首先是笔试，通过后才能面试。
笔试题目需要在1.5小时内做完，一共6道题目。两道简答题，一道计算题（机器学习的），一道numpy编程题，一道机器学习调参题，最后一道算法leetcode hard题，只需要写出思路，不需要code。
题目如下：
1.（简答题）：防止overfit的方法，说三个，用英语
dropout
data augmentation(for images data(such as rotating,cut the images))
L1/L2 regularization
2.（简答题）：relu的作用
步骤：relu可以防止过拟合，让一些神经元的输出为0，同时增加了神经网络的非线性关系
3. （计算题：二选一）：
我选的第一个题目做
题目一：朴素贝叶斯分类器，给出了条件概率，求分类的结果（分类的结果就是求出y等于多少）
解题步骤：直接写出贝叶斯公式，带入概率值，最后发现带入的概率值是一个关于y的多项式方程，对其求导=0，得到最大似然估计的概率最大值时y的取值
本题得解
题目二：手算反向传播
4. numpy还原矩阵
将原始m*n的矩阵交换行的顺序，为matrix1，然后交换原始矩阵的列的顺序，为matrix2.
通过matrix1和matrix2得到原始矩阵。拿到的是numpy数组，也需要返回numpy数组
这题我numpy当时忘记了，只写了一半
5.机器学习调参题：
给了train data set，train lebel，和test data set，让分类器的模型使得test data set的prediction acc达到90%以上。一共有5个数据集的prediction acc达到90%，就可以拿到满分。
题目要求只能使用tensorflow，pytorch和sklearn。我寻思这个给的是结构化数据，深度神经网络不太适合处理这样的数据，因此肯定选GBDT,GBDT在sklearn当中也是最强的算法之一了，而且也不能用xgboost，catboost，gbdt或者svm就成了最优的选择。
我首先用knn试了试grid search，但是考试平台不能用grid search这个包，因为看不到grid search输出的结果。于是我就改用我用的sklearn当中GBDT手动调试的参数。只能手动调参，
最后我的最高acc为92%，4个上了90，有一个test case没上90% acc，为89%。
6.算法题：
至少为k的连续子序列，leetcode hard难度，类似于
leetcode 862. 和至少为 K 的最短子数组
但是稍有改动，我稍微想了下就想出来了，用快排和哈希表轻松得解。
总结：最后没有通过笔试，没有拿到面试的资格，6个题目，我自认为还做得不错，除了第四题都做出来了，依然没有通过笔试，挺奇怪的，一个小start up的门槛居然这么高？这都不给面试机会？