每年九、十月份都是秋招笔试最密集的时候。最近不少人问我顺丰科技这场人工智能与机器学习工程师的笔试到底考什么、难度如何、偏重哪些方向。我本身是做算法岗的也帮朋友整理过好几轮大厂笔试复盘今天索性把顺丰科技2019秋招这套客观题合集拿出来按知识点模块拆开揉碎讲一遍把每类题背后的考察逻辑、对应的准备方式和容易踩的坑一起说清楚。无论你是正在备战的应届生还是想查漏补缺的转岗工程师这篇文章都能给你一个比较完整的参考坐标。先说结论顺丰科技的这套客观题整体难度属于“广度优先、深度适中”不会像一些头部大厂那样往死里抠数学证明但覆盖面非常广从机器学习经典理论、深度学习基础、概率统计到数据结构、运维与工程化常识都有涉及。换句话说它考察的不是你某一两个方向有多精通而是你作为算法工程师的基本盘是否扎实。这其实和顺丰科技的业务定位有很大关系——物流场景下的算法应用非常多元从路径优化、时效预测到图像识别、自然语言处理都需要工程师有足够宽的知识面来支撑。1. 整体考察范围与命题思路拆解1.1 顺丰科技算法岗笔试的定位分析先给大家一个整体定位这套题更多是“筛人”而非“选人”。什么叫筛人就是在一大批简历看起来都不错的候选人里先用一套覆盖面广、容错率低的客观题把基础不扎实、知识体系有明显短板的人刷掉。所以你会发现整套题几乎没有特别偏门的冷知识大部分考点都是机器学习入门教材里的核心内容。凡是能进入面试环节的候选人客观题成绩往往不要求满分但绝对不能有明显硬伤。比如逻辑回归的损失函数、SVM的核函数、决策树的划分依据这类基础题如果做错基本就说明你的机器学习功底是临时抱佛脚刷出来的面试官看到笔试成绩单时心里会打个问号。从岗位JD来看顺丰科技的人工智能与机器学习工程师核心业务场景包括运单时效预测、智能客服、分单调度优化、图像识别面单识别、OCR、语音交互等。这些业务场景决定了对候选人的核心要求扎实的机器学习理论基础、良好的工程实现能力、对数据敏感度高。所以笔试题目分布也明显向这三点倾斜。1.2 客观题的主要题型与题量结构这套笔试试卷的客观题部分大致包含三类题型单选题、多选题和判断题。其中多选题是失分重灾区因为多选、少选、错选都不得分对知识点的准确性和完整性要求非常高。从题量分布看机器学习基础占比最大约40%深度学习约20%概率统计与数学基础约15%数据结构与算法约15%剩余的10%左右分布在大数据框架、Linux基础、计算机网络和业务场景分析上。这个比例在大厂算法岗笔试里属于比较典型的偏业务型配置不像研究型岗位那样深度考验数学推导。值得留意的是2019年秋招这批题恰好处于几个技术风向标的交汇期BERT刚发布不久Transformer架构开始全面碾压RNNAutoML开始被工业界讨论边缘计算在物流场景开始试点。所以题目中已经出现了少量涉及注意力机制、BERT基础概念的选择题这在当时算是比较前沿的考法。1.3 命题思路背后的考察逻辑很多人在准备笔试时习惯性地刷大量LeetCode却忽略了客观题的理论考察。但实际上像顺丰科技这种偏工程落地的企业客观题的理论基础题反而占了很大比重。这套题真正的考察逻辑其实只有三个字基本盘。所谓基本盘包含几个层面第一经典机器学习算法的原理和适用场景是否清晰第二深度学习常见网络结构和训练技巧是否理解到位第三概率统计和线性代数这些数学工具是否真的内化而不是只会套公式第四工程化常识是否具备比如特征处理、模型评估、数据清洗这些环节里的常见坑。这种命题思路其实给了我们一个很好的准备方向不用追求刷遍所有偏题怪题但一定要把经典知识点吃透做到看到选项就能反应过来它在考察哪个知识点、对应什么坑。下面我按模块逐一展开。2. 机器学习基础高频考点精讲2.1 监督学习核心算法与损失函数机器学习基础是整套题的绝对重心其中监督学习又是核心中的核心。我整理了一下2019年这套题里监督学习相关的考点主要集中在以下几个方面逻辑回归的损失函数为什么用交叉熵而不用均方误差SVM的硬间隔、软间隔、核函数选择决策树的三种划分依据信息增益、信息增益比、基尼指数的适用场景朴素贝叶斯的条件独立性假设及其影响KNN的k值选择与距离度量方式集成学习里Bagging和Boosting的区别与代表算法先说逻辑回归。有一道题问的是“逻辑回归用梯度下降优化时为什么采用交叉熵损失而不用平方损失”。很多人只背了结论“因为非凸”但实际上面试和笔试希望看到更深入的理解。深层原因是逻辑回归的预测值是经过sigmoid变换的如果使用平方损失损失函数关于参数的梯度会含有sigmoid的导数项σ(z) σ(z)(1-σ(z))而sigmoid在饱和区导数趋近于0导致梯度消失收敛极慢。交叉熵损失在求导后恰好把σ(z)项约掉梯度形如y_pred - y_true更新效率高得多。这道题选“交叉熵损失能避免梯度消失、加快收敛”不是因为它“是凸函数”这么简单。关于SVM重点在于理解硬间隔和软间隔的使用场景数据线性可分时用硬间隔不可分或有噪声时用软间隔引入松弛变量。核函数的选择也是个经典考点线性核适合线性可分数据RBF核适合非线性数据但要注意RBF核的gamma参数对过拟合的影响。有一道多选题问“以下哪些场景适合使用RBF核函数”选项里包含了“特征维度很高”“样本量很大”“线性不可分”“对解释性有要求”等。答案是“线性不可分”但很多人会把“特征维度很高”也选进去这其实是常见误区。当特征维度非常高时数据在高维空间往往更容易线性可分此时用线性核就够了没必要用RBF增加计算复杂度。决策树的划分依据里ID3用的信息增益Information Gain偏向取值较多的特征C4.5用信息增益比Gain Ratio做归一化修正CART用基尼指数Gini Index且一定是二叉树。这个概念在选择题里直接被考察选项就是“CART分类树使用基尼指数选择划分特征”。虽然基础但确实值得再确认一遍。2.2 无监督学习与聚类算法考点无监督学习在顺丰科技的业务里主要用于客户分群、异常检测、运单聚类分析等场景所以在笔试中也有稳定占比。核心考点集中在K-Means的优缺点、k值选择方法手肘法、轮廓系数DBSCAN的密度可达与噪声点识别和K-Means的对比PCA的数学原理与降维逻辑关联规则中的支持度、置信度、提升度关于K-Means常见考察点是“为什么K-Means可能收敛到局部最优”和“如何选择初始质心”。2019年这套题有一道多选题问“以下哪些是K-Means的缺点”正确选项包含“对初始质心敏感”“需要预先指定簇数k”“对噪声和离群点敏感”。坑人的选项是“能够自适应地确定聚类数量”这是完全相反的说法K-Means本身并不能自动确定k。如果你只背了“K-Means简单、快速”的优点这道题反而容易失分。PCA是数学基础与无监督学习的交叉考点。有一道概念题问PCA的降维过程本质上是在做什么正确方向是“将原始特征投影到方差最大的正交方向上实现线性变换”。它和特征选择的区别是特征选择是直接去掉部分原始特征PCA是对原始特征做线性组合生成新特征。这组概念对比在选择题里很常见一定要区分清楚。2.3 模型评估与过拟合防治模型评估相关的题目在这场笔试中的分量不低而且往往结合具体场景出题考的不是概念背诵而是理解。常见考点包括准确率、精确率、召回率、F1的计算与适用场景ROC曲线与AUC的含义过拟合的判断与防治手段交叉验证的目的和常见形式有一道经典陷阱题是这样的一个二分类模型在测试集上准确率达到98%但实际上模型效果很差。问最可能的原因。正确答案是“数据类别不平衡”。在正负样本比例严重失衡时准确率会严重失真比如99%的负样本模型全部预测为负也能达到99%的准确率。这时候应该看精确率、召回率、AUC等指标。防治过拟合的手段几乎是必考题。L1正则化和L2正则化的区别是高频中的高频。L1正则化倾向于产生稀疏权重很多特征权重变为0可以用于特征选择L2正则化倾向于让权重整体变小但不会强制变为0。正则化项的本质是对参数施加惩罚约束防止模型过于复杂。有一道题直接考察“在损失函数中加入L2正则化项后模型的复杂度通常会降低”答案是对的。但很多人在解释“为什么”时含混不清其实是因为模型在最小化损失函数的同时还要最小化权重的平方和导致权重被限制在一个较小范围内对训练数据中的噪声不那么敏感泛化能力增强。交叉验证的考察点比较基础主要是k折交叉验证的目的。还有一道问“留出法、k折交叉验证、自助法”适用场景的多选题这种情况下容易出错的是自助法Bootstrap——它适用于数据集较小、难以有效划分训练集和测试集的情况因为自助法通过有放回抽样可以产生多个训练集让每个样本都有机会出现在训练集中。2.4 特征工程与数据处理考察特征工程在算法岗笔试里比较容易被忽视但顺丰科技这套题里专门出了几道关于特征处理和缺失值处理的题。这其实非常贴近他们业务中的数据现状物流数据质量参差不齐缺失值、异常值、重复数据非常普遍。特征编码是高频考点。类别特征的独热编码和标签编码差异很常考。独热编码适用于无序类别特征不然会给模型带来虚构的大小关系标签编码适用于有序类别特征。有一道判断题问“对于无序类别特征可以使用独热编码将其转换为数值特征”答案是正确——因为独热编码的N位状态寄存器编码方式不会引入类别间的大小关系。缺失值处理方式考察了删除、均值填充、中位数填充、模型预测填充各自的适用场景。这里有一个关键原则测试集填充时不能使用测试集自身的统计量而应该使用训练集上计算得到的均值或中位数否则会造成数据泄露。这个细节在选择题里容易被忽略但在实际工程里非常重要值得专门记一下。标准化和归一化也是常客。Z-score标准化适合特征本身近似正态分布或存在离群点的场景Min-Max归一化适合将特征缩放到固定区间、且没有极端离群值的情况。有一道题问“为什么SVM在使用RBF核前通常需要做标准化”正确答案是“避免取值范围大的特征在距离计算中占主导地位”。SVM的核函数计算本质上是特征空间中的内积或距离特征尺度不一致会直接扭曲核函数结果这点和KNN类似。3. 深度学习高频考点精讲3.1 神经网络基础与反向传播深度学习部分虽然占比不如机器学习基础但考察的知识点非常集中反向传播原理、激活函数对比、卷积神经网络的核心概念、循环神经网络与Transformer的基础概念。这些内容在2019年秋招时已经是算法岗笔试的标配了。激活函数是当之无愧的高频考点。有一道多选题问“以下哪些激活函数存在梯度消失问题”正确选项是sigmoid和tanh。sigmoid的导数最大只有0.25多层叠加之后梯度会指数级衰减tanh虽然以0为中心、导数最大为1但饱和区的导数同样趋近于0。ReLU在正区间导数恒为1能够有效缓解梯度消失但在负区间导数为0可能导致神经元死亡。Leaky ReLU通过给负区间一个很小的斜率来解决这个问题。反向传播的考察通常不会要求完整推导而是考察理解层面反向传播是“利用链式法则从输出层到输入层逐层计算梯度并更新参数”。有一道选择题给了计算图问某个中间变量的梯度表达式这就需要在计算图上做局部梯度相乘。掌握“上游梯度乘以局部梯度”这个核心规则这类题基本不会丢分。3.2 卷积神经网络与图像识别要点卷积神经网络在顺丰的业务里主要对应面单识别、OCR、包裹损坏检测等场景。笔试考察的重点是卷积层、池化层的作用和特征图尺寸计算。有一道典型的计算题输入图像尺寸为32x32卷积核大小为3x3padding为1stride为1问卷积后特征图尺寸是多少。公式是输出尺寸 (输入尺寸 - 卷积核尺寸 2×padding) / stride 1代入即得(32 - 3 2×1)/1 1 32。所以答案输出尺寸不变。这类题只要记住公式就不容易错但要注意padding和stride的取值尤其是stride大于1时如果除不尽很多实现默认向下取整。池化层考察的核心是“池化为什么能提升模型的平移不变性”以及“最大池化和平均池化的区别”。最大池化保留局部区域最强烈的响应更适合提取边缘、纹理等特征平均池化对背景信息更平滑。有一道题问“最大池化的作用”答案方向是“降低特征图空间尺寸、保留主要特征、减少计算量”。要特别注意“防止过拟合”不是池化层的主要作用——虽然有轻微正则化效果但它的核心职责是降采样。3.3 RNN、LSTM与注意力机制2019年秋招恰好赶上NLP技术大更迭的节点RNN、LSTM和注意力机制的对比题相当有代表性。有一道题问“LSTM中遗忘门的作用”正确方向是“决定上一时刻的细胞状态中有多少信息被保留到当前时刻”。在顺丰场景里LSTM曾经用于运单时效预测和客服语句理解是当时最常用的序列建模方案。注意力机制是当年的热点。有一道选择题问“注意力机制的核心思想”正确方向是“在解码每个输出时根据输入序列的不同位置分配不同的权重”。如果用生活化的方式理解就像你在看一张快递面单时眼睛会优先聚焦在收件人姓名、电话、地址这些关键字段上而不是平均分配注意力给整张面单。这个概念理解到位了Transformer相关的基础题也就有了根基。3.4 训练策略与优化器选择深度学习的训练策略也是考点优化器选择是其中最常见的问题。2019年这套题里出现了关于SGD、Momentum、Adam的一道多选题问“以下哪些优化器属于自适应学习率方法”正确选项是Adagrad、RMSProp、Adam。SGD和Momentum虽然广泛应用但学习率是手动设定的不属于自适应方法。关于学习率的选择有一道判断题问“训练神经网络时学习率设置过大会导致损失函数震荡甚至发散”答案为正确。很多人只记住了“学习率大收敛快”却忽略了过大的学习率会在最优点附近反复横跳甚至直接越过最优点。实际工程中可以用warmup 余弦退火的学习率策略前期用小学习率让模型稳定启动中期用较大学习率快速收敛后期用余弦衰减让参数在最优区域精细调整。这套东西在笔试里虽然不会直接考策略名但理解其背后的原理对做判断题很有帮助。另外Batch Normalization是2019年的高频考点。有一道题问“BN层的作用”正确方向包括“加速训练收敛”“缓解梯度消失”“允许使用更大的学习率”。BN的核心逻辑是对每个mini-batch在通道维度上做归一化再将归一化结果通过可学习的缩放和平移参数进行还原本质上是在每一层输入分布不稳定的时候强制拉回到均值为0、方差为1的标准分布附近让后续层不必不断适应前层参数变化带来的分布漂移。4. 数学基础与数据结构常考内容4.1 概率统计重点题型概率统计在客观题里占比约15%基本都是贝叶斯公式、条件概率、常见分布、期望与方差等经典内容。有一道题很典型某地区快递延误率为5%延误件中有60%是天气原因导致的问随机抽一件延误件它是天气原因导致的概率是多少。这就是直接套条件概率P(天气|延误) 60%很多人在这种绕弯子的题里容易自己把自己绕晕关键在于看清楚“条件”和“结论”的指向哪个事件。贝叶斯公式的题目更常见。比如一个典型的“疾病检测”模型题某种异常检出率1%检测方法的灵敏度99%假阳性率2%问检测结果为阳性时真正异常的概率是多少。这个问题看起来复杂其实就是P(异常|阳性) P(阳性|异常)P(异常) / P(阳性)其中P(阳性) P(阳性|异常)P(异常) P(阳性|正常)P(正常)。代入数值算出结果并不难。核心是不要被“99%”这个数字迷惑要先列全事件空间正确求出分母。期望与方差的考察比较友好常规考点是“方差的性质”Var(aXb) a平方Var(X)以及独立随机变量之和的方差等于方差之和。只要理解这两个性质相关选择题基本都能应对。但要注意这题有个常见错误选项是“Var(aXb) aVar(X)b”这是初中生级别的错误记忆但真到考场紧张时还是有人会选错。4.2 线性代数核心概念线性代数在笔试中的考察主要集中在矩阵乘法、特征值与特征向量、正定性、向量空间等基础概念。有一道题问“矩阵A的特征值为λ对应的特征向量为v则A的平方的特征值是多少”答案就是λ的平方。特征值分解在PCA里的应用是经典考点PCA本质上是求解协方差矩阵的特征向量特征向量方向就是主成分方向特征值的大小衡量了对应方向上的方差贡献度。要补一句在准备这类题时不要只背概念要理解它们和机器学习算法的关联。比如PCA是特征值分解的应用SVM的核函数隐含了特征空间的映射线性回归的闭式解涉及矩阵求逆。顺丰笔试的数学题虽然不深入但都很注重“这个数学概念在机器学习里怎么用”的考察这反而是很多数学基础不错但没接触过机器学习的候选人容易丢分的地方。4.3 数据结构与算法高频题数据结构与算法部分顺丰这套题里占15%左右主要考察时间/空间复杂度分析、常见数据结构的特点、基础算法思想。不会出需要完整手写代码的题而是以概念和逻辑分析为主。时间复杂度分析是送分题也是陷阱题。有一道题问“双层循环内层循环j从1累加到n外层i从1到n内层每次执行常数操作总共执行多少次”这样的复杂度分析答案是O(n的平方)。更值得注意的是递归算法的时间复杂度分析比如斐波那契数列的朴素递归实现是O(2的n次方)指数复杂度而自顶向下加备忘录是O(n)。这种对比题很能考察对“算法优化本质”的理解。常见数据结构考察包括栈的先进后出、队列的先进先出、哈希表的平均O(1)查找、二叉搜索树的平均O(logn)查找和最坏O(n)退化。有一道题问“以下哪种数据结构最适合实现LRU缓存淘汰策略”正确答案是“哈希表双向链表”。这道题虽然是工程向的经典题但在笔试里出现说明顺丰科技对候选人的工程基础有要求。LRU的核心逻辑是哈希表提供O(1)的查询双向链表提供O(1)的删除和插入两者结合才能实现在缓存满时快速淘汰最久未使用的数据。排序算法也是高频考点。快排的平均时间复杂度O(nlogn)和最坏O(n的平方)归并排序稳定且时间复杂度稳定在O(nlogn)堆排序空间复杂度O(1)但不稳定。有一道多选题问“以下哪些排序算法是稳定的”正确选项是归并排序和插入排序快排、堆排、选择排序都不稳定。这类题虽然基础但真能完全做对的人不多因为很多人只记住了“快排快”却没记住它的稳定性。4.4 大数据与工程化基础考察点最后这部分是顺丰科技比较有特色的考察领域约10%直接反映岗位的工程化要求。考点包括Spark与MapReduce的基础概念、Linux常用命令、数据库基础SQL、网络基础。有一道题问“MapReduce中shuffle阶段发生在map端和reduce端之间的哪个环节”正确答案是“map端输出后、reduce端输入前”。这个考点看似偏大数据工程但和机器学习训练中的数据混洗也有一定关联。理解shuffle本质是数据按照key重新分区、排序、传输的过程不仅仅是为了背诵面试题对理解分布式机器学习框架的数据流转也有帮助。Linux命令考察比较基础比如“查看GPU使用情况的命令是nvidia-smi”“查看进程的命令是ps -ef”“查看端口占用的是netstat -tlnp”。这些在算法工程师日常工作中几乎是每天都要用到的可以说笔试考的确实是实际工作能力。数据库的题目主要是SQL基础。有一道简单的查询题要求从运单表中统计每个城市的运单数量按数量降序排列。正确答案是SELECT city, COUNT() FROM orders GROUP BY city ORDER BY COUNT() DESC。这题与其说是考SQL语法不如说是考字段聚合和排序的逻辑是否清晰。5. 真题解析与高分实战策略5.1 高频易错题专项解析我挑了3道高频易错题专门讲讲为什么容易错、怎么才能不错。第一道关于L1和L2正则化。题干是“以下关于L1正则化和L2正则化的说法正确的是”。选项包括“L1正则化能产生稀疏解可用于特征选择”“L2正则化能防止过拟合但不能产生稀疏解”“L1正则化会使权重向0收缩但不等于0”“L2正则化等价于对权重施加L2范数惩罚”。正确答案是1、2、4。很多人漏选2觉得L2“不只是防过拟合”这里的问题在于L2正则化确实是通过限制权重规模来提升泛化能力、防止过拟合这个表述是准确的。“L1正则会使得部分权重变为0、但不会都变为0”才是正确理解所以第3项的错误在于“向0收缩但不等于0”这个说法更贴近L2的行为L1是直接把部分权重变为0。第二道关于梯度消失。题干是“在深层神经网络中使用sigmoid作为激活函数容易导致梯度消失原因是什么”。正确方向是sigmoid导数最大值为0.25多层连乘后梯度迅速衰减。这个题的易错点在于有人会选“sigmoid函数输出值域在0到1之间导致梯度不易传播”这不是核心原因。关键是导数小于1导致的连乘效应。第三道关于AUC。题干是“以下关于AUC的说法正确的是”。选项包括“AUC的取值范围是0到1”“AUC为0.5表示模型没有区分能力”“AUC越大模型性能一定越好”“AUC衡量的是正样本得分大于负样本得分的概率”。正确答案是1、2、4。第3项的问题在于AUC只是衡量排序能力的指标在类别极度不平衡、或者业务更关注特定召回率下的精确率时AUC大并不完全等价于模型一定更好。这类题考察的是对指标本质的理解而不是机械记忆。5.2 时间分配与答题策略我见过太多人在笔试时栽在时间分配上。顺丰科技这套客观题总时长通常在60到90分钟题量在50到70道之间。平均下来每题只有1分多钟的时间。我的建议是优先做自己有把握的单选题和判断题快速锁定分数多选题放在第二优先级但不要在单道上纠结超过2分钟遇到需要复杂计算的概率题和特征图尺寸题先跳过或标记最后再统一处理留出最后10分钟检查易错题尤其是多选题的选项完整性。为什么多选题要放在后面因为多选题容错率低做错一道容易连带影响心态。先把能拿的分稳稳拿住再啃硬骨头这是考试的基本逻辑也是职场做事的基本逻辑。另外要提醒一点笔试答题系统通常不允许返回修改已提交的题目所以遇到没把握的题先不要急着提交先做标记等全部题目过完一遍再回头改。我见过不少人在时间还剩很多的情况下提前交卷结果白白丢分。5.3 针对性复习建议与资料搭配针对顺丰科技这套题的风格如果你是准备类似企业的算法岗笔试我建议按以下优先级来复习第一优先级机器学习基础。重点是逻辑回归、SVM、决策树、朴素贝叶斯、KNN、集成学习每个算法的原理、损失函数、适用场景、优缺点都要能说清楚。配合周志华《机器学习》西瓜书和李航《统计学习方法》一起看前者建立整体框架后者深挖数学细节。对于非科班出身的同学西瓜书前几章啃下来基本能覆盖笔试里的大部分考点。第二优先级深度学习基础。激活函数、反向传播、CNN、RNN、LSTM、注意力机制、优化器对比。不需要会手动推导整个反向传播公式但至少要能理解链式法则的核心思想。吴恩达的《深度学习专项课程》在这个阶段帮助最大逻辑清晰、有大量直观解释。第三优先级数学基础。概率论中的贝叶斯、期望、方差线性代数中的特征值分解这是最容易拿分也最容易丢分的部分。建议用“做题查漏”的方式找一套概率论和线性代数的考研真题把基础题吃透就行不用碰偏题怪题。第四优先级数据结构、Linux、SQL。这类题占比不大但都是“背了就能拿分”的内容。每天花30分钟过一遍常见排序算法复杂度表和常用Linux命令性价比非常高。5.4 考后复盘与面试衔接笔试结束后的复盘其实和笔试本身同样重要。我建议在做完笔试后无论结果如何都把拿不准的题记录下来逐个查资料确认。这套客观题里的知识点在接下来的面试环节大概率还会出现。比如笔试里考了LSTM的遗忘门面试官很可能接着问“LSTM为什么能缓解梯度消失”“遗忘门和输入门的关系是什么”这类更深的问题。又比如笔试里考了AUC面试官可能让你画ROC曲线、解释为什么曲线越靠近左上角越好。也就是说客观题不是终点而是面试的准备清单。顺丰科技的面试环节通常包括自我介绍、项目深挖、技术基础问答、手撕代码、业务场景设计。其中业务场景设计和物流场景强相关比如给定一个快递时效预测任务你会怎么设计特征、选什么模型、怎么评估。这要求你在准备面试时除了刷理论题还必须对物流场景下的算法应用有基本认知。建议多看看顺丰科技在公开渠道分享的技术博客他们对运单OCR识别、智能分单、时效预测这些场景都有不错的落地经验分享。结合我自己的经验最后分享一个准备这类笔试的高效方法不要按顺序从头刷题而是按模块刷题定期自测。具体操作是先花两周把机器学习基础、深度学习基础、数学基础的核心知识点各过一遍然后开始做整套的模拟笔试题每做完一套题就把错题对应的知识点单独拉出来回到教材里补强。这个过程持续到考试前两周就开始重点背高频考点和易混淆概念比如各种排序算法的稳定性、激活函数的导数范围、正则化的区别这些属于“看一眼就能拿分”的内容放在冲刺期复习性价比最高。回到开头说的顺丰科技2019秋招这套客观题合集本身已经过去了好几年但里面的命题思路和知识点分布在今天的算法岗笔试中依然有很强的参考价值。算法岗的考察虽然每年都在变但对基础理论的重视、对工程能力的关注、对业务理解的强调这三个核心方向始终没有变过。把基本功打扎实再配合针对性的真题训练无论面对哪家企业的算法岗笔试心里都会更有底。