知乎高贊：面試官如何判斷面試者的機器學習水平？

↑↑↑點擊上方藍字，回覆資料，10個G的驚喜


   
   
   

 
    
    
    

  
     
     
     

   
      
      
      

    
       
       
       
 
        
 
         來源：機器學習初學者 
        
 
       
   
      
      
      
  
     
     
     
 
    
    
    

   
   
   

   
   
   

 
    
    
    

  
     
     
     

   
      
      
      

    
       
       
       

   
      
      
      
  
     
     
     
  
     
     
     

   
      
      
      

    
       
       
       
 
        
 
         
 
          本文約2500字，建議閱讀8分鐘 
         
 
         
本文爲你整理高贊回答。
 
        
 
       
   
      
      
      
  
     
     
     
 
    
    
    

   
   
   

高贊回答一

作者：wei chris

鏈接：https://www.zhihu.com/question/62482926/answer/210794177

幾個必問的問題：

• 問一些面試官和麪試者都熟悉的問題，把握一下面試者的深度；

• 問一些面試官熟悉，而面試者不熟悉的問題，考察一下應變和理解力；

• 問一個面試官不熟悉，而面試者熟悉的問題，考查一下表達；

• 問個過往項目，有什麼地方可以優化。考查一下迭代意識；

• 給一個公司現有項目問題，看看解決實際問題能力。

機器學習技術日新月異，面試者的技能儲備和公司需要嚴絲合縫的匹配，其實很難。核心能力不錯的話，其實已經可以了！

高贊回答二

作者：王喆
鏈接：https://www.zhihu.com/question/62482926/answer/529823808

自己拿過Hulu，阿里，騰訊，美團的算法工程師offer，也作爲面試官面試過100+候選人，簡單談一下機器學習工程師的面試，說白了就一句話：

把你做過的機器學習項目的細節講清楚，有自己的理解，對經典的以及前沿的機器學習知識有所瞭解。

機器學習面試要考察三方面的內容：

• 理論基礎

• 工程能力

• 業務理解

之前有的答主羅列了幾乎所有知識點，面試者能夠逐一準備當然是好的，但我不相信有任何人能夠對所有問題有深入的理解。也正因爲這一點，面試官一般不會大面積的深入考察所有知識點，面試時間也不允許，但資深一點的面試官只要從簡歷出發問你一個項目，這三方面的能力也就都考察到了。畢竟魔鬼躲在細節裏嘛。

我記得我的一位面試同學介紹自己實習時候用過XGBoost預測股票漲跌，那面試官會由淺入深依次考察：

• GBDT的原理 （理論基礎）
• 決策樹節點分裂時如何選擇特徵，寫出Gini index和Information Gain的公式並舉例說明（理論基礎）
• 分類樹和迴歸樹的區別是什麼？（理論基礎）
• 與Random Forest作比較，並以此介紹什麼是模型的Bias和Variance（理論基礎）
• XGBoost的參數調優有哪些經驗（工程能力）
• XGBoost的正則化是如何實現的（工程能力）
• XGBoost的並行化部分是如何實現的（工程能力）
• 爲什麼預測股票漲跌一般都會出現嚴重的過擬合現象（業務理解）
• 如果選用一種其他的模型替代XGBoost，你會選用什麼？（業務理解和知識面）

除了上面的問題，我會再檢查一下面試者對NN，RNN，個別聚類算法，模型評估等知識的理解程度以及對GAN，LSTM，online learning是否有基本理解，這是考察面試者對經典以及前沿的機器學習知識的瞭解程度。再稍微檢查一下面試者對工具的瞭解程度，寫一段簡單的spark或者map reduce的程序，如果無誤的話，那麼可以說這位面試者的機器學習部分是完全合格的。

當然，如果你介紹的項目是用CNN實現的，這條考察線路當然是不一樣的，大概會是：“ LR推導->梯度消失->激活函數->TensorFlow調參經驗"這條路，大家體會意思就好。 除此之外，還有其他工程方向的面試官會着重考察coding和一些算法題目，那是另外一個話題了。

根據我去年的面試經驗，即使清華北大的同學也往往無法回答完整這些提問。一項答不出來的話無傷大雅，但兩項答不出來我基本會給fail或maybe。

所以真的希望大家嚴肅對待寫在簡歷上的東西，面試官會刨根問題的問到骨子裏。但就我個人而言我不會深究面試者簡歷之外的東西，比如故意問一問GAN的細節讓你一定要答出來，我認爲這樣毫無意義，有故意刁難之嫌。

最後再談一談對算法工程師面試更深一點的理解，其實面試的根本目的是找一個你願意在一起工作的靠譜的工程師。

那麼對於公司來說，什麼人靠譜呢？有不錯的知識儲備，有鑽研問題的能力。所以面試官不僅會考察你知識的廣度，還會考察你項目的深度。只有深度沒有廣度，你學習新問題花的時間可能會過長，這不符合公司的利益，只有廣度沒有深度，你可能不具備攻堅克難的素質和潛力，這也不是一個合格工程師的標準。另外我們招的是工程師，不是科學家，不要求你是理論全才，不用樣樣精通，但因爲招的是工程師，你得懂得解決業務問題，你要熟練的使用工具。

那什麼人你願意一起工作呢？ 對於工程師來說，當然是能一起討論問題，一起碰撞出新的idea的人，所以面試的時候很多面試官會問你一些開放的問題，就像上面說的“如果選用一種其他的模型替代XGBoost，你會選用什麼？”。面試官其實不期待你給出什麼高大上的答案，他們希望的是你去說出你的想法，你去跟面試官討論迭代，一起解決這個問題。其實這一點是很多面試者缺少的。也許有的時候是由於緊張或者不自信，你不願意說出自己初級的想法，這樣的考慮是多餘的，沒有任何解決方案一開始是完美的，大膽說出你的想法，講的條理清晰，也許面試官會幫你完善你的方案，這就是一個你願意共事的人的標準。

高贊回答三

作者：匿名用戶
鏈接：https://www.zhihu.com/question/62482926/answer/221091254

灣區某司員工，我們組在招 ML Engineer/Data Scientist，所以近幾周面了不少人，有電面有onsite，講一下個人經驗。

首先我很佩服高票回答能在面試中問那麼細的，就我的經驗而言，電面或onsite一場無非一個小時左右，對於單個面試官來說，能對面試者機器學習方面的基礎知識和數理、編程基礎有些瞭解就很不錯了。由於面試流程所限，在我司根本不可能有讓人花大半個小時悶頭實現個神經網絡。

因爲我們組偏重應用，做機器學習的目的都是爲了解決實際問題，所以招人時對機器學習知識和工程能力都有要求。基本上每個人都要有能力做到：建模、跑實驗、作分析、清理大量數據（TB級以上）、實現並部署模型到生產環境。所以我下面描述的面試內容並不僅限於機器學習。

一般來說面試流程中， 有以下兩類面試情形：

• 情形A: 偏重機器學習基礎、數理知識，及利用機器學習解決問題的能力。

單場面試：

1. 問一下做過的項目，挑一個最有意思的詳細問。
2. 問一道涉及機器學習簡單數學推導的題，一般是概率或者優化之類，然後要求寫代碼實現。
3. 給一個實際的應用場景，要求面試者設計基於機器學習解決方案：從用什麼模型，用什麼特徵到怎麼部署到生產環境，什麼都可以問。一般題目都是簡化自我們工作中實際遇到過的問題。

• 情形B: 偏重算法數據結構、大數據處理、機器學習系統實現等。

單場面試：

1. 問一道一般的算法題，不至於太難，一般用來測試面試者對常用的數據結構是否熟悉，工程能力是否紮實，寫代碼時思維溝通是否清晰，還有代碼風格之類。
2. 問一道涉及MapReduce的題，當然不會是最簡單的那種word count，一般也是需要一定思考的。
3. 問一些關於機器學習系統的題，比如分佈式算法，比如在線學習的系統如何設計等等。

總結

其實還有很多不錯的回答，大體上與以上三個回答類似，我就不一一列舉了。祝大家面試順利！

 
    
    
    

  
     
     
     
 
    
    
    
 
    
    
    

  
     
     
     

 
    
    
    



   
   
   

 
    
    
    

  
     
     
     

   
      
      
      

    
       
       
       
 
        
 
         
 
          
推薦閱讀
 
         
 
        
 
        
 
         
（點擊標題可跳轉閱讀）
 
        
 
        
 
         
 
          
 
           
 
            
論機器學習領域的內卷
 
            
機器學習博士自救指南
 
            
機器學習必知必會的 6 種神經網絡類型
 
            
你見過的最全面的Python重點知識彙總
 
            
100天搞定機器學習：寫YAML配置文件
 
            
100天搞定機器學習：模型訓練好了，然後呢？
 
           
 
          
 
         
 
        
 
       
   
      
      
      
  
     
     
     
 
    
    
    

   
   
   
老鐵，三連支持一下，好嗎？↓↓↓

本文分享自微信公衆號 - 機器學習算法與Python實戰（tjxj666）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。