Google人工智能面試·真·題（附參考答案+攻略）
可能每個程序猿，都想過加入Google。
然而想要“應試”成功，考驗的不僅僅是開發人員的編程技術，還能側面考驗著參賽者的渠道來源是否廣泛、背景力量是否強大、腦洞回路是否清奇……
不過，夢是要做的，簡歷是要投的，說不準面試就來了呢?所以，我們需要為萬一砸到頭頂的面試，做好一萬的準備。
前有萬千過橋的應聘大軍發回攻略，后有民間編程大神發現隱藏關卡……是時候來總結一份Google應聘指南了。
P.S. 這份攻略也不僅僅適用于Google(中途落榜的勵志哥還被亞馬遜挖走了呢~)
面前必毒(20道·真·題)
Google的技術面試流程就是各家的標配而已，先遠程后現場。
面試以強度聞名，可能看看問題就想回家了。這些題目全部由Glassdoor收集統計。不過，順便看下參考答案也是好的。
1、求導1/x。
答：-1/x2
用Python是這樣。
2、畫出log (x+10)曲線。
答：如圖。只要把logx的圖像左移10格。
用Python是這樣。
3、怎樣設計一次客戶滿意度調查?
答：第三題就這么抽象了。不知從何說起的我決定指引各位，可以在搜索引擎里查詢一下：“客戶滿意度和客戶忠誠度的計算標準”。
4、一枚硬幣拋10次，得到8正2反。試析拋硬幣是否公平?p值是多少?
5、接上題。10枚硬幣，每一枚拋10次，結果會如何?為了拋硬幣更公平，應該怎么改進?
答：小數定律或許可以幫到你。
附一個參考資料：https://medium.com/@lorenz.rumberger/i-think-a-more-advanced-answer-for-the-coin-toss-game-would-use-the-bayesian-method-569696e89271
6、解釋一個非正態分布，以及如何應用。
答：不知道面試者遇到是怎樣的分布。不過，上個月MIT發表了用妖嬈的伽瑪分布，幫助自動駕駛系統在濃霧里保持如炬目光的算法。
7、為什么要用特征選擇?如果兩個預測因子高度相關，系數對邏輯回歸有怎樣的影響?系數的置信區間是多少?
答：需要處理高維數據的時候，很多模型都吃不消。特征選擇可以讓我們在給數據降維的同時，不損失太多信息。
參考資料傳送門：https://towardsdatascience.com/why-how-and-when-to-apply-feature-selection-e9c69adfabf2
8、K-mean與高斯混合模型：K-means算法和EM算法的差別在哪里?
答：CSDN博主JpHu說，K-Means算法對數據點的聚類進行了“硬分配”，即每個數據點只屬于唯一的聚類;而GMM的EM解法則基于后驗概率分布，對數據點進行“軟分配”，即每個單獨的高斯模型對數據聚類都有貢獻，不過貢獻值有大有小。
傳送門：https://blog.csdn.net/tingyue_/article/details/70739671
9、使用高斯混合模型時，怎樣判斷它適用與否?(正態分布)
答：依然，請前往以下頁面。
詳情傳送門：https://stats.stackexchange.com/questions/260116/when-to-use-gaussian-mixture-model
10、聚類時標簽已知，怎樣評估模型的表現?
答： CSDN博主howhigh說，如果有了類別標簽，那么聚類結果也可以像分類那樣計算準確率和召回率。但是不應該將分類標簽作為聚類結果的評價指標，除非你有相關的先驗知識或某種假設，知道這種分類類內差距更小——
詳情傳送門：https://blog.csdn.net/howhigh/article/details/73928635
11、為什么不用邏輯回歸，而要用GBM?
答：GB是Gradient Boosting。引用知乎答主Frankenstein的話，從決策邊界上看，線性回歸的決策邊界是一條直線，邏輯回歸的決策邊界是一條曲線，GBM的決策邊界可能是很多條線。
邏輯回歸只能處理回歸問題，而GBM還可以用于解決分類或排序問題。
參考答案傳送門：
https://www.zhihu.com/question/54626685/answer/140610056
12、每年應聘Google的人有多少?
答：兩百萬。大多數人可能都只是順便投一下，看看會不會中獎。
當然，技術題是出不完的，也是答不完的——以下統一不給答案了，請進行自我測試，并注意考試時間。
13、你給一個Google APP做了些修改。怎樣測試某項指標是否有增長
14、描述數據分析的流程。
15、高斯混合模型 (GMM) 中，推導方程。
16、怎樣衡量用戶對視頻的喜愛程度?
17、模擬一個二元正態分布。
18、求一個分布的方差。
19、怎樣建立中位數的Estimator?
20、如果回歸模型中的兩個系數估計，分別是統計顯著的，把兩個放在一起測試，會不會同樣顯著?
不只是技術
除了這些深刻的技術問題，Google歷年的面試中，總有一些直擊靈魂的神秘考題。BI也統計了一些，例如：
- 一輛校車可以放進多少個高爾夫球?
- 擦一遍西雅圖所有的窗戶需要多少錢?
- 井蓋為什么是圓的?
再來個長的：
你只有兩個生雞蛋，是可以無比堅固也可以無比脆弱的雞蛋。在一百層的高樓里，在兩個雞蛋都陣亡之前，怎么才能知道它們***能從幾樓摔下來不碎?需要多少步?
雞蛋表示：
很好奇，腦洞考題是怎樣打分的。友情提示：上述幾道題，有些是可以抖機靈的……
如果你想知道答案和更多類似題，可以在量子位公眾號(ID：QbitAI)對話界面，回復：“神秘題”三個字。
史上最正統Google面試寶典
真題談完了。雖然面試準備是個老生常談的話題，但下面這份寶典無論如何你都要看看。
論“血統”，這份寶典最為正宗，因為它是Google招聘官網上專門為“Future Googler”準備的。一起看看招聘方親自對面試者提出了哪些建議——
預測面試題：面試前，你基本可以預測出90%的問題了。“為什么想申請這份工作”“你曾經解決過什么問題”等問題基本在面試中必現，寫20個出來先提前準備著有益無害。
計劃：寫出極可能出現的問題后，針對列出你的清單上的每一個問題，寫下你的答案。這將幫助你加深對這些問題的印象，是面試時能對答如流的利器。
Plan B&C：針對上面這些問題，Google招聘人員建議你***能準備3個答案。這些備用答案能在***位面試官不喜歡你的故事時，幫你征服下一位面試官。
解釋：面試官想要了解你的想法，所以在面試過程中需要展示你的思維過程和***的解決方案。這個環節不僅是在評估你的技術能力，還在評估你解決問題的靈活性。
講故事：Google面試官希望以會“講故事”。有一個很有意思的面試小技巧，就是每個問題都應該用一個故事來回答。比如“你怎樣領導……”的問題***就舉個例子講個故事吧~
探討：在面試過程中你可能會不自覺進入一些問題“圈套”，這是面試官想深入了解當你遇到技術難題中你看重哪些信息，希望看到你如何處理這個問題以及你解決問題的主要方法，這時一定要就你的思維過程進行討論。
改進：思考如何改進你現在的解決方案，讓面試官知道你在做什么，為什么要這樣做。
練習：***應聘者要時刻謹記熟能生巧。模擬面試環節，自信說出你的答案，直到你能清晰而簡明地講述每一個故事。
看來，準備Google的面試是個時間活~除了技術能力需要過硬以外，單單面試時這20×3個問題的準備也得準備不少時間呢。
對了，已經應聘成功的Google工程師們還給你提了一些技術類問題的“備考”建議，聽聽老人言，助你面試一臂之力。
對，有隱藏關卡!
應聘Google的方法只有內推、校招和發簡歷社招這三種?Naive，小看Google工程師的腦洞了，據多位大神在博客上透露，Google的應聘來源還有秘密渠道。
如果Google捕捉到你在搜索某個特定的編程術語，可能就會有人邀請你申請這個職位。就有人能解鎖這種隱藏關卡~
小哥Max Rosett曾遇到過一個有趣的故事。在用Google搜索“Python lambda函數列表解析”時，搜索界面分裂并向后折疊，一個方框彈出來寫著“你在使用我們的語音”，還邀請他去挑戰一下。
點擊“挑戰”后，頁面跳轉到一個叫“foo.bar”的頁面，還會出現一道限時挑戰題。連續攻破六道題后，foo.bar邀請這位挑戰者提交個人信息。后來，就有招聘人員來要簡歷了。
這個foo.bar的地址如下:
https://www.google.com/foobar/
不過莫激動，沒有得到Google的邀請這個網頁還是沒有辦法注冊的~
故事的***給我們的啟示，可能是多用Google搜索……
Google式“高考”
關于Google面試這事，其熱度和難度無異于產業內的“高考”，千軍萬馬過獨木橋的景象又出現了。
這其中有個想進Google工作“勵志哥”John Washam火了，這位小哥大學時修經濟學，韓國當兵退伍后去教授英語，但對于代碼和Google的渴望沒有磨滅，他勵志專門騰出八個月的時間全職準備Google面試，實現自己的目標!
△“勵志哥”John Washam
這是一場“苦行僧”式的修行，小哥曾三周攻讀1000頁的C++書，也在GitHub上收獲了21000多個star，還做了1792張電子卡片方便復習……讀書、寫代碼和聽講座的時間總共1000多個小時了。
△勵志哥的夏季閱讀書單，只是準備過程中很小一部分
八個月的刻苦準備后，小哥……還是落選了，甚至連電話面試都沒有就被直接拒絕了。
但努力總會有回報，被拒后的小哥目前就職于亞馬遜。
Google雖好，也不能貪杯哦。
