矽谷巨頭AI崗位面試題匯總：谷歌+微軟篇

來自專欄 景略集智

谷歌、微軟、亞馬遜······這些巨型矽谷 IT 公司應該是很多 IT 從業者們的夢想之地。

這些科技巨頭過去十幾年在互聯網領域叱吒風雲，而在當下風生水起的 AI 技術浪潮中，這些公司依然走在科技的最前沿，吸引大批 IT 人才慕名加入。雖然谷歌、微軟和蘋果等大廠這兩年擴招了很多 AI 職位，但入職的路上依然困難重重。最近機器學習專家、Acing AI 創始人 Vimarsh Karbhari 分享了谷歌、微軟、亞馬遜等矽谷 IT 巨頭 AI 職位的面試習題，希望對準備將來加入這些公司的你能有所幫助。即便是現階段沒有此項計劃，看看大廠的要求也是可以的。

Google

作為全球知名的科技巨頭，谷歌將世界上許多最頂尖的 AI 科學家、數據科學家和研發工程師招至麾下。自從去年穀歌 CEO 宣布「AI 先行」戰略後，谷歌開始將 AI 技術應用在自家產品上。與此同時許多有志於在 AI 領域發展的人也躍躍欲試，申請加入谷歌。

此前谷歌的 AI 研究主要有三大領域：數據基礎設施與分析，谷歌大腦項目和谷歌 AI 醫療。不過今年 4 月初，谷歌對旗下業務大幅調整，將谷歌大腦和其它業務整合為 AI 業務。

谷歌在 AI 領域的研究成果主要涉及三塊：

• 機器智能
• 機器感知
• 自然語言處理

面試過程

谷歌的技術面試流程就是標準的技術面過程，先是電話或視頻面試，然後是現場面試。對於技術面試需要注意的地方，谷歌 Career 上有詳細的指導，可以參考一下：

https://careers.google.com/how-we-hire/interview/#interviews-for-software-engineering-and-technical-roles

谷歌 AI 有關的重要讀物和資料

• TensorFlow

TensorFlow 是谷歌推出的一款重量級 AI 學習系統，面試谷歌 AI 職位，它是必須要熟悉的。

參考讀物：https://arxiv.org/pdf/1605.08695v2.pdf

• 谷歌在硬體和軟體方面應用的各種AI工具

參考資料：https://ai.google/tools/

• 非官方谷歌數據科學博客

資料地址：http://www.unofficialgoogledatascience.com/

谷歌 AI 和數據科學 20 道面試習題

• 1/x 的導數是？
• 畫出 log(x+10) 的曲線
• 怎樣設計一份客戶滿意度調查？
• 將一枚硬幣投擲 10 次，8 次正面，2 次反面。你該怎樣分析這枚硬幣是否重量分布均勻？p 值為多少？
• 假設你有 10 枚硬幣，把每一枚都投擲 10 次（總共投擲 100 次），並觀察結果。你會修正自己測試硬幣重量分布是否均勻的方法嗎？
• 解釋一種非正態概率分布，以及如何應用它？
• 為何使用特徵選擇？如果兩個預測值高度相關，對邏輯回歸的係數有何影響？係數的置信區間如何？
• K 均值聚類方法與高斯混合模型：K 均值聚類演算法與 EM 演算法的區別是什麼？
• 當使用高斯混合模型時，你如何確定模型是適用的？（正態分布）
• 如果聚類中的標籤已知，如何評估模型的性能？
• 假如你有一個谷歌應用，對其作出了修改。你怎麼測試一個度量是否發生變化？
• 描述一下數據分析流程
• 為何不用邏輯回歸，而用 GBM 演算法？
• 推導 GBM 演算法的公式
• 你如何衡量用戶對視頻的喜歡程度？
• 模擬一個二元正太分布
• 推導一個分布的方差
• 每年有多少人申請加入谷歌
• 如何估計中位數？
• 如果對一個回歸模型中的兩個係數分別進行估計，在統計上是顯著的，你認為將二者一起估計，在統計上是否依然顯著？

Microsoft

和谷歌一樣，微軟今年也大幅調整了自家業務，擁抱 AI。微軟 CEO 納德拉在給員工的內部信中宣布成立兩個全新的部門：Intelligent Cloud 和 Intelligent Edge。這表明微軟決定全力參與這場 AI 浪潮，不用說微軟會招攬更多的 AI 人才。

面試流程

微軟的面試流程和其它招聘軟體工程師的公司一樣。不過數據科學職位通常會做些變動，這也反應了此類職位的重要地位。面試過程通常包括電話面試（會聊到寫代碼）和現場面試。其中現場面試大概有 4-5 輪面試，可能有 2-3 輪面試中會深入探討數據科學相關的問題、研究和模型，剩餘的面試部分主要是測試編程能力。

微軟 AI 職位相關參考資料

和谷歌一樣，微軟最近也發布了自家 AI 學習平台—— AI School。其核心 AI 平台被分為三塊：服務，基礎設施和工具。

• 微軟 AI School：https://aischool.microsoft.com/learning-paths
• AI Demos（數據表示和可視化展示）：https://aidemos.microsoft.com/
• 微軟 Azure AI Solutions（和亞馬遜 AWS 類似）：https://gallery.azure.ai/
• 微軟研究播客：https://www.microsoft.com/en-us/research/blog/category/podcast/

AI/數據科學相關面試題

• 合併 K（這裡設 K=2）個數組，並將它們排序。
• 從 5 百萬個搜索請求中選出一個代表樣本的最佳方法是什麼？
• 你在西雅圖的 3 個朋友告訴你那裡在下雨，其中一人撒謊的概率為 1/3，那麼西雅圖在下雨的概率是多少？
• 能否解釋一下樸素貝葉斯的基本知識？你如何設定闕值？
• 能否解釋一下什麼是分散式計算（MapReduce）？它的工作原理是什麼？
• 能否解釋一下支持向量機？
• 如何檢測一個新的觀測值是否為異常值？什麼是偏差-方差權衡（bias-variance trade off）？
• 探討一下如何從產品用戶群體中隨機選一個樣本
• 如何實現自動完成（AutoComplete）？
• 描述一下 Gradient Boost 演算法的工作原理。
• 找到一個整數列表中子序列的最大值。
• 如果要概括一份推特簡訊，你會怎麼做？
• 解釋一下在應用機器學習演算法前進行數據整理和清洗的步驟。
• 如何處理不平衡二元分類問題？
• 如何衡量數據點之間的距離？
• 定義方差。
• 箱型圖和直方圖之間的區別是什麼？
• 你怎麼解決 L2 正則回歸問題？
• 如何用一些計算技巧更快的計算逆矩陣？
• 怎樣在不用計算器的情況下進行一系列的計算？解釋自己解決步驟背後的邏輯。
• 好的數據可視化和糟糕的數據可視化之間有哪些不同？
• 你怎樣找到百分位？請寫出實現代碼。
• 從一組值的序列中找到最大子序列和。
• L1 正則化矩陣和 L2 正則化矩陣的區別是什麼？
• 創建一個函數，檢查一個詞是否為迴文結構。

從面試題中也可以看出，微軟的面試中有不少開放式問題，可以有很多中解決方法。也有一些問題基於數據表示和可視化，這和其他一些公司有些不同。

下一篇準備整理蘋果和亞馬遜的面試題，想看的同學就給這篇戳個讚唄？

參考資料： https://medium.com/acing-ai/microsoft-ai-interview-questions-acing-the-ai-interview-be6972f790ea