上周參加了字節(jié)跳動(dòng)測(cè)試開(kāi)發(fā)的崗位面試，記錄一下整體的面試流程：
這是一面技術(shù)面，沒(méi)有hr面。
首先是自我介紹，做過(guò)哪些項(xiàng)目，用了什么技術(shù)，有哪些缺陷；印象最深的項(xiàng)目，你負(fù)責(zé)哪些部分，用到什么技術(shù)。
然后根據(jù)你的介紹會(huì)提問(wèn)，問(wèn)了我期望的崗位和工作生涯規(guī)劃；對(duì)面試崗位的理解；對(duì)測(cè)試的理解，有無(wú)經(jīng)驗(yàn)。
接下來(lái)是一些計(jì)算機(jī)基礎(chǔ)問(wèn)題。

字節(jié)測(cè)試開(kāi)發(fā)工程師面試題

對(duì)http和https的理解，區(qū)別；
對(duì)數(shù)據(jù)傳輸，get和post的理解；
http無(wú)連接的 怎么理解；
post如何傳輸數(shù)據(jù)；
java復(fù)習(xí)了啥知識(shí)點(diǎn)；
hashmap和hashtable的區(qū)別，各自的底層實(shí)現(xiàn)，應(yīng)用場(chǎng)景；
數(shù)組和鏈表的理解，區(qū)別，應(yīng)用場(chǎng)景，時(shí)間復(fù)雜度；
多線程；
數(shù)據(jù)結(jié)構(gòu)基礎(chǔ)，什么場(chǎng)景下用什么數(shù)據(jù)結(jié)構(gòu)，快，安全等等；
測(cè)試用例設(shè)計(jì)：微信視頻通話。
接下來(lái)手撕算法：

最長(zhǎng)有效字符串：輸入()()()((())())( ；輸出3；()()()
二叉樹中序遍歷：遞歸非遞歸；
反問(wèn)。

贊一下(0) 踩一下 查看面試題參考答案>>

無(wú)領(lǐng)導(dǎo)，一組八人，都是名校碩士，印象中有新加坡國(guó)立、人大、清華、浙大，最差的就是我本人了，北京某985，面試是圍繞餐飲業(yè)出海經(jīng)營(yíng)問(wèn)題，探討可能出現(xiàn)的問(wèn)題以及i相應(yīng)的解決措施，討論時(shí)間40分鐘，都是大佬，面試過(guò)程中發(fā)現(xiàn)一半以上都有在國(guó)外學(xué)習(xí)經(jīng)歷，所以他們不僅知識(shí)存儲(chǔ)多，也有很多不一樣的視角

字節(jié)管培生面試題

面試完后兩個(gè)面試官進(jìn)行點(diǎn)評(píng)，一般都只提問(wèn)滿意的面試者，這一場(chǎng)，除了我和另外一個(gè)沒(méi)有說(shuō)話的男生，其他人都被提問(wèn)了，是的??！表現(xiàn)太差本人，沒(méi)有被提問(wèn)，一面完了就gg了，沒(méi)有后話了。

贊一下(0) 踩一下 查看面試題參考答案>>

K-means 算法的原理，是否了解其他聚類算法
介紹了 K-means 算法和 DBSCAN 算法
對(duì)其他機(jī)器學(xué)習(xí)算法的了解程度，介紹一下決策樹
從劃分指標(biāo)入手，簡(jiǎn)單介紹了 ID3、C4.5 和 CART 三種決策樹
從單棵決策樹延伸到多棵決策樹集成，提到了 GBDT
GBDT 和隨機(jī)森林的區(qū)別
對(duì) CV 和 NLP 中常用模型的了解程度
只用過(guò)基礎(chǔ)的 CNN 模型

字節(jié)算法工程師面試題

給定一個(gè)較大的數(shù)據(jù)集，數(shù)據(jù)集中存儲(chǔ)了許多數(shù)據(jù)樣本以及每個(gè)樣本的重復(fù)次數(shù)，現(xiàn)在需要從數(shù)據(jù)集中有放回地抽取若干個(gè)樣本，問(wèn)如何做到無(wú)偏抽樣，并分析所提方法的時(shí)空復(fù)雜度
在面試官的引導(dǎo)下不斷優(yōu)化所提的方法，最終達(dá)到了較為理想的時(shí)空復(fù)雜度

贊一下(0) 踩一下 查看面試題參考答案>>