面试复盘3

这次是阿里云的三面（主管面），是意外给我的惊喜。本来我以为二面挂了，毕竟确实在计算机基础知识方面回答地不好，但是这一切从二面后的第三天那个下午发生了改变…

老规矩，先讲面试内容：
简历+基础+开放题

1. 自我介绍：与之前二面不同的是，这次在自我介绍这一块，前辈就我的经历提了问题或者叫做感兴趣的点。一，校园助手app（本科带队做的一个院级项目）的用处？如何在地图上框定目标区域？二，公众号运营的经历（作者+编辑）+参与开源项目的成果（Datawhale组织的南瓜书项目）（研究生期间参与的）【这里打个广告：欢迎大家关注“机器学习算法工程师”公众号和Datawhale组织，干货满满】。这些都是个人经历，答案并不唯一，给大家建议就是积极参与各种类型的活动，有更丰富的体验与技能树，算是加分项吧。
2. 计算机领域的一些基础术语：进程死锁，属于OS基础题，记住死锁发生的常见场景，A进程占有D资源，想申请E资源，但B进程占有E资源，想申请D资源，这就会互相僵持，也即是死锁。更深的知识点：死锁的四大必要条件（资源互斥、请求保持、不剥夺以及环路等待）、如何预防死锁、解除死锁等；NOSQL SQL，属于数据库的题，数据库现在一般分为关系型数据库和非关系式数据库，区别在于前者擅长处理结构化数据，比较精确；后者擅长处理非结构化数据，要求多变，数据类型多样，看重速度与可扩展性，适用于大数据场景。更深的知识点可以有NOSQL常用的场景？NOSQL数据库四大类型是哪些，各自的优缺点？时序数据预测，时序数据是一类按照时间顺序记录的数据，强调的是顺序性，时序数据预测更多的是根据历史记录$t_0,t_1,...,t_{n-1}$的数据来预测$t_{n}$出现某值的概率，$P(y_{t_n}|y_{t_1},...,y_{t_{n-1}})$。这道题属于NLP领域，就我目前的知识储备，有回归模型、数模中的ARIMA模型以及马尔科夫链模型和LSTM（循环神经网络）等ML的知识可以深入。
   参考资料：
   死锁面试题（什么是死锁，产生死锁的原因及必要条件）
   阿里P8架构师谈：NoSQL和SQL的区别，NoSQL的使用场景和选型比较
   动手学深度学习之语言模型与数据集
3. 开放题：
   一，两个指标相关联，这道题算是概率统计的题，指标抽象地看就是变量，也就是问两个统计变量之间的相似性，一般是求皮尔逊相关系数（这是度量线性关系的统计量，数模中最常见的概念，当时怎么就忘记了，还自创了两个土办法，傅里叶转换与采样的方法），相关系数计算公式是：
   $r(X, Y)=\frac{\operatorname{Cov}(X, Y)}{\sqrt{\operatorname{Var}[X] \operatorname{Var}[Y]}}$
   这里的协方差非常重要，可以用于衡量两个变量的总体误差。计算方法如下：
   $\begin{aligned} \operatorname{Cov}(X, Y) &=E[(X-E[X])(Y-E[Y])] \\ &=E[X Y]-2 E[Y] E[X]+E[X] E[Y] \\ &=E[X Y]-E[X] E[Y] \end{aligned}$
   参考资料：协方差、相关系数
   二，如何构建一个疫情预测机器学习系统，具体流程有哪些？ 这道题考察工程实践能力（综合能力），问的是机器学习工程落地的完整流程。流程为：理解需求（建模，回归/分类/聚类任务）->数据采集和清洗->特征工程->模型训练、调优->模型诊断->模型融合->上线运行。很明显，第一步需要学会数学建模的能力，也就是数学的能力；第二步，会爬虫与数据库；第三步，无监督学习的各项能力；第四步，有监督学习的各项能力；第五步，可视化以及根据实验结果分析模型、反复验证前面步骤的能力；第六步，技巧，竞赛常用的集成学习大杀器得派上，毕竟机器学习界有个No Free Lunch定理；最后一步，检验收工。其实在这一问中，前辈重点问了两个问题：1.疫情数据如何获取？ 讲到疫情数据获取，我当时很自然地想到了用爬虫技术去爬取那些公开处理的数据，如官方报道的新闻，丁香医生、支付宝等，但是前辈问的更深，丁香医生这些平台又是如何获取到的信息呢？现在想来，确切真实的数据最根本的源头一定是来自于政府官方数据，而这疫情数据就是中国疾病预防中心提供的，官方数据，只要是这种在网页展示的，就可以去爬取，通过查看源码，知道该网站并没有反爬的robot协议，所以可以爬取；2.曲线相似性如何计算？ 基本等价于刚才的两个指标相关联，都是问相似度的计算，这里进行下扩充，相似度的计算一般都是用距离度量的，有常见的欧式距离、曼哈顿距离以及广义的明科夫斯基距离，还有余弦距离这类只看重方向的距离（这些出发点是数学的几何学），当然还包括上面提到的皮尔逊相关系数（这个出发点是概率统计学）。不过，问题远远没有说的这么简单，前面讲的那些计算相似性的方法在时序数据拟合成的曲线（这才是前辈想问的问题）上或多或少都存在一些问题，其实查阅资料后发现这里面水很深，大家可以查看下面的资料。
   参考资料：机器学习项目完整流程、一个完整机器学习项目流程总结、常用的相似度计算方法原理及实现、如何计算两条曲线的相似性？、如何判断曲线之间的相似性、离散Fréchet（弗雷歇）距离评价曲线相似度、时间序列相似性度量综述

算法题
只有一道题，不过有更明确的要求：20分钟内完成，bug-free。要更细心点。
题目：某个班级在如下分组， 分组里面有着不同的人。
group_a = []
group_b = []
group_c = []

现在需要对分组内人数进行分批
输入参数有两个，最小分批数min_batch_count， 每批最大人数batch_max_num

第一批：要求从每个组里面选出一个人。
剩下的批数：均衡从每个组里面选出。

请给出代码实现
如：
group_a = [‘a1’, ‘a2’, ‘a3’]
group_b = [‘b1’, ‘b2’]
group_c = [‘c1’, ‘c2’, ‘c3’, ‘c4’, ‘c5’]

最小分批数是：2
每批最大人数是: 3 (高优先级）
得出如下结果：
batch_list = [
[‘a1’, ‘b1’, ‘c1’],
[‘a2’, ‘b2’, ‘c2’]
[‘a3’, ‘c3’, ‘c4’]
[‘c5’]
]

我的思路非常简单，就是先按照列的顺序将所有数据排个序，把排序后的结果放到一个新的数组里，然后首先满足batch_max_num去分组，代码整理如下：

class Solution:
    def divideGroup(self, group_list, batch_max_num, min_batch_count):
        def rankValues():
            max_len = 0
            # 得到最长一行数据的长度
            for i in range(len(group_list)):
                max_len = max(max_len, len(group_list[i]))
            for i in range(max_len):
                for j in range(len(group_list)):
                    if i < len(group_list[j]):  # 这一行的数据在当前列下还有，就按照顺序添加进去
                        all_list.append(group_list[j][i])
        if not group_list:
            return []
        all_list = []
        rankValues()
        res = []
        cur = 0
        while cur + batch_max_num < len(all_list):
            res.append(all_list[cur:cur + batch_max_num])
            cur += batch_max_num
        res.append(all_list[cur:])
        return res

if __name__ == '__main__':
    data = [['a1', 'a2', 'a3'],['b1', 'b2'],['c1', 'c2', 'c3', 'c4', 'c5']]
    solution = Solution()
    result = solution.divideGroup(data,3,2)
    print(result)

结语
我对三面的感觉与前两面不同，三面更多地是前辈在带节奏来引导我思考、询问以及回答。就我现在整理的情况来看，也不是说你一定能找到最佳的答案，这是一次考验交流沟通以及专业能力的综合面试。另外，由于这是主管面，所以自身丰富的技能树也是一种打动面试官的途径，比如我爱好写作，参加过公众号运营与开源项目的经历就让前辈很感兴趣。最后想说的是，无论是什么情况，不到最后决不放弃！只要在提升自己，路就还长，找工作的过程心态平稳积极最重要。