篱笆资讯
应届生求职：想做数据科学家和机器学习工程师，如何准备面试（4）
机器学习应用类问题
第三类题是机器学习应用类问题，也是几类问题中难度最大的，同时也是最常被考的题型。这类题型，通常是面试官先给你一个很开放的问题，并希望你在一定时间内设计一个合适的机器学习解决方案。为了评估我们对于各类模型的熟练程度和经验水平，面试官会不断质疑你，比如模型的选择，并深入细节，比如如何处理数据如何评估准确度等。以下是一些示例问题：
- 一般问题
- 如何设计文本分类模型？
- 如何设计图像分类模型？
- 如何检测垃圾邮件？
- 如何检测垃圾账户？
- 特定领域的问题
- 如何设计推荐系统？
- 如何设计预计到达时间 (ETA) 模型？
- 如何设计查询和排名系统？
如果你是new graduates或者很少有行业经验，通常你会被考第一类问题；相反，如果有一定的经验，则更多会考察你针对特定领域问题提供解决方案的能力。
如何回答机器学习应用类问题
开始之前，首先需要明确这个模型需要实现的目标、可用的数据和一些限制条件。澄清这些问题之后，可以选择先走一遍整体思路，然后和面试官讨论。我们帮大家梳理了一个比较清晰的结构，大家可以参考：
- 数据
- 清理数据并处理异常值
- 特征工程
- 思考可能要用到的feature
- 如果有必要，可以设计新feature
- 模型选择与实现
- 选择和问题匹配的1-2个模型
- 讨论模型的优缺点
- 训练、模型调整和评估
- 确定评估指标
- 设计模型训练、验证和结果评估的策略
- 讨论提高模型效率的方法
如何准备机器学习应用类问题
在准备机器学习应用类问题时，分一般问题和特定领域的问题，准备方法有所不同。
一般问题
一般问题
Kaggle社区中发布了许多简单直接的机器学习问题和非常丰富的解决方案。我们很建议大家尝试自己完成一个项目，然后将自己的方案与其他解决方案进行比较，不断完善自己的解题框架和答案细节。比较的时候，可以分别看看仔细看看EDA、数据清洗、特征选择、模型选择和模型评估等各方面的问题。如果能够高质量完成几个项目的训练，那么应对面试中比较通用的机器学习应用问题，应该是游刃有余
特定领域的问题
这类问题需要有真实的工作经验才能给出比较好的答案。当然没有第一手经验，不代表没办法通过面试。最高效的准备方法是阅读研究论文。阅读论文时，重点关注数据格式、特征工程、模型架构和结果/发现，因为这些通常是面试的重点。有些论文，你甚至可以找到作者的会议演讲录音，这能更快的帮助我们掌握论文内容。
那么该去哪里可以学习的论文呢？其实方法很简单，直接在谷歌学术上搜索关键词即可，然后选择引用次数最多的前三篇。下面我们帮大家整理了一些与推荐系统相关的论文，你也可以用类似方法找到其他领域的论文
- 用于 YouTube 推荐的深度神经网络（论文）
- DeepFM：一种用于 CTR 预测的基于分解机的神经网络（论文）
- 推荐系统的深度学习（会议演讲）
- 推荐系统的深度学习 | Alexandros Karatzoglou（会议演讲）
基于项目的机器学习问题
与机器学习应用类问题类似，这类问题也是在评估候选人的专业水平，只不过这类问题根据你的面试官背景的不同，有可能完全是tech-driven，也有可能和tech无关。
通常，在这类问题的面试中，面试官可能会先让你介绍一个你从事过的机器学习项目，或者询问你简历中列出的项目。一开始，会需要你描述项目的背景。然后，面试可能会转向询问技术细节、业务影响或领导力相关，问题的方向取决于面试官的背景。这些问题可能有：
- 数据量大小？你是如何选择feature的？
- 你为什么选择这个模型？你试过不同的模型吗？
- 如何评估模型性能（在线和离线）？
- 对产品有什么影响？
- 你和其他团队合作过吗？你是否领导了这个项目的部分流程？
如何回答基于项目的机器学习问题
这类问题的关键其实我们在其他的文章中经常提到，“互动！互动！互动！”。用对话/聊天的方式展示你自己的项目，而不是单向的输出。我们建议可以使用下面的步骤来描述项目：
- 用 1 -2 句话总结项目的基本情况，包括项目目标、你的角色等，然后介绍这个项目带来的效果，比如模型性能的提升或公司收入等，能量化最好量化。
- 突出项目的 2 到 3 个困难，例如数据量大小、数据质量、模型训练和部署等。
- 与面试官分享一下，你从项目获得的一些感悟或者是一些发现。
- 如果面试官对你的领导力和影响力和更感兴趣，那么可以谈谈我们所做的1-2个非技术贡献，比如提出想法、发起会议以及与团队中其他人的合作共赢。
为了让面试官尽可能多的参与进来，一旦我们谈完了每个部分，都要和面试官确认下一步的动作，是需要更多背景信息还是继续下一点？
如何准备基于项目的机器学习问题
可以采取三个步骤来准备这些类型的问题：总结项目、思考技术细节并重复练习。
总结你的项目
最重要的是总结项目的目标和影响，尽量用简明扼要的词语概括它们，以便面试官能够轻松理解上下文。为了描述项目和你的贡献，这里可以忽略大部分关于基础工作的细节，而是侧重在你面临的挑战和已经取得的结果。以下是一些帮助你总结项目的问题：
- 项目的业务影响（例如模型准确度、业务收入）是什么？
- 其他人或整个团队如何从该项目中获益？
- 该模型是否可以扩展以解决其他业务问题？
仔细考虑技术细节
面试官很可能对技术细节更感兴趣。在这种情况下，准备面试过程中一定要了解项目模型的理论基础和实现过程，可以尝试问问自己下面的这些问题是否能准确回答：
- 数据处理：
- 你使用了多少feature？
- 你是如何选择feature的？
- 是否设计了新feature？怎么设计的？
- 模型：
- 试验了哪些模型？
- 模型表现有何不同？
- 是否尝试过更简单的模型（例如线性回归）？为什么需要使用更复杂的模型？
- 模型细节：
- 你调整的参数是什么？
- 你是如何调整参数的？
- 模型评估：
- 使用了哪些离线和在线评估指标？
大声练习
不论准备多么细致，最终一定要说出来。可以对着镜子模拟面试场景，可以找人帮忙做模拟面试，也可以自己录音回头听自己的回答
直连行业大牛导师，1v1模拟面试与求职指导
实战与求职精品课程
2000+名企面试真题
