Google人工智能面试·真·题（附参考答案+攻略）（转）
Google人工智能面试·真·题（附参考答案+攻略）（转）
安妮 栗子 发自 泽浩寺
量子位 出品 | 公众号 QbitAI
可能每个程序猿，都想过加入Google。
然而想要“应试”成功，考验的不仅仅是开发人员的编程技术，还能侧面考验着参赛者的渠道来源是否广泛、背景力量是否强大、脑洞回路是否清奇……
不过，梦是要做的，简历是要投的，说不准面试就来了呢？所以，我们需要为万一砸到头顶的面试，做好一万的准备。
前有万千过桥的应聘大军发回攻略，后有民间编程大神发现隐藏关卡……是时候来总结一份Google应聘指南了。
P.S. 这份攻略也不仅仅适用于Google（中途落榜的励志哥还被亚马逊挖走了呢~）
面前必毒（20道·真·题）
Google的技术面试流程就是各家的标配而已，先远程后现场。
面试以强度闻名，可能看看问题就想回家了。这些题目全部由Glassdoor收集统计。不过，顺便看下参考答案也是好的。
1、求导1/x。
答：-1/x2
用Python是这样。
2、画出log (x+10)曲线。
答：如图。只要把logx的图像左移10格。
用Python是这样。
3、怎样设计一次客户满意度调查？
答：第三题就这么抽象了。不知从何说起的我决定指引各位，可以在搜索引擎里查询一下：“客户满意度和客户忠诚度的计算标准”。
4、一枚硬币抛10次，得到8正2反。试析抛硬币是否公平？p值是多少？
5、接上题。10枚硬币，每一枚抛10次，结果会如何？为了抛硬币更公平，应该怎么改进？
答：小数定律或许可以帮到你。
附一个参考资料：https://medium.com/@lorenz.rumberger/i-think-a-more-advanced-answer-for-the-coin-toss-game-would-use-the-bayesian-method-569696e89271
6、解释一个非正态分布，以及如何应用。
答：不知道面试者遇到是怎样的分布。不过，上个月MIT发表了用妖娆的伽玛分布，帮助自动驾驶系统在浓雾里保持如炬目光的算法。
详情传送门：点这里
7、为什么要用特征选择？如果两个预测因子高度相关，系数对逻辑回归有怎样的影响？系数的置信区间是多少？
答：需要处理高维数据的时候，很多模型都吃不消。特征选择可以让我们在给数据降维的同时，不损失太多信息。
参考资料传送门：https://towardsdatascience.com/why-how-and-when-to-apply-feature-selection-e9c69adfabf2
8、K-mean与高斯混合模型：K-means算法和EM算法的差别在哪里？
答：CSDN博主JpHu说，K-Means算法对数据点的聚类进行了“硬分配”，即每个数据点只属于唯一的聚类；而GMM的EM解法则基于后验概率分布，对数据点进行“软分配”，即每个单独的高斯模型对数据聚类都有贡献，不过贡献值有大有小。
传送门：https://blog.csdn.net/tingyue_/article/details/70739671
9、使用高斯混合模型时，怎样判断它适用与否？(正态分布)
答：依然，请前往以下页面。
详情传送门：https://stats.stackexchange.com/questions/260116/when-to-use-gaussian-mixture-model
10、聚类时标签已知，怎样评估模型的表现？
答： CSDN博主howhigh说，如果有了类别标签，那么聚类结果也可以像分类那样计算准确率和召回率。但是不应该将分类标签作为聚类结果的评价指标，除非你有相关的先验知识或某种假设，知道这种分类类内差距更小——
详情传送门：https://blog.csdn.net/howhigh/article/details/73928635
11、为什么不用逻辑回归，而要用GBM？
答：逻辑回归 (LR) 是二元线性分类器。决策边界是线性的，通常适于处理线性问题。如果要捕捉非线性关系，就需要复杂的特征工程，来增强模型的表达能力。
GBDT是由多棵决策树组成，最终结果是所有树的结论累加而成。能够发现许多有区分性的特征，更细地划分特征空间。可以处理线性和非线性数据。
参考答案传送门：
https://www.zhihu.com/question/54626685/answer/140610056
12、每年应聘Google的人有多少？
答：两百万。大多数人可能都只是顺便投一下，看看会不会中奖。
当然，技术题是出不完的，也是答不完的——以下统一不给答案了，请进行自我测试，并注意考试时间。
13、你给一个Google APP做了些修改。怎样测试某项指标是否有增长
14、描述数据分析的流程。
15、高斯混合模型 (GMM) 中，推导方程。
16、怎样衡量用户对视频的喜爱程度？
17、模拟一个二元正态分布。
18、求一个分布的方差。
19、怎样建立中位数的Estimator？
20、如果回归模型中的两个系数估计，分别是统计显著的，把两个放在一起测试，会不会同样显著？
不只是技术
除了这些深刻的技术问题，Google历年的面试中，总有一些直击灵魂的神秘考题。BI也统计了一些，例如：
- 一辆校车可以放进多少个高尔夫球？
- 擦一遍西雅图所有的窗户需要多少钱？
- 井盖为什么是圆的？
再来个长的：
你只有两个生鸡蛋，是可以无比坚固也可以无比脆弱的鸡蛋。在一百层的高楼里，在两个鸡蛋都阵亡之前，怎么才能知道它们最高能从几楼摔下来不碎？需要多少步？
鸡蛋表示：
很好奇，脑洞考题是怎样打分的。友情提示：上述几道题，有些是可以抖机灵的……
如果你想知道答案和更多类似题，可以在量子位公众号（ID：QbitAI）对话界面，回复：“神秘题”三个字。
史上最正统Google面试宝典
真题谈完了。虽然面试准备是个老生常谈的话题，但下面这份宝典无论如何你都要看看。
论“血统”，这份宝典最为正宗，因为它是Google招聘官网上专门为“Future Googler”准备的。一起看看招聘方亲自对面试者提出了哪些建议——
预测面试题：面试前，你基本可以预测出90%的问题了。“为什么想申请这份工作”“你曾经解决过什么问题”等问题基本在面试中必现，写20个出来先提前准备着有益无害。
计划：写出极可能出现的问题后，针对列出你的清单上的每一个问题，写下你的答案。这将帮助你加深对这些问题的印象，是面试时能对答如流的利器。
Plan B&C：针对上面这些问题，Google招聘人员建议你最好能准备3个答案。这些备用答案能在第一位面试官不喜欢你的故事时，帮你征服下一位面试官。
解释：面试官想要了解你的想法，所以在面试过程中需要展示你的思维过程和最后的解决方案。这个环节不仅是在评估你的技术能力，还在评估你解决问题的灵活性。
讲故事：Google面试官希望以会“讲故事”。有一个很有意思的面试小技巧，就是每个问题都应该用一个故事来回答。比如“你怎样领导……”的问题最好就举个例子讲个故事吧~
探讨：在面试过程中你可能会不自觉进入一些问题“圈套”，这是面试官想深入了解当你遇到技术难题中你看重哪些信息，希望看到你如何处理这个问题以及你解决问题的主要方法，这时一定要就你的思维过程进行讨论。
改进：思考如何改进你现在的解决方案，让面试官知道你在做什么，为什么要这样做。
练习：最后应聘者要时刻谨记熟能生巧。模拟面试环节，自信说出你的答案，直到你能清晰而简明地讲述每一个故事。
看来，准备Google的面试是个时间活~除了技术能力需要过硬以外，单单面试时这20×3个问题的准备也得准备不少时间呢。
对了，已经应聘成功的Google工程师们还给你提了一些技术类问题的“备考”建议，听听老人言，助你面试一臂之力。
对，有隐藏关卡！
应聘Google的方法只有内推、校招和发简历社招这三种？Naive，小看Google工程师的脑洞了，据多位大神在博客上透露，Google的应聘来源还有秘密渠道。
如果Google捕捉到你在搜索某个特定的编程术语，可能就会有人邀请你申请这个职位。就有人能解锁这种隐藏关卡~
小哥Max Rosett曾遇到过一个有趣的故事。在用Google搜索“Python lambda函数列表解析”时，搜索界面分裂并向后折叠，一个方框弹出来写着“你在使用我们的语音”，还邀请他去挑战一下。
点击“挑战”后，页面跳转到一个叫“foo.bar”的页面，还会出现一道限时挑战题。连续攻破六道题后，foo.bar邀请这位挑战者提交个人信息。后来，就有招聘人员来要简历了。
这个foo.bar的地址如下:
https://www.google.com/foobar/
不过莫激动，没有得到Google的邀请这个网页还是没有办法注册的~
故事的最后给我们的启示，可能是多用Google搜索……
Google式“高考”
关于Google面试这事，其热度和难度无异于产业内的“高考”，千军万马过独木桥的景象又出现了。
这其中有个想进Google工作“励志哥”John Washam火了，这位小哥大学时修经济学，韩国当兵退伍后去教授英语，但对于代码和Google的渴望没有磨灭，他励志专门腾出八个月的时间全职准备Google面试，实现自己的目标！
“励志哥”John Washam
这是一场“苦行僧”式的修行，小哥曾三周攻读1000页的C++书，也在GitHub上收获了21000多个star，还做了1792张电子卡片方便复习……读书、写代码和听讲座的时间总共1000多个小时了。
励志哥的夏季阅读书单，只是准备过程中很小一部分
八个月的刻苦准备后，小哥……还是落选了，甚至连电话面试都没有就被直接拒绝了。
但努力总会有回报，被拒后的小哥目前就职于亚马逊。
Google虽好，也不能贪杯哦。
— 完 —
欢迎大家关注我们的专栏：量子位 - 知乎专栏
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
