Google人工智慧面試·真·題（附參考答案+攻略）

安妮 栗子 發自 澤浩寺

量子位 出品 | 公眾號 QbitAI

可能每個程序猿，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編程技術，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、腦洞迴路是否清奇……

不過，夢是要做的，簡歷是要投的，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，後有民間編程大神發現隱藏關卡……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~）

面前必毒（20道·真·題）

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，可以在搜索引擎里查詢一下：「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：https://medium.com/@lorenz.rumberger/i-think-a-more-advanced-answer-for-the-coin-toss-game-would-use-the-bayesian-method-569696e89271

6、解釋一個非正態分布，以及如何應用。

答：不知道面試者遇到是怎樣的分布。不過，上個月MIT發表了用妖嬈的伽瑪分布，幫助自動駕駛系統在濃霧裡保持如炬目光的演算法。

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演算法和EM演算法的差別在哪裡？

答：CSDN博主JpHu說，K-Means演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布，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。

傳送門：https://blog.csdn.net/tingyue_/article/details/70739671

9、使用高斯混合模型時，怎樣判斷它適用與否？(正態分布)

答：依然，請前往以下頁面。

詳情傳送門：https://stats.stackexchange.com/questions/260116/when-to-use-gaussian-mixture-model

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——

詳情傳送門：https://blog.csdn.net/howhigh/article/details/73928635

11、為什麼不用邏輯回歸，而要用GBM？

答：邏輯回歸 (LR) 是二元線性分類器。決策邊界是線性的，通常適於處理線性問題。如果要捕捉非線性關係，就需要複雜的特徵工程，來增強模型的表達能力。

GBDT是由多棵決策樹組成，最終結果是所有樹的結論累加而成。能夠發現許多有區分性的特徵，更細地劃分特徵空間。可以處理線性和非線性數據。

參考答案傳送門：

https://www.zhihu.com/question/54626685/answer/140610056

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。

當然，技術題是出不完的，也是答不完的——以下統一不給答案了，請進行自我測試，並注意考試時間。

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布。

18、求一個分布的方差。

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。在一百層的高樓里，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，回復：「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。

計劃：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：面試官想要了解你的想法，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」，這是面試官想深入了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。