界上看,線性回歸的決策邊界是一條直線,邏輯回歸的決策邊界是一條曲線,GBM 的決策邊界可能是很多條線。
邏輯回歸只能處理回歸問題,而 GBM 還可以用於解決分類或排序問題。
12、每年應聘 Google 的人有多少?
答:兩百萬。大多數人可能都只是順便投一下,看看會不會中獎。
13、你給一個 Google APP 做了些修改。怎樣測試某項指標是否有增長
14、描述數據分析的流程。
15、高斯混合模型(GMM)中,推導方程。
16、怎樣衡量用戶對視頻的喜愛程度?
17、模擬一個二元正態分佈。
18、求一個分佈的方差。
19、怎樣建立中位數的 Estimator?
20、如果回歸模型中的兩個係數估計,分別是統計顯著的,把兩個放在一起測試,會不會同樣顯著?
不只是技術
除了這些深刻的技術問題,Google 歷年的面試中,總有一些直擊靈魂的神秘考題。BI 也統計了一些,例如:
- 一輛校車可以放進多少個高爾夫球?
- 擦一遍西雅圖所有的窗戶需要多少錢?
- 井蓋為什麼是圓的?
再來個長的:
你只有兩個生雞蛋,是可以無比堅固也可以無比脆弱的雞蛋。在一百層的高樓裡,在兩個雞蛋都陣亡之前,怎麼才能知道它們最高能從幾樓摔下來不碎?需要多少步?
雞蛋表示:
很好奇,腦洞考題是怎樣打分的。友情提示:上述幾道題,有些是可以抖機靈的……
如果你想知道答案和更多類似題,可以在量子位公眾號(ID:QbitAI)對話界面,回覆:「神秘題」 三個字。
史上最正統 Google 面試寶典
真題談完了。雖然面試準備是個老生常談的話題,但下面這份寶典無論如何你都要看看。
論「血統」,這份寶典最為正宗,因為它是 Google 招聘官網上專門為「Future Googler」準備的。一起看看招聘方親自對面試者提出了哪些建議——
預測面試題 :面試前,你基本可以預測出 90% 的問題了。「為什麼想申請這份工作」、「你曾經解決過什麼問題」等問題基本在面試中必現,寫 20 個出來先提前準備著有益無害。
計畫 :寫出極可能出現的問題後,針對列出你的清單上的每一個問題,寫下你的答案。這將幫助你加深對這些問題的印象,是面試時能對答如流的利器。
Plan B&C:針對上面這些問題,Google 招聘人員建議你最好能準備 3 個答案。這些備用答案能在第一位面試官不喜歡你的故事時,幫你征服下一位面試官。
解釋 :面試官想要瞭解你的想法,所以在面試過程中需要展示你的思維過程和最後的解決方案。這個環節不僅是在評估你的技術能力,還在評估你解決問題的靈活性。
講故事 :Google 面試官希望以會「講故事」。有一個很有意思的面試小技巧,就是每個問題都應該用一個故事來回答。比如「你怎樣領導……」的問題最好就舉個例子講個故事吧~
探討 :在面試過程中你可能會不自覺進入一些問題「圈套」,這是面試官想深入瞭解當你遇到技術難題中你看重哪些信息,希望看到你如何處理這個問題以及你解決問題的主要方法,這時一定要就你的思維過程進行討論。
改進 :思考如何改進你現在的解決方案,讓面試官知道你在做什麼,為什麼要這樣做。
練習 :最後應聘者要時刻謹記熟能生巧。模擬面試環節,自信說出你的答案,直到你能清晰而簡明地講述每一個故事。
看來,準備 Google 的面試是個時間活~除了技術能力需要過硬以外,單單面試時這 20×3 個問題的準備也得準備不少時間呢。
對了,已經應聘成功的 Google 工程師們還給你提了一些技術類問題的「備考」建議,聽聽老人言,助你面試一臂之力。
對,有隱藏關卡!
應聘 Google 的方法只有內推、校招和發履歷社招這三種?Naive,小看 Google 工程師的腦洞了,據多位大神在博客上透露,Google 的應聘來源還有 秘密渠道 。
如果 Google 捕捉到你在搜索某個特定的編程術語,可能就會有人邀請你申請這個職位。就有人能解鎖這種隱藏關卡~
小哥 Max Rosett 曾遇到過一個有趣的故事。在用 Google 搜索「Python lambda 函數列表解析」時,搜索界面分裂並向後摺疊,一個方框彈出來寫著「你在使用我們的語言」,還邀請他去挑戰一下。
點擊「挑戰」後,頁面跳轉到一個叫「foo.bar」的頁面,還會出現一道限時挑戰題。連續攻破六道題後,foo.bar 邀請這位挑戰者提交個人信息。後來,就有招聘人員來要履歷了。
這個 foo.bar 的 網址
不過 莫激動 ,沒有得到 Google 的邀請這個網頁還是沒有辦法註冊的~
故事的最後給我們的啟示,可能是多用 Google 搜索……
Google 式「學測」
關於 Google 面試這事,其熱度和難度無異於產業內的「學測」,千軍萬馬過獨木橋的景象又出現了。
這其中有個想進 Google 工作「勵志哥」John Washam 火了,這位小哥大學時修經濟學,韓國當兵退伍後去教授英語,但對於代碼和 Google 的渴望沒有磨滅,他勵志專門騰出八個月的時間全職準備 Google 面試,實現自己的目標!
這是一場「苦行僧」式的修行,小哥曾三週攻讀 1000 頁的 C++ 書,也在 GitHub 上收穫了 21000 多個 star,還做了 1792 張電子卡片方便複習……讀書、寫代碼和聽講座的時間總共 1000 多個小時了。
八個月的刻苦準備後,小哥……還是落選了,甚至連電話面試都沒有就被直接拒絕了。
但努力總會有回報,被拒後的小哥目前就職於亞馬遜。
Google 雖好,也不能貪杯哦。
–
Google,世上最受歡迎企業
一探 Google 新加坡總部!美到都快抑制不住我轉職的衝動了啊啊
和 Google 頂尖工程師一起研究機器學習一整年,這是我的精華筆記
去 Google 工作真的沒那麼難!從醫生成功轉職 Google 工程師的大神親手撰寫攻略
(本文經 量子位 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈Google 人工智能面試·真·題(附參考答案+攻略)〉。)
人工智慧 x 雲端應用 Solution 是什麼?
10 分鐘填寫 TO 趨勢調查問卷,就送您人工智慧黃金時代必備祕笈:1. 結果分析報告
2.專家客製化 IT 雲端轉型完整建議>> 填問卷 Get 祕笈