今年來一直在找暑期實習，現在基本已經確定了，前後歷經差不多2個月吧，發現了很多自己的缺點，同時也希望寫出來供需要的人蔘考了解
先說下我自己的情況吧，決定去騰訊TEG的機器學習崗實習了，面試期間(3月初-4月底）投了不少公司的暑期實習(都是機器學習崗)，大概有這麼多吧(按照投的時間順序):
- 完美世界(筆試掛）
- 美團(offer)
- 阿里螞蟻金服(offer)
- 騰訊TEG(offer)
- 滴滴研究院(offer)
- 去哪兒(offer)
- 360(筆試掛)
- 商湯科技(一面掛)
- 華爲(offer)
- 網易有道(筆試通過，面試要去北京我沒去）
百度沒投，它時間很晚(4月底筆試，5月初面試)，然後我就沒投了
每家的情況都說下吧:
(1) 完美世界筆試掛，投的太早完全沒複習果然gg了
(2) 美團內推沒有筆試（非官網投遞），不過實驗室的其它人都沒獲得面試機會（看臉??)，一面就直接過了(做機器學習圖像的)，面試官還是很nice的，直接發offer了
(3) 阿里就很坑了，3面技術面+HR面（更優秀的還有交叉面)，然而我並沒有，三面面的不好，問了我一堆java源碼的，我沒答上來，到現在我還沒有拿到offer，一直是面試中，估計也沒什麼戲，時間真的持續了好久；有意思的是，一面的面試官說今年ML崗太火，他們傾向於博士。。。。也是醉了
(4) 騰訊現場面的，兩面+HR面，每一面都刷很多人，一面去的時候人山人海，二面就很少人了，HR面去的時候只有我一個，我差點以爲我走錯片場了。。。結果過了，TEG網絡部的機器學習崗
(5) 滴滴研究院，也是非官網投的，兩面+HR，問的比較深，感覺滴滴研究院這幫做算法的水平很不錯，之後順利通過，大數據策略組的機器學習實習生
(6) 去哪兒也是現場面的，一個下午就面完直接口頭髮的offer，效率很高，兩面+HR，一面是個小弟面的基礎，二面HR後來告訴我是數據組的老大面的項目，順利過了
(7) 360不知道怎麼回事，筆試做的感覺還可以，3個編程題AC了兩個然後也沒過，聽說招實習很少
(8) 商湯科技也是內推的，過了筆試，一面是香港打來的，問的非常深，只問deep learning，其它不問，面了50分鐘吧，gg了
(8) 華爲暫時還沒面，因爲我拿了華爲編程比賽的獎，所以免了筆試，不過筆試也不難
(9) 網易有道投的是java開發，聽說筆試掛了無數人，然而我沒掛，後來讓去北京總部去面，報銷路費，我決定再三還是沒去，放棄了，因爲實習不想去java開發（那麼爲什麼我當時投java開發???)
其實還有微軟，不過那編程題實在是做不出來，ACM編程題，有興趣的去感受下hihoder微軟2017預科生，另外告訴一點，即使是PM也是要做這個題的。。。
給我的感觸還是很多，總結如下:
(1) 早準備，我就是去年冬天在外地出差幹活沒複習，今年來做筆試的時候就很吃虧
(2) 好好刷leetcode，基本在線面試的筆試題都是leetcode的題
(3) 實習經驗非常重要，有實習做過相關項目的話很加分
(4) 瞭解的廣不如瞭解的深，最好要在某個領域鑽研的比較有心得（比如推薦，用戶畫像，目標檢測等），因爲面試官會順着你的簡歷一直往下問，比如你做了用戶畫像，他就會問你怎麼做的？如何做的特徵工程？特徵如何選擇？balabala…
(5) 想去阿里的一定要java玩的溜，尤其源代碼, jvm，集合框架這是一定會問的
(6) 雖然說搞ML的集中在算法方面，但是最好還是要會Hadoop，Spark之類的，畢竟你算法需要數據，數據只能你自己去拉（滴滴和阿里面試官原話）
(7）ML競爭很激烈，做好心理準備
5月6號更新：
（1）阿里的螞蟻金服offer已經拿到
（2）分享面試的具體問題
- 什麼是boosting tree
- GBDT
- L1和L2正則爲何可以減弱over-fitting?
- L1和L2正則有什麼區別
- KNN和LR有什麼本質區別
- 怎麼理解Dropout
- 爲什麼random forest具有特徵選擇的功能
- random forest有哪些重要的參數？
- DNN爲什麼功能強大，說說你的理解
- SVM的損失函數是什麼？怎麼理解
- 介紹下Maxout
- 項目中over-fitting了，你怎麼辦
- 詳細說一個你知道的優化算法(Adam等)
- 項目(比賽）怎麼做的模型的ensemble
- stacking是什麼？需要注意哪些問題
- 瞭解哪些online learning的算法
- 如何解決樣本不均衡的問題
- fasterRCNN中的ROIPooling是如何實現的
- 如何進行特徵的選擇
- 如何進行模型的選擇
- 什麼是梯度消失？怎麼解決
- 常用的有哪些損失函數
- XX用戶畫像挖掘怎麼做的feature engineering?
- 假設一個5*5的filter與圖像卷積，如何降低計算量？
- 做過模型壓縮嗎？介紹下
- 什麼是residual learning？說說你的理解
- residual learning所說的residual和GBDT中的residual有什麼區別？
- FFM和FTRL有過了解嗎？
- 你對現在Deep Learning的發展和遇到的問題有什麼看法？
基本這些就是我問的問題，不是一家公司，其它的問題還有，主要看你的簡歷和項目，這個每個人不一樣
5月19號更新
阿里大牛推薦了幾本書（非基礎類），雖然以前也知道可是沒看過，大牛推薦了還是要看的，分享給大家：
(1) Machine Learning A Probabilistic Perspective
(2) The Elements of Statictical Learning
我自己推薦Bengio的”Deep Learning”一書
基本就是這些了，僅供大家參考
