随着人工智能的大热，身边转型做算法工程师的朋友越来越多。其实算法工程师的细分领域也很多，今天我主要从图像算法/计算机视觉工程师类、机器学习工程师、数据挖掘算法工程师类这三类，根据大家的求职经验，来说说互联网公司常见的算法题，希望对大家求职面试有所帮助。（当然，总结的比较仓促，可能比较片面，欢迎大家随时补充）。

（一）图像算法/计算机视觉工程师类

包括图像算法工程师，图像处理工程师，音/视频处理算法工程师，计算机视觉工程师等。

技术要求：

精通DirectX HLSL和OpenGL GLSL等shader语言，熟悉常见图像处理算法GPU实现及 优化；

语言：精通C/C++；

工具：Matlab数学软件，CUDA运算平台，VTK图像图形开源软件

熟悉OpenCV/OpenGL/Caffe等常用开源库；

有人脸识别，行人检测，视频分析，三维建模，动态跟踪，车识别，目标检测跟踪识别经历的人优先考虑；

熟悉基于GPU的算法设计与优化和并行优化经验者优先；

【音/视频领域】熟悉H.264等视频编解码标准和FFMPEG，熟悉rtmp等流媒体传输协议，熟悉视频和音频解码算法，研究各种多媒体文件格式，GPU加速；

面试题汇总：

· 常用边缘检测有哪些算子，各有什么特性？

· 简述BP神经网络，AdBoost的基本原理？

· 关键字static的作用是什么？

· 简述C，C++程序编译的内存分配情况？

· 给定0-1矩阵，求连通域。

· 写一个函数，求灰度图的直方图。

· 写一个均值滤波（中值滤波）。

· 写出高斯算子，Sobel算子，拉普拉斯算子等，以及它们梯度方向上的区别。

· 常用的特征提取方法。

· 常用的目标检测方法。

· 常用的边缘提取方法。

· 常用的插值方法。

· 常用的图像分割算法。

· 写一个图像resize函数（放大和缩小）。

· 彩色图像、灰度图像、二值图像和索引图像区别？（索引图像到底是啥？）

· 深度学习中目标检测的常用方法，异同。

· 给定摄像头范围和图像大小求分辨率。

· 如何检测图片中的汽车，并识别车型，如果有遮挡怎么办？

· 数字识别的流程。

· 介绍神经网络、SVM、AdaBoost、kNN…（每一个都可能深入问各种细节）

· 写梯度下降代码。

· 卷积神经网络与神经网络的区别。

· 卷积层的作用、pooling层的作用，全连接层的作用。

· 过拟合和欠拟合分别是什么，如何改善。

· 1x1卷积和的作用。

· 计算卷积神经网络某一层参数量。（二）机器学习工程师

技术要求：

· 熟悉Hadoop/Hive以及Map-Reduce计算模式，熟悉Spark、Shark等尤佳；

· 大数据挖掘；

· 高性能、高并发的机器学习、数据挖掘方法及架构的研发；

面试题汇总：

基础部分：

· 数据结构知识

· 掌握一门编程语言，c/c++/Java/Python

· 机器学习常用算法或者某一细分领域（推荐，自然语言处理，图像识别，语音识别等）的常用算法。

计算机知识部分：

1. 主要是数据结构包括数组，增删链表，树，排序算法等。也可能会有数据库基本语句，操作系统进程和 线程相关的，计算机网络的TCP/IP协议部分）

2. 编程能力： 一到三道在线编程题目

3. 算法能力： 给出一个场景，回答使用什么算法去建模解决

机器学习常用算法：

1. 决策树的ID3，C4.5，CART等，决策树的split原理和剪枝策略

2. 神经网络如何工作

3. SVM的原理及公式推导

4. 朴素贝叶斯的公式

5. Bagging 和 Boosting的区别

6. GBDT的参数怎么调

7. 聚类过程

8. 偏差和方差是什么，高偏差和高方差说明了什么

9. 怎么理解损失函数，SVM的损失函数是什么，写出公式

10. 过拟合怎么解决，L1和L2正则化有什么区别

11. 为什么用最小二乘而不是最小四乘

12. GB和牛顿法的区别，它们和泰勒公式的关系

编程能力：考察熟悉的编程语言的相关知识，编程语言掌握一门即可

java：static的作用，hashmap，arraylist和linklist的区别，多线程

c/c++：实现strstr(判断一个字符串是否是另一个的子串)

python：安装Python的命令是什么，用python读取一个文件，一行一行的输出（不能用库函数），python常用库。

其他面试内容：

· 数据结构算法知识（手写代码）

· 特征工程

· PCA的原理

· 大数据开发能力：Hadoop/Hive/Map Reduce开发

· 深度学习知识（三）数据挖掘算法工程师类

包括推荐算法工程师，数据挖掘算法工程师等。

技术要求：

· 熟悉常用机器学习和数据挖掘算法，包括但不限于决策树、Kmeans、SVM、线性回归、逻辑回归以及神经网络等算法；

· 熟练使用SQL、Matlab、Python等工具优先；

· 对Hadoop、Spark、Storm等大规模数据存储与运算平台有实践经验【均为分布式计算框架】

· 数学基础要好，如高数，统计学，数据结构

面试题汇总：

1. 你在研究/项目/实习经历中主要用过哪些机器学习/数据挖掘的算法？

2. 你熟悉的机器学习/数据挖掘算法主要有哪些？

3. 你用过哪些机器学习/数据挖掘工具或框架？

4. 无监督和有监督算法的区别？

5. SVM 的推导，特性？多分类怎么处理？

6. LR 的推导，特性？

7. 决策树的特性？

8. SVM、LR、决策树的对比？

9. GBDT 和 决策森林 的区别？

10. 如何判断函数凸或非凸？

11. 解释对偶的概念。

12. 如何进行特征选择？

13. 为什么会产生过拟合，有哪些方法可以预防或克服过拟合？

14. 介绍卷积神经网络，和 DBN 有什么区别？

15. 采用 EM 算法求解的模型有哪些，为什么不用牛顿法或梯度下降法？

16. 用 EM 算法推导解释 Kmeans。

17. 用过哪些聚类算法，解释密度聚类算法。

18. 聚类算法中的距离度量有哪些？

19. 如何进行实体识别？

20. 解释贝叶斯公式和朴素贝叶斯分类

21. 写一个 Hadoop 版本的 wordcount