安妮 栗子 發自 澤浩寺
量子位 出品 | 公眾號 QbitAI

可能每個程式猿，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程式設計技術，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、腦洞迴路是否清奇……

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，後有民間程式設計大神發現隱藏關卡……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於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，先遠端後現場。

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的影像左移10格。

用Python是這樣。

3、怎樣設計一次客戶滿意度調查？

答：第三題就這麼抽象了。不知從何說起的我決定指引各位，可以在搜尋引擎裡查詢一下：“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，應該怎麼改進？



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、解釋一個非正態分佈，以及如何應用。



答：不知道面試者遇到是怎樣的分佈。不過，上個月MIT發表了用妖嬈的伽瑪分佈，幫助自動駕駛系統在濃霧裡保持如炬目光的演算法。

詳情傳送門：點這裡

7、為什麼要用特徵選擇？如果兩個預測因子高度相關，係數對邏輯迴歸有怎樣的影響？係數的置信區間是多少？



答：需要處理高維資料的時候，很多模型都吃不消。特徵選擇可以讓我們在給資料降維的同時，不損失太多資訊。

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演算法和EM演算法的差別在哪裡？

答：CSDN博主JpHu說，K-Means演算法對資料點的聚類進行了“硬分配”，即每個資料點只屬於唯一的聚類；而GMM的EM解法則基於後驗概率分佈，對資料點進行“軟分配”，即每個單獨的高斯模型對資料聚類都有貢獻，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？(正態分佈)



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、聚類時標籤已知，怎樣評估模型的表現？

答： CSDN博主howhigh說，如果有了類別標籤，那麼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籤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、為什麼不用邏輯迴歸，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，線性迴歸的決策邊界是一條直線，邏輯迴歸的決策邊界是一條曲線，GBM的決策邊界可能是很多條線。

邏輯迴歸只能處理迴歸問題，而GBM還可以用於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，並注意考試時間。

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、描述資料分析的流程。

15、高斯混合模型 (GMM) 中，推導方程。

16、怎樣衡量使用者對視訊的喜愛程度？

17、模擬一個二元正態分佈。

18、求一個分佈的方差。

19、怎樣建立中位數的Estimator？

20、如果迴歸模型中的兩個係數估計，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祕考題。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？

• 井蓋為什麼是圓的？

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。在一百層的高樓裡，在兩個雞蛋都陣亡之前，怎麼才能知道它們最高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）對話介面，回覆：“神祕題”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。“為什麼想申請這份工作”“你曾經解決過什麼問題”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後，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招聘人員建議你最好能準備3個答案。這些備用答案能在第一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最後的解決方案。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……”的問題最好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”，這是面試官想深入瞭解當你遇到技術難題中你看重哪些資訊，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麼，為什麼要這樣做。

練習：最後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，據多位大神在部落格上透露，Google的應聘來源還有祕密渠道。

如果Google捕捉到你在搜尋某個特定的程式設計術語，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搜尋“Python lambda函式列表解析”時，搜尋介面分裂並向後摺疊，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。

點選“挑戰”後，頁面跳轉到一個叫“foo.bar”的頁面，還會出現一道限時挑戰題。連續攻破六道題後，foo.bar邀請這位挑戰者提交個人資訊。後來，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註冊的~

故事的最後給我們的啟示，可能是多用Google搜尋……

Google式“高考”

關於Google面試這事，其熱度和難度無異於產業內的“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，韓國當兵退伍後去教授英語，但對於程式碼和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，小哥曾三週攻讀1000頁的C++書，也在GitHub上收穫了21000多個star，還做了1792張電子卡片方便複習……讀書、寫程式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

八個月的刻苦準備後，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，被拒後的小哥目前就職於亞馬遜。

Google雖好，也不能貪杯哦。

— 完 —

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話介面，回覆“招聘”兩個字。

量子位 QbitAI · 頭條號簽約作者

վ'ᴗ' ի 追蹤AI技術和產品新動態