阿里巴巴算法岗武功秘籍（上）-FlyAI

阿里巴巴算法岗武功秘籍（上）

Python3

最后更新 2021-06-22 14:51 阅读 4291

最后更新 2021-06-22 14:51

阅读 4291

Python3

![](https://pic2.zhimg.com/v2-334703e822394522e786ffe4afa9f8eb_r.jpg)

**阿里巴巴面经目录**

> 1 阿里巴巴面经汇总资料 
2 阿里巴巴面经涉及基础知识点   
3 阿里巴巴面经涉及项目知识点   
4 数据结构与算法分析相关知识点   
5 编程高频问题：Python&C/C++方面   
6 操作系统高频问题：数据库&线程等   
7 技术&产品&开放性问题

**1 阿里巴巴面经汇总资料**

<img src="https://pic3.zhimg.com/v2-c117d70b68d035101c6b5699a2ed3742_b.jpg" data-caption="" data-size="normal" data-rawwidth="1324" data-rawheight="305" class="origin_image zh-lightbox-thumb" width="1324" data-original="https://pic3.zhimg.com/v2-c117d70b68d035101c6b5699a2ed3742_r.jpg"/>
**1.1 面经汇总参考资料**

① 参考资料：

（1）牛客网：阿里巴巴面经-201篇，[网页链接](https://www.nowcoder.com/discuss/experience?tagId=645&order=3&companyId=134&phaseId=0)

（2）知乎面经：[点击进入查看](https://www.zhihu.com/search?type=content&q=%E7%AE%97%E6%B3%95%E9%9D%A2%E7%BB%8F "点击进入查看")

（3）面试圈：[点击进入查看](http://www.mianshigee.com/interview/t17 "点击进入查看")

**② 面经框架&答案&目录&心得：**

（1）面经框架及参考答案：[点击进入查看](https://docs.qq.com/doc/DWGZGc0ZVYmZCUFNO "点击进入查看")

（2）大厂目录及整理心得：[点击进入查看](https://docs.qq.com/doc/DWGZGc0ZVYmZCUFNO "点击进入查看")

**1.2 面经涉及招聘岗位**

（1）实习岗位类【蚂蚁金服机器学习实习】、【达摩院研究型实习生】、【达摩院自然语言实习生】、【蚂蚁金服风控算法实习生】、【阿里云实习】

（2）全职岗位类【机器视觉算法工程师】、【智能事业服务部算法工程师】、【NLP算法工程师】、【达摩院计算机视觉】、【onsite算法工程师】、【消费者bg的软件算法工程师】、【蚂蚁金服算法工程师】、【机器学习算法工程师】、【大文娱算法工程师】、【阿里UC神马搜索】、【阿里口碑机器学习】、【阿里新零售天猫机器学习】、【阿里搜索部算法工程师】、【新零售技术事业群CCO技术部自然语言处理】、【阿里大文娱机器学习】、【淘宝算法岗】、【阿里优酷用户增长组】、【阿里飞猪算法工程师】、【企业金融工程师】、【达摩院NLP工程师】、【数据分析/机器学习工程师】、【阿里健康算法工程师】、【推荐算法工程师】、【lazada算法工程师】、【蚂蚁金服人工智能部门算法工程师】、【淘宝技术部算法岗】

**1.3 面试流程时间安排**

PS：以上流程为大白总结归纳所得，以供参考。

其他注意点：
●  有时是2技术+交叉面+HR面、有的也是3技术+交叉+HR
●  第一面也可能是简历面
●  个别部门参照：
达摩院实习生是3面技术+1交叉面+HR面
蚂蚁金服是1笔试+6面试
搜索部是3面+交叉面+HR面

**1.4 阿里巴巴面试心得汇总**

阿里巴巴的面试资料很多，下面大白将很多面试者的心得也提取出来，便于大家在准备面试时，有所倾重：

★  项目经历很重要，但是一定要对自己项目的每个细节了如指掌，挨个聊项目，每一个都问得非常细,要有一些有深度的思考，这是面试官期待看到的

★  阿里流程会比较长，需要耐心一些，如果可以的话，大家一定要找一个靠谱的师兄师姐内推，通过他们可以提前知道接下来的流程。

★  自己的论文，项目一定要讲清楚（背的滚瓜烂熟，阿里还是很重视论文项目的，对算法题要求没有那么高）

★  每一轮面试都要认真对待，即使是交叉面和hr面也要好好准备 （我就是到了交叉面有点浮躁，面试完感觉要凉凉了）， hr面我就老实了（毕竟hr具有一票否决权）， 提前准备了好多、常问的问题（你的优点缺点，最近看什么书，对福报的理解，部门的职责，团队的职责，价值观相关，还好问的我问题比较常规）

★  阿里笔试要认真做（题目灵活性还是很大），然后积极找找师兄内推还是很有机会参加面试的。面试官很看重基本功，和逻辑思考能力。有些项目的问题可能自己也没考虑过，不过也不要担心，重要的是如何去分析和解决那个问题。所以感觉考察的方面还是挺综合的。

★  对于简历上的知识点，在深挖的同时，注意广度，并且还要注意凸出自己的方向，不能因为广而浅尝辄止，那样容易给面试官留下不好的感受。

★  阿里的考察非常全面，一二面考察偏重基础，四面考察偏重业务，交叉面比较简短。笔者为通信专业，非科班，这里要提醒非科班的同学一定要重视基础，尤其是数据结构，不能光刷题，要系统的仔细的学习这门课程！！！

★  面试官的问题更加全局化，站在业务和整体的角度看问题，比起算法细节，更多的问的是一种思维方式，为什么选择这个办法而不选择那个办法？为什么这个方法的结果比那个好？还是要多学习多思考。

★  阿里的感觉是比较重视工程的能力，你是不是可以应对量级较大的数据，很多模型的存在很依赖于要达到什么样的目的，数据的关注的重点：数据质量，数据你怎么处理，怎么使用，比模型调参更体现了你的能力。

★  不会的千万不要往简历上放，会的能说的就多说点，阿里的题比较开放，给你大的发挥空间，也可以很快的测出你的能力，阿里的实习给我实践性的启迪很大，就是让我觉得，我是来解决问题的，那解决问题比较重要的点在哪，不能只关注部分环节。

★  简历首先最好有点能了解透彻的项目，简历上涉及的基础算法都要搞懂，面试有一定技巧性所以可以先去面几家练练手，算法题肯定要刷的，统计学习方法要看的，深度学习模型调优什么的。

★  既要深度也要广度，发散性的问题，常常会问，为什么要这样？为什么不要那样？有什么好处？

★  简洁，不要扯东扯西，不要发散思维，这样会妨碍面试官了解到他想得到的信息。当然，如果你知道他想问什么，往那方面发散是最好不过的了。但是一开始最好还是让面试官引导，自己先摸清面试官的意图，面试官的技术栈。

★  蚂蚁非常看重的是你对于自己研究领域的思考和实践，比较注重你是否具有较高的学习热情和个人潜力

★  阿里巴巴在编程语言上甚至落地分布式的问题都可能问的很深。。一个学弟搞图像检测的，都聊到分布式负载均衡和反向代理了。

★  深挖你的项目经历，首先让你概括性描述一下你的项目主要内容，以及你在里边儿承担的具体工作，然后开始一点一点扣项目经历。（真的要好好准备，而且还要思考一下为什么这么做，以及还有其他什么方法，各种不同方法之间的对比，问的特别细致反正，但感觉这也看面试官吧）

★  阿里的HR权利很大，即使面到了最后一面HR面还是有很大可能会被挂掉，一句话夸张的概括一下阿里HR的存在吧，阿里技术部的面试官是在给HR部门招人，而不是HR再给技术部招人。

**2 阿里巴巴面经涉及基础知识点**

**2.1 图像处理基础**

2.1.1 讲解相关原理

●  计算连通域的个数？算法复杂度？

●  如何求边缘，45°边缘，高斯滤波喝双边滤波？

2.1.2 手写算法代码

●  灰度图求直方图

●  给你个0 1 二维矩阵，寻找1的连通域有几个？算法复杂度？怎么优化加速呢？

**2.2 深度学习：CNN卷积神经网络方面**

2.2.1 讲解相关原理

2.2.1.1 卷积方面

●  卷积的作用，以及局限

●  比较VGG和LeNet，VGG使用3*3的卷积核最大的优势是什么？

●  CNN，CNN的核心是什么？卷积操作是怎样进行的？卷积反向传播过程？Tensorflow中卷积操作是怎样实现的？（感觉这种问题是逃不掉的），池化又是怎样操作的，反向传播过程中池化层怎么接受后面传过来的损失的？

●  CNN参数共享什么意思？

●  反卷积和上采样什么意思？

●  Dropout 跟浅层网络区别，dropout后验证集如何处理?2.2.1.2 池化方面

●  池化层的作用？

●  max pooling 和 ave pooling 有啥区别，说一下？

●  pooling层为什么用max pool？有哪些pooling层技术？各自对比、使用场合等等？

●  Max Pooling 是如何反向传递梯度的？

2.2.1.3 网络结构方面

●  ResNet，让我介绍了一下ResNet主要解决的问题是什么，然后又问我对看完ResNet有什么看法

●  Alexnet的问题，大概是什么结构，和LeNet比有什么改进的地方，问了Relu比sigmoid好在哪？

●  skip connection有什么好处？

●  mobileNet、shufflenet的原理？说了下原理

●  为什么mobileNet在理论上速度很快，工程上并没有特别大的提升？ 先说了卷积源码上的实现，两个超大矩阵相乘，可能是group操作，是一些零散的卷积操作，速度会慢。

●  说下VGG ResNet网络结构？

●  介绍一下各种轻量级网络？

●  讲一下MobileNet的原理？深度可分离卷积，从参数数量以及计算量角度与传统卷积对比分析。

●  MobileNet与Xception以及ShuffleNet的对比？是否测试过MobileNet在不同计算设备上的运行速度？

2.2.1.4 其他方面

●  简单谈了一下对梯度消失和如何防止过拟合的看法？

●  CNN为什么比DNN在图像识别上更好？.

●  神经网络的反向传播机制？pooling和卷积。

●  解释一下BN?为什么用BN?BN层，归一化后的操作?

●  梯度爆炸和梯度消失的原因？

●  神经网络为什么要加sigmod函数？

●  如何防止过拟合？

●  初始学习率怎么设？这个没有总结过，只是说一般使用0.01～0.1

●  迁移学习是什么？怎么迁移？怎么选择迁移的模型？

●  softmax、多个logistic的各自的优势？

●  深度学习里面解决梯度消失的办法？

●  CV中做数据增强的方法？

●  工程上如何对卷积操作进行优化？

●  样本不均衡怎么处理？一个batch类别均等采样，修改loss对不同样本的权重。

●  学习率过大会出现什么问题，怎么解决？

2.2.2 数学计算

●  卷积时间复杂度？CNN的卷积计算，参数计算？

**2.3 深度学习：RNN递归神经网络方面**

2.3.1  讲解相关原理

●  LSTM的原理大概说一下，解决RNN的哪些问题。

●  对于深度学习，例如LSTM等的理解，还有它的改进GRU，还有梯度消失、梯度爆炸等等

●  BN细节，有什么好处，能不能在RNN中用?

●  LSTM为什么可以缓解梯度消失

●  讲一下LSTM各个门？

●  LSTM原理，其中的参数是否相同？

●  LSTM的原理知道吗？LSTM与传统RNN相比有什么优势？

●  为什么LSTM可以解决梯度消失的问题？LSTM可以解决梯度爆炸吗？

●  GRU原理（几乎是要手写公式了）

●  GRU两个gate的作用分别是什么?

●  GRU 和 transformer 各自的优势？

●  LSTM/Bert的结构，优劣势？

●  序列标注时数据量太少的时候怎么办？

●  LSTM相比RNN优点缺点？

●  讲一下LSTM，LSTM相对于RNN有哪些改进？LSTM为什么可以解决长期问题，相对与RNN改进在哪？梯度消失和梯度爆炸？LSTM如何解决梯度消失的问题？

**2.4 深度学习：CNN&RNN常问通用知识点**

2.4.1 基础知识点

●  解释下CNN与RNN的区别？

●  对比讲了cnn,rnn和lstm,并讲了transformer相对于他们的优点，transformer有啥缺点，transformer里面的两种mask操作，反正问了很多transformer里面具体的实现细节？

●  为什么要用CNN，Bi-LSTM？如何用Attention？

●  Attention原理？ 主要讲的是Transformer中Multi-Head Scaled Dot-Product Attention。注意，这里有一个Mask Attention机制，它对于Transformer Decoder和XLNet的实现原理非常重要，同学们如果了解相关知识点，一定要对这个Mask Attention知识点进行深入的理解。

●  Multi-Head Attention中如何优化Muti-Head的计算？ 没有相关底层优化经验，所以回答：借助CNN底层计算原理，将多头变换展开为二维矩阵（填充大量0），将多头变换转为矩阵乘法运算。

2.4.2 模型评价

●  logloss和auc的区别、为什么业务中喜欢用auc？

●  二分类的评价指标都有哪些？

●  acc与auc的选择？

●  如果线下auc很高，线上各项指标都不好，可能是因为什么，怎么解决

●  AUC的计算?

●  准确率和召回率的概念

●  了解统计学的指标吗？AUC,ROC,F1都是干嘛的

●  混淆矩阵角度解读召回率和准确率

**2.5 机器学习方面**

2.5.1 讲解相关原理

2.5.1.1 数据准备

●  常用采样的方法？

●  MCMC采样？

2.5.1.2 特征工程

① 特征降维

●  PCA的主成分是怎么得到的？

●  特征变换做什么？特征处理？

●  svd怎么实现图像降维，怎么确定不会影响训练效果？

●  LDA知道不？说一下LDA的原理？

●  PCA原理及涉及的公式?

② 特征选择

●  特征相关怎么处理？好几个特征都相关怎么处理？

●  高维数据，其中有一维是时间，有缺失，如何处理？

●  如果选出好特征，去掉不好的特征？

●  特征工程中具体衍生出来的特征进行了详细的询问，为什么要生成这样的特征，依据是什么，为什么要使用PCA进行降维，如何存在多个特征高度共线会有什么问题？

●  机器学习中的特征，是选择重要的特征，还是特征的相互关联？

●  对相似度的理解？如何进行特征筛选？如何衡量特征之间的相关性？

●  如果要用树模型的话，可以做哪些特征工程？（n-gram，tf-idf，w2v）

●  假如说句子长度差别很大的话，tf-idf这个指标会有什么问题？one-hot encoding这个指标又会有什么问题？

●  树模型怎么分裂？怎么理解信息增益？

2.5.1.3 有监督学习-分类和回归方面

① 分类回归树（集成学习）

●  集成学习分为几大类，rf和bagging的区别？

●  从方差和偏差角度比较bagging和boosting？

●  boosting和bagging的差异？两者的思想说一下？bagging里面树的深度和boosting里面的不同，为什么?A.基于bagging：随机森林

●  bagging的思想是什么，本质是什么；

●  随机森林里面的两个随机，随机森林为什么是减小方差 ？和Adaboost的区别？

●  随机森林与决策树关系，防止过拟合的原理，随机性的体现。

●  随机森林如何选择feature？

●  从方差偏差的角度解释bagging？为什么随机森林泛化能力强？

●  dropout是否了解？随机森林是否也可以用dropout?

●  随机森林的随机体现在哪里？样本/特征随机采样的目的是什么？
●  随机森林和GBDT的区别和联系

●  什么样的数据你会选择使用随机森林

●  随机森林相比决策树的优点有什么

●  随机森林怎么提高泛化能力的？

●  随机森林原理，和决策树有什么区别，追问投票是怎么投票的？B.基于boosting：Adaboost、GDBT、XGBoost

●  用到了哪些模型（LGB+XGB的bagging），为何？有什么好处？LGB里面你用到了哪些参数？你怎么调的参数？

●  GBDT、XGBoost、LightGBM三个算法的原理和区别？XGBoost和GBDT哪个模型性能好，为什么？

●  RF、GBDT、XGBoost、AdaBoost的区别？

●  GBDT+LR原理

●  讲一下boosting算法？说一下adaboost是怎么更新的？

●  介绍XGB对GBDT的提升，LGB对XGB的提升，以及既然使用了LGB为什么还要使用XGB？

●  XGB如何处理缺失值，LGB的差加速和直方图算法的底层代码是否有过了解

●  XGBoost的优化点，与传统GDBT的区别？

●  GBDT的特征组合原理?

●  问了gbdt在分类时节点输出是什么？怎么拟合残差？

●  XGB为什么要做泰勒展开？正则项的内容？为什么要拟合二阶梯度？

●  XGboost的底层算法是什么（CART树）

●  Xgboost的应该着重调哪些参数？

●  介绍随机森林和GBDT的区别，为什么Bagging降方差，Boosting降偏差

●  讲一下GBDT，Gradient 代表什么？

② 线性回归

●  线性回归和逻辑回归关系，区别？

③ K近邻（KNN）

●  KNN 复杂度高，怎么解决?

④ 逻辑回归LR

●  LR的原理，LR参数的意义？LR的损失函数，怎么求解.

●  为什么LR的目标函数是最大化似然函数？

●  LR加上正则化项后怎么求解？

●  LR如何引入非线性？

●  LR的损失函数是什么？lr为什么不用min square loss？它的导数是啥？加了正则化之后它的导数又是啥？

●  LR里面，损失函数能不能把交叉熵换成MSE？

●  LR和SVM的时间代价比较过没有。

●  问我逻辑回归中sigmoid函数的好处？以及为什么用极大似然？

●  逻辑回归的思想和过程，损失函数是什么，如何训练得到最优参数

●  说说逻辑回归吧，适用于什么场景呢，和knn区别？

⑤ SVM（支持向量机）

●  详细说一下LR，SVM和DT的原理

●  讲一下LR、SVM、XGBoost模型的区别

●  讲一下SVM的原理，核函数，以及和LR的区别，哪个是参数模型？

●  SVM目标函数，为什么转为对偶，SVM的核函数的本质是什么？

●  SVM对偶问题介绍一下，从函数间隔，几何间隔开始介绍。

●  SVM优化的目标是啥？问了SVM推导以及拉格朗日对偶法，从数学角度来说明

●  SVM当线性不可分的时候怎么办？(楼主答用核函数升维)

●  说一下SVM适合什么场景？或者说有什么限制？

●  SVM的KTT条件？

●  知道哪几种核函数？介绍一下高斯核函数？

●  核函数的作用，核函数为什么有用？从数学角度说明

⑥ 朴素贝叶斯（Naive Bayes）

●  朴素贝叶斯的原理？

●  最大似然估计和贝叶斯估计的联系和区别

●  贝叶斯估计和似然估计的区别

⑦ 决策树（DT）

●  决策树的原理，前后剪枝，评价指标。

●  决策树分裂节点的选择？

●  各种决策树:id3 c4.5 cart

●  朴素贝叶斯和决策树的差别，各有什么缺点？再加上SVM呢？

●  rf和gbdt基分类器区别，里面的决策树分别长啥样，怎么剪枝

●  决策树的一下细节，GBDT，各种熵的计算，

●  决策树相比其他算法有什么优势？

●  决策树中有哪些参数，如何避免决策树的过拟合

●  决策树具体讲讲，原理，如何选取特征的，怎么进行分类预测的？

⑧ 其他

●  说一下生成式模型？生成式模型和判别式模型有什么特点？

●  生成式和判别式模型哪个使用极大似然估计？

2.5.1.4 无监督学习-聚类方面

●  非监督学习有哪些？ 介绍了Kmeans，k-means的时间复杂度

●  怎么选取K值？ 手肘法

●  K-means的缺点？

●  如果没有先验知识，如何确定K-means的参数

●  衡量K-means效果好坏的方法

●  kmeans原理，优化目标是什么?

●  k-means和knn有什么关系，区别？

●  k-means聚类效果会不会因为初始选取点不同，聚类效果完全不一样？k-means聚类效果和k的大小有什么关系？

●  简述kmeans算法，有什么缺点，如何改进，kmeans++是如何改进的？

2.5.1.5 模型评价

●  如何选择模型？从数据量，特征量方面分析了一遍

2.5.2 手写算法及代码

2.5.2.1 手写公式

●  贝叶斯公式知道吗，什么含义？

●  LR是否知道，讲一下数学原理（公式层面）

●  推导一下SVM？

2.5.2.2 手写代码

●  手写一个kmeans

●  求两个点的欧几里得距离？并实现一个kmeans？

> 本文来源：知乎

> 作者：江大白

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可，转载请附上原文出处链接和本声明。
本文链接地址：https://flyai.com/article/924

讨论

500字

表情

发送

删除确认

是否删除该条评论？

取消删除