Amazon AS intern OA + Phone Screen 挂经

分享一下亚麻的AS 2023 intern的OA和电面经历，OA过了，但电面挂了。新人求米，看其他公司的面经。

OA：
1. 经典的knapsack问题，小明考试，考n个科目，每一个科目需要答对相应的$r_i$道题才能过，i=0, 1, 2, ..., n-1，小明已经考了所有科目，每一个科目分别答出来了$a_i$道题，然后考试的最后还剩下$k$次机会答任意科目的题，假设小明最后$k$道题全都能答对，请问小明最多可以过多少科目？

当时写了一个bfs过了3个test，因为没刷到dp和greedy，所以没想出来这道题，事后查资料才知道是knapsack，简单的greedy解法就是先算出每个科目需要多答对多少题才能过，存到一个

您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式
Unlock interview details and practice with AI
Curated Interview Questions from Top Companies

油吧！虽然资历浅薄，但是还是想分享一下从中获得的教训，感觉面试官喜欢interviewee和他们讨论，即使被问到不知道的问题也没有必要慌，可以问问hint，或者context，比如那道SGD的题，我可以问：“感觉上是不可以achieve sparsity，但是一般SGD的问题是什么？”这个时候也许面试官会说，gradient太noisy了，会把weight的值从0震荡开。感觉还是让面试官答了，但是比卡在那一分钟什么也没说要好。

最后祝各位面试顺利，offer多多！

hulala_ 发表于 2022-11-4 13:45
请问楼主AS intern在哪里投的

我直接在Amazon career上投的

微信用户_adfee2d 发表于 2022-11-4 10:17
Precision: tp/(tp+fp)，因为positive samples被丢掉一些，然而fp不变（假设还是原来的classifier），所 ...

有点confused.
之所以要downsampling，不是要重新在re-balanced dataset上re-train model吗？为什么assume 同一个classifier? 对于新的classifer： tp, fp, fn, tn 就没有不变的了。 这里的metrics都是指在test dataset or live traffic(这两个data 都是imbalanced) 吧？
因为我现在工作的一个project有这一块，对于re-trained 好的 classifier，并不是所有metrics 都下降，那不然谁还会用downsampling. 所以想讨论一下。
下面是我confused的几个点：
1）imbalanced dataset (10 +, 1000 -), downsampling为什么要take out positives?不是减少 negative?
2）我们的讨论好像把positive and negative搞颠倒了，不知道面试官的意思是什么
3）taking out positives/negatives 不等于 TP/TN 减少吧，这些metrics都在不同的dataset(test/live)

More intuitively, if downsampling brings down all metrics, why are ppl still using it on imbalanced dataset even if you want to study the negatives? It just doesn't make sense.

很大可能我对这个问题没有理解正确。

tonynan 发表于 2022-11-4 11:53
有点confused.
之所以要downsampling，不是要重新在re-balanced dataset上re-train model吗？为什么assu ...

非常感谢您指出来，感觉我又学到新东西了。

嗯，想想也是应该是retrain的model。

1. 这里我在原帖里没有说清楚，assumption是positive samples dominate，假设在training set上samples的分布是 (1000 +, 10-)。

2. 嗯嗯，确实是颠倒了，我等会在原帖上更正一下。

3. 我猜的话，面试官给的答案应该是根据他自己的工作经验给的，也许您的application不一样，确实会出现metrics不一定下降的情况。

我的分析是这样的，take out positive之后，假设test set不变，新的decision boundary会向negative samples靠近，所以tp减少，fp变化不大或者稍微减少导致fp的比重减小，（比如down sample之前tp50，fp50，down sample后tp40，fp45，precision 0.47），所以precision减小。

fn可能曾多因为decision boundary更靠近negative samples一些，但是tp减少了（down sample之前tp50， fn50，recall 0.5，down sample后tp40，fn51，recall 0.44），所以recall减小。

当然real-world applications更复杂，会出现很多不同的结果，这只是我面亚麻后针对面试官提问的一些思考，如果觉得我有什么地方说的不对请多多指正。

谢谢

请问开摄像头吗

匿名用户 发表于 2022-10-28 14:17
请问开摄像头吗

电面不用开摄像头，oa要照片

“class imbalance的时候要downsample”
=> 面试官问：“那假如down sample positive samples，这对F1，Precision, Recall有什么影响”.

=>面试官崩溃，告诉我答案：“所有的metric都降低，我们要down sample因为有时候对negative sample更感兴趣”

请问为什么downsample majority cases所有metric都降低？

recall is more likely to increase: downsampling => model more likely predict Positive => TP increases => recall = tp/actual positives => recall may increase but should not decrease
for precision: tp/(tp+fp)    downsampling => (tp+fp) increase, and tp may increase => so for precision, no sure increase or decrease
For F1, it is more complicated and hard to conclude, cuz it is a 2*recall*percision/ ( recall+precision)

不知道理解的正确不， 望赐教

tonynan 发表于 2022-11-2 18:17
“class imbalance的时候要downsample”
=> 面试官问：“那假如down sample positive samples，这对F1，Pr ...

Precision: tp/(tp+fp)，因为positive samples被丢掉一些，然而fp不变（假设还是原来的classifier），所以tp的比重降低，precision降低

Recall: tp/(tp+fn)，一样的逻辑，即使fn可能会降低，但是tp受到的影响更直接，tp降低的会更多

PR都降低，所以F-measure也降低

当然如果要重新train一个新的classifier，model more likely to predict negative，因为down sample是丢掉positive samples。所以结论还是一样的。

匿名用户 发表于 2022-10-28 13:07:03
电面不用开摄像头，oa要照片

OA要照片是什么意思

请问楼主AS intern在哪里投的

moon_lake 发表于 2022-11-4 13:09
OA要照片是什么意思

online assessment 需要拍照