把一些相关的知识点总结一下。这个比长赛场激战陷入胶着，双方死磕至最后一刻，感兴趣的挑自己相关的那部分看。
都是一些基础知识赛场激战陷入胶着，双方死磕至最后一刻，面相关岗位问到的比较多。
（回答时对算法要有一定的见解，最好不要照书上的背）
（一） 机器学习方面
SVM
1、 支撑平面---和支持向量相交的平面；；；分割平面---支撑平面中间的平面（最优分类平面）
2、 SVM不是定义损失，而是定义支持向量之间的距离à目标函数看PPT13~17页
3、 正则化参数对支持向量数的影响
LR
1、 LR的形式：h(x)=g(f(x))；其中x为原始数据；f（x）为线性/非线性回归得到的值，也叫判定边界；g（）为Sigmoid函数，最终h(x)输出范围为（0,B体育1）
LR对样本分布敏感。
***LR和朴素贝叶斯（NB）的区别？
LR是loss最优化求出的，NB是统计跳过loss最优，直接得出权重
NB比LR多了一个条件独立假设
一个是判别模型（LR），一个是生成模型（NB）
1、 判别模型和生成模型？？？
2、 机器学习中，LR和SVM有什么区别？à
两者都可以处理非线性问题；LR和SVM最初都是针对二分类问题的。
SVM最大化间隔平面、LR极大似然估计；SVM只能输出类别，不能给出分类概率
两者loss function不同；LR的可解释性更强；SVM自带有约束的正则化
2、LR为什么用sigmoid函数，这个函数有什么优点和缺点？为什么不用其他函数？（sigmoid是伯努利分布的指数族形式）
Logistic Regression 只能用于二分类,而sigmoid对于所有的输入，得到的输出接近0或1
Sigmoid存在的问题：梯度消失、其输出不是关于原点中心对称的（训练数据不关于原点对称时，收敛速度非常慢à输入中心对称，得到的输出中心对称时，收敛速度会非常快）、计算耗时
Tanh激活函数存在的问题：梯 度消失、计算耗时，但是其输出是中心对称的
ReLU：其输出不关于原点对称；反向传播时，输入神经元小于0时，会有梯度消失问题；当x=0时，该点梯度不存在（未定义）；
ReLu失活（dead RELU）原因：权重初始化不当、初始学习率设置的非常大
Maxout：根据设置的k值，相应的增大了神经元的参数个数
Xavier权重初始化方法：对每个神经元的输入开根号
3、 SVM原问题和对偶问题关系？
SVM对偶问题的获得方法：将原问题的目标函数L和约束条件构造拉格朗日函数，再对L中原参数和lambda、miu分别求导，并且三种导数都等于0；再将等于0的三个导数带入原目标函数中，即可获得对偶问题的目标函数
关系：原问题的最大值相对于对偶问题的最小值
4、 KKT（Karysh-Kuhn-Tucker）条件有哪些，完整描述？
KKT条件是思考如何把约束优化转化为无约束优化à进而求约束条件的极值点
下面两个思考题的答案都是在需要优化的目标为凸函数（凸优化）的情况下。
问题一：当一个优化问题是凸优化问题时，可以直接用KKT条件求解。
5、 凸优化（可行域为约束条件组成的区域）
5、 SVM的过程？Boost算法？
6、 决策树过拟合哪些方法，前后剪枝
决策树对训练属性有很好的分类能力；但对位置的测试数据未必有好的分类能力，泛化能力弱，即发生过拟合。
防止过拟合的方法：剪枝（把一些相关的属性归为一个大类，减少决策树的分叉）；随机森林
7、 L1正则为什么可以把系数压缩成0，坐标回归的具体实现细节？
L1正则化可以实现稀疏（即截断），使训练得到的权重为0；
l1正则会产生稀疏解，即不相关的的特征对应的权重为0，就相当于降低了维度。但是l1的求解复杂度要高于l2,并且l1更为流行
正则化就是对loss进行惩罚（加了正则化项之后，使loss不可能为0,lambda越大惩罚越大-->lambda较小时，约束小，可能仍存在过拟合；太大时，使loss值集中于正则化的值上）
正则化使用方法：L1/L2/L1+L2
8、 LR在特征较多时可以进行怎样的优化？-->L1正则有特征选择的作用
如果是离线的话，L1正则可以有稀疏解，batch大点应该也有帮助，在线的解决思路有ftrl,rds,robots,还有阿里的mlr。当然还可以用gbdt,fm,ffm做一些特性选择和组合应该也有效果。
9、 机器学习里面的聚类和分类模型有哪些？
分类：LR、SVM、KNN、决策树、RandomForest、GBDT
回归：non-Linear regression、SVR（支持向量回归-->可用线性或高斯核（RBF））、随机森林
聚类：Kmeans、层次聚类、GMM（高斯混合模型）、谱聚类
10、 聚类算法（可以作为监督学习中稀疏特征的处理）：Kmeans、层次聚类、GMM（高斯混合模型）
聚类算法唯一用到的信息是样本和样本之间的相似度。
评判聚类效果准则：高类间距，低类内距；高类内相似度，低类间相似度。
相似度与距离负相关。
图像之间的距离的度量是对每个像素操作，最后获得距离
Kmeans和GMM需要制定类别K
A、Kmeans算法：对于已有的未标记的样本，同时给定结果聚类的个数K；目标是把比较接近的样本归为一类，总共得到k个cluster
Kmeans中初始k个中心点（Kmeans对中心点的选取比较敏感）的选取方法：a、随机选取k个初始的样本中心点(b、直接选取k个样本点)，然后计算每个样本到k个选定的样本中心点的距离；再比较待聚类样本到初始样本点的距离，将待聚类的样本指定为距离较近的各个类别（离哪个近，就归为哪一类）；最后重新计算聚类中心：；重复迭代。
Kmeans收敛状态:
（1）聚类中心不再变化（2）每个样本到对应聚类中心的距离之和不再有很大的变化
损失函数àloss function后面的||xn-uk||^2表示采用欧式距离作为距离度量：
Kmeans可以用于图像分割；
Kmeans的缺点：对初始样本点的选取敏感；对异常点（如：一个远离大多数点的孤立的点）的免疫不好；对团状数据点效果较好，对带状效果不好；
Kmeans与Kmeans++初始化的区别：Kmeans初始样本点的选取是随机选取的；Kmeans++是选取最远的k个点作为初始样本点
A、 层次聚类
有两种层次聚类--)bottom-up（从多个类聚成一个类-->每次都是合并最相似的两个类）、up-bottom（一个类到多个类-->每次都剔除最不相似的类）；层次距离是一种树状结构
Kmeans与层次聚类对比：
C、高斯混合模型à由单高斯模型线性加权组合
初始参数：样本点属于各个高斯函数的概率，以及每个高斯函数的均值和方差（参数都是随机给定）
GMM求解过程àEM算法求解
E-step（由已知的均值和方差估算在该参数下的样本点的分布）和M-step（由样本点的分布再求均值和方差）是EM算法。
à这和EM求解的过程一样
Kmeans是硬聚类（每个样本只能属于某一类）；而GMM对于每个样本点，都有属于每个类的概率。
GMM优势：多个分布的组合、速度快（EM算法求解）、最大数据似然概率
GMM劣势：对初始化值敏感，容易陷入局部最优、需指定k个高斯分布；对非凸分布数据集效果不好。
11、 kmeans的分类过程，用kmeans的数据有什么样的分布（高斯分布），loss函数是啥？
见问题“9”
12、 逻辑斯特回归和线性回归的损失函数？
13、 正则化为什么能防止过拟合？(https://www.zhihu.com/question/20700829)
过拟合表现在训练数据上的误差非常小，而在测试数据上误差反而增大。其原因一般是模型过于复杂，过分得去拟合数据的噪声. 正则化则是对模型参数添加先验，使得模型复杂度较小，对于噪声的输入扰动相对较小。
正则化时，相当于是给模型参数w 添加了一个协方差为1/lambda 的零均值高斯分布先验。对于lambda =0，也就是不添加正则化约束，则相当于参数的高斯先验分布有着无穷大的协方差，那么这个先验约束则会非常弱，模型为了拟合所有的训练数据，w可以变得任意大不稳定。lambda越大，表明先验的高斯协方差越小，模型约稳定，相对的variance(方差)也越小。
10、关键词
1、训练集测试集验证集划分方式
https://www.zhihu.com/question/26588665/answer/33490049
2、TPR（Recall）、FPR、ROC 、AUC(与准确率和召回率有关)
https://blog.csdn.net/feiyang2010jin/article/details/50547365
3、坐标轴下降法->用来解决loss function对参数不可导时（此时梯度下降算法不再有效），求取参数更新量的方法
坐标轴下降法和梯度下降法具有同样的思想，都是沿着某个方向不断迭代，但是梯度下降法是沿着当前点的负梯度方向进行参数更新，而坐标轴下降法是沿着坐标轴的方向。
https://blog.csdn.net/ymmxz/article/details/69396222
lasso(Least absolute shrinkage and selection operator)
坐标轴下降法和最小角回归法（https://blog.csdn.net/bbbeoy/article/details/72523540）都是求解Lasso回归的方法。
4、批量梯度下降算法BGD，小批量梯度下降法MBGD，随机梯度下降算法SGD的比较
https://blog.csdn.net/yMMxz/article/details/69371926
5、学习率褪火 （衰减）-->没学习多少次都会将学习率减少（lr/decay_rate）
6、多分类问题转二分类方法-->组合多个二分类器来实现多分类器，方法如下：
a.一对多法（one-versus-rest,简称OVR SVMs）。训练时依次把某个类别的样本归为一类,其他剩余的样本归为另一类，这样k个类别的样本就构造出了k个SVM。分类时将未知样本分类为具有最大分类函数值的那类。
b.一对一法（one-versus-one,简称OVO SVMs或者pairwise）。其做法是在任意两类样本之间设计一个SVM，因此k个类别的样本就需要设计k(k-1)/2个SVM。当对一个未知样本进行分类时，最后得 票最多的类别即为该未知样本的类别。
c.层次支持向量机（H-SVMs）。层次分类法首先将所有类别分成两个子类，再将子类进一步划分成两个次级子类，如此循环，直到得到一个单独的类别为止。
说明：LR的多分类也可以用上面的方法。
https://blog.sina.com.cn/s/blog_4af0fab001010ybp.html
https://blog.sina.com.cn/s/blog_4c98b96001009b8d.html
1、 跳出局部极小值方法
-->优化方法，如momentum updata、Adam等；调整学习率
4、显著性检验
5、线性回归、广义线性回归
7、最小二乘误差及其概率解释
9、LDA（二类、多类）
11、类别不平衡解决方法：欠采样、过采样、阈值移动
12、模型融合方法：bagging、随机森林、ADABOOST、 Gradient Boosting Tree
前面两种是综合多个模型的结果；后面两个是重复训练
Bagging-->模型融合（随机森林也属于模型融合）；有两种方法(bagging对朴素贝叶斯没什么用，因为NB太稳定，提升不大)
ADABOOST（boosting一类的算法）的步骤-->重复迭代和训练；每次分配给错的样本更高的权重；最简单的分类器（如：线性分类器的二分类）叠加
ADABOOST分类过程详细解释如下：先用一个简单的分类器将样本分成两类；为分错的样本分配更高的权重（初始权重设为1/N即可，N为样本数）；重复上次两个过程（再次分类，并为错误的样本设置更高的权重）；最后将所有样本数据正确分类后，将各个分类器叠加。
Gradient Boosting Tree：和Adaboost的思路类似，解决回归问题。
14、 决策树、随机森林、GBDT、XGBOOST
A、决策树（有监督学习）：
建立决策树的关键，即在当前状态下选择哪个属性作为分类依据。根据不同的目标函数，建立决策树主要有一下三种方法：ID3、C4.5、CART
B、Bootstraping：不需要外界帮助，仅依靠自身力量让自己变得更好。
C、随机森林（bagging+决策树）：
Bootstrap采样：有放回的重复抽样
D、Adaboost：
教程第11节 决策树随机森林……pdf –p37
E、 GBDT—梯度下降决策树（有监督学习）
15、 熵 信息增益（ID3算法）、信息增益率（C4.5算法）、基尼系数（CART）
教程第11节 决策树随机森林……pdf -p10
16、 投票机制
1）一票否决（一致表决）、2）少数服从多数、3）有效多数（加权）
16、数值优化理论：梯度下降、牛顿、共轭梯度
牛顿法（dk为更新量）-->引入了二阶偏导（Hessian矩阵）-->求解无约束优化（迭代的初始值一般是随机选取的）
缺点：不能保证Hessian矩阵（二阶偏导组成的矩阵）一定可逆
17、SVM、SVR、软间隔SVM、SMO
18、SVM核函数
核函数主要是将线性不可分的数据映射到高位空间再进行分类
核函数的种类：
高斯核是用的最多的核函数à对训练数据分类效果最好
高斯核的缺点：容易过拟合，需要更多的样本、泛化能力弱
19、距离方法：闵科夫斯基 、VDM、马氏距离
20、K-means、KNN、LVQ、DBSCAN、谱聚类
21、降维方法：LDA、PCA、SVD
22、特征选择方法：总体分为过滤型、包裹型、嵌入型（à基于模型的；如：正则化）
Relief、LVW、正则化（L1/L2）
特征选择的原因：特征存在冗余（特征相关度太高）、掺杂了噪声（特征对预测结果有负影响）
L1正则化是截断效应（实现稀疏，把不相关的特征的系数变成0）；L2正则化是缩放效应，使最后得到的参数很小
25、交叉熵？KL散度（也叫KL距离）？
25、最大熵模型、EM(Expectation Maximization)算法
最大熵模型的求解可以转化为对偶问题的极大化；
26、特征-->数据中抽取出来的对结果预测有用的信息
特征工程-->使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥很好的作用的过程。
27、交叉验证
K折交叉验证（K-flod cross validation）
https://www.cnblogs.com/boat-lee/p/5503036.html
将训练集分成K份；依次将第i（i=k,…,1）折作为交叉验证集，其余k-1折（除第i折外）作为测试集；总共进行k次，每进行完一次训练，都用test data去测试，得到k个准确率；最后取k个准确率的均值作为最后结果。
28、过拟合和欠拟合
欠拟合（under fitting）：参数过少，不足以表达数据的特征
过拟合（over fitting）：参数过多，过渡拟合数据，泛化能力差（训练时的准确率很好，但测试的时候就很差）
欠拟合解决方法：找更多的特征；减小正则化系数
（二）深度学习方面
1、MLP的BP过程？delta的意义？每一层节点的残差？
2、max pool层怎么做的？
3、caffe架构？caffe如何构建网络?
4、去卷积过程（转置卷积）？https://blog.csdn.net/fate_fjh/article/details/52882134
5、单个神经元是否线性可分（模式识别的概念，是否能用用线性函数将样本分类）？
是否线性可分是对于样本集的;线性可分是数据集合的性质，和分类器没啥关系。
可以通过线性函数分类的即为线性可分
6、深度学习模型的发展？深度学习的评价标准？
7、强化学习应用场景和方法？adaboost和cascade adaboost？损失函数有哪些？分类回归聚类的区别与联系？目标检测的三种方法？
8、目标检测常用的网络,RCNN, SPP, Fast RCNN, Faster RCNN的区别？
9、随机梯度下降，标准梯度？softmax公式？信息熵公式？
10、SVM和softmax的区别？
Svm具有附加稳定性，当样例满足边界条件时，该样例不会影响损失函数；而softmax将考虑所有的样例
11、训练时，mini-batch与GPU的内存匹配-->训练网络时的mini batch是由GPU的内存决定的。
12、正则化：正则化表现的是对高维度W的惩罚力度，当正则化系数（lambda）很大时，使w变的非常小，最终的结果是函数变得非常平滑。正则化系数（lambda）越小，拟合程度越高，效果越好。
13、batch normalization中gamma和beta初始化为1和0，然后在训练中优化他们
BN可以减少dropout（可以不要dropout）
14、当训练到最后，loss值很大，但精度在上升？-->说明loss变化很小，需要增大学习率
梯度爆炸（loss发散，出现nan）-->学习率很大，需要减小学习率
15、如果loss开始一直不变，但是从某点开始下降的原因à因为初始值选定的不好，错误的初始值会让梯度一开始接近0。
16、优化策略的比较：
https://www.cnblogs.com/denny402/p/5074212.html
SGD-->Momentum updata-->Nesterov Momentum updata-->AdaGrad update--> RMSProp update-->Adam update
以上都是一阶优化方法，对于二阶优化方法(BFGS和L-BFGS)，二阶优化方法不需要学习率这个参数，可以直接对目标进行优化。
SGD:根据梯度直接更新w
Momentum updata：不是通过计算得到的梯度直接更新w，而是增加一个变量V（定义为速度），改变了和梯度直接相关，再用V更新w
Nesterov Momentum updata:更新方式
AdaGrad update：每个参数自适应学习速率的方法（因为参数空间的每一维都有自己的学习速率，它会根据梯度的规模的大小动态变化）
长时间训练时，AdaGrad算法会发生什么？-->根据更新公式，不断有正数加到cache中，更新步长会逐渐衰减到0，最后完全停止学习。
1e-7：平滑因子，防止除数变成0
RMSProp update:解决了AdaGrad中会停止更新的问题
Adam update:
adagrad记录的是梯度的二阶矩，并按指数和形式表示
Momentum的作用：稳定梯度的方向
17、模型集成
先单独训练多个不同的模型；在训练时，将每个模型的结果取平均值即可。-->可提升精度
缺点是必须单独训练不同的模型
18、Cross entropy loss 和sigmod Cross entropy loss的区别？
https://blog.csdn.net/u012235274/article/details/51361290
看博文里写的就没啥区别
SmoothL1Loss
优势：smoothL1Loss在接近0的时候，看起来像二次函数
SoftMaxWithLoss
19、没有隐藏层的神经网络是线性的，只能处理线性可分的问题（线性可分问题从二维角度看，即分界线是一条直线，多维就是存在线性超平面将其分类）。
20、卷积神经网络中，在没有zero-padding的情况下,当输入为7*7,filter为3*3，stride为3是，这里的stride是不允许这样设置的，因为这样的话输出就是2.333*2.333（不是整数），所以zero-padding避免了这种情况的发生
Zero-padding的另一种作者用，就是避免图像在卷积神经网络中向前传播时，图像提取出来的特征越来越小，zero-padding可以保证图像的尺寸。
21、定位和检测的区别：
区别在于要找的目标的数量；
对于定位，图像中只有一个或一种对象，用框标出对象的位置
对于检测，图像中有多个目标或多种对象。
23、数据不足时：
数据增强、transfer learning（fine-tuning：根据数据集的大小，训练网络的最后一层或者最后几层）、修改网络
Fine-tuning:固定网络，即为学习率为0、需要训练的层的学习率比较高（原来训练好的网络的学习率的十分之一）、当预训练的层（中间层）需要改变时，学习率很小（如原学习率的一百分之一）
24、goolenet和resnet中用到的结构（瓶颈结构 bottlenecks：输入输出相同）
1x1的卷积层相当于全连接层-->遍历所有像素
3x3的卷积可以替换成1x3和3x1的不对称卷积（inception v3）-->减少参数
25、CNN中 卷积的实现
傅里叶变换可以用于大卷积核的运算
im2col（主要的）：
caffe和torch不支持使用16位计算。
26、WindowDataLayer（窗口数据），用于检测，可以读取hdf5数据。
27、Caffe中的交叉验证？
定义两个prototxt文件（训练阶段和测试阶段），train_val.prototxt和deploy.prototxt;后者用于测试集中，测试阶段的train_val.prototxt用于验证。
28、其他框架？
Torch-->C和Lua语言写的，Torch中主要的是Tensors类
TensorFlow-->pip安装，TensorBoard为可视化工具 ，支持多GPU，支持分布式训练（多机），支持RNN
Theano、MxNet、
29、语义分割（Semantic Segmentation）和实例分割（Instance Segmentation）
语义分割-->操作像素，标记每个像素所属的标签à不关心具体的类，同一类目标标记为相同的像素
实例分割à 输出类别同时标记像素（同时检测并分割）-->关心目标的类，不同目标标记为不同的像素（同一类中的目标也标记为不同 的像素）
分割时使用全卷积网络（以filter为1*1的卷积层替换fc层，操作每个像素）可以得到所有像素的标签，而不用先将图像分成许多小块，再通过卷积为块 的中心像素分类（这样就很耗时）
30、反卷积（卷积转置）
31、Spatial Transformer Networks（空间变换网络）
32、无监督学习
聚类等、PCA(线性的)
自动编码器（Auto encoder）、Generative Adversarial Networks（GAN）
（三）图像方面
1、opencv遍历像素的方式？
2、LBP原理？
3、HOG特征计算过程，还有介绍一个应用HOG特征的应用？
4、opencv里面mat有哪些构造函数？
5、如何将buffer类型转化为mat类型？
6、opencv如何读取png格式的图片？（我貌似记得opencv不能读取png格式的图片，好像每种格式图片的表头不一样，需要转化，给他说了半天他，他也没明白）
7、opencv如何读取内存图片？
8、opencv里面有哪些库？
9、用过opencv里面哪些函数？（我顺带回答了一下canny，HR又问opencv里面有c-a-n-n-y有这几个字母的函数吗，尴尬。。。又问我如何自己写canny边缘检测算法）
10、opencv里面为啥是bgr存储图片而不是人们常听的rgb？
12、你说opencv里面的HOG+SVM效果很差？他就直接来了句为啥很差？差了就不改了？差了就要换其他方法？、
13、讲讲HOG特征？他在dpm里面怎么设计的，你改过吗？HOG能检测边缘吗？里面的核函数是啥？那hog检测边缘和canny有啥区别？
13、如何求一张图片的均值？（考虑了溢出和分块求解，貌似不满意。。。回头看看积分图里面如何解决溢出的。）
14、如何写程序将图像放大缩小？（我回答的插值，不太对。。。比如放大两倍可以插值，那放大1.1倍呢，）-->放大1.1倍也可以插值
15、如何遍历一遍求一张图片的方差？（回答的是采用积分图，并让我推导这样为啥可行。这个问题以前帮同学解决过。。。）
（四）编程方面（C++/Python）
1、 全排列
2、 矩阵求最长连续递增的路径长度？à
329. Longest Increasing Path in a Matrix https://leetcode.com/problems/longest-increasing-path-in-a-matrix/discuss/
3、vector和list的区别？
4、c里面有哪些内存申请方法？
5、虚函数和纯虚函数的区别？
6、重载、覆盖、重写的区别？
7、用过C++11吗？用过里面的哪些？
8、有哪些类型转换函数？以及用在哪些场景？
9、用过GCC吗？会linux吗？
10、堆和栈的区别？
11、Python中定义类的私有变量？在变量前面加双下划线“__”，如：__x，则为私有变量
11、请描述指针数组和数组指针的区别
指针数组：array of pointers，即用于存储指针的数组，也就是数组元素都是指针
数组指针：a pointer to an array，即指向数组的指针
还要注意的是他们用法的区别，下面举例说明。
int* a[4] 指针数组
表示：数组a中的元素都为int型指针
元素表示：*a[i] *(a[i])是一样的，因为[]优先级高于*
int (*a)[4] 数组指针
表示：指向数组a的指针 元素表示：(*a)[i]
（五）开放性问题
1、最后问面试官的问题
（1）我以后的面试要注意哪些问题，提点建议？或为了更好地胜任这个岗位，我还需要补充哪些技能？ 入职后是否有产品培训和技能培训？
（2）当感觉还可以时，就问公司培训制度，晋升机制，以及自己来了应该做什么，当感觉没戏时，就问，你给我一些关于职业的建议吧，以及怎么提升自己
3、 HR面试（自己总结的）
（1） 期望薪资
（2） 你理想的工作是什么样的？
（3） 关于你以后的工作打算，你有什么想法？
（4） 职业规划
（5） 做项目时遇到的困难及解决方法？
（6）做科研辛苦吗？
（6） 对公司的看法？为什么应聘我们公司？
（7） 你在同龄人中处于什么档次 和大牛的差距在哪？
（8） 你跟同龄人相比有什么优势?
（9） 你除了我们公司，还投了哪些公司？
说几个
（10） BAT之外，你最最想去的是哪家公司，为什么？
（11） 如果我们给你发offer，你还会继续秋招么？
（12） 【跨专业】本科+研究生在本专业学了多年，为什么没在本行业求职？
（13） 【家离企业所在地较远】为什么想来xx地方工作，父母支持么？
（14） 【对象】如果对象和你在意向工作地发生分歧，你怎么处理？
（15） 优缺点？
（16） 介绍你一次最失败的一次经历？
（17） 介绍你一次最成功的一次经历？
（18） 这份工作你有想过会面对哪些困难吗？
（19） 如果你发现上司做错了，你将怎么办？
（19）你觉得大学生活使你收获了什么?
（20）你对加班的看法？
（21）当公司给出的待遇偏低不足以吸引到优秀人才的时候，你该怎么去招聘？
这些知识点都是我自己总结的，包括HR面的问题。
轻 松 一 刻
评论