关于”算法工程师/机器学习工程师”的笔试和面试总结

从16年九月份开始，参加了一些公司的算法工程师/机器学习工程师岗位的校园招聘，做一些总结，希望可以给大家准备这个职位提供些信息。

一、需要的基本技能

1. 数据结构知识
2. 掌握一门编程语言，c/c++/Java/Python
3. 机器学习常用算法或者某一细分领域（推荐，自然语言处理，图像识别，语音识别等）的常用算法

二、笔试和面试内容

大多是技术笔试然后二到三轮的技术面试

1. 技术笔试都是考察基本的计算机知识，概率统计相关题目，智力题，linux常用命令和编程/算法能力等

   • 计算机知识包括：
     主要是数据结构包括数组，增删链表，树，排序算法等。也可能会有数据库基本语句，操作系统进程和 线程相关的，计算机网络的TCP/IP协议部分）
   • 编程能力：
     一到三道在线编程题目
   • 算法能力：
     给出一个场景，回答使用什么算法去建模解决

2. 面试问题

   • 机器学习常用算法，例如：
     
     • 决策树的ID3，C4.5，CART等，决策树的split原理和剪枝策略
     • 神经网络如何工作
     • SVM的原理及公式推导
     • 朴素贝叶斯的公式
     • Bagging 和 Boosting的区别
     • GBDT的参数怎么调
     • 聚类过程
     • 偏差和方差是什么，高偏差和高方差说明了什么
     • 怎么理解损失函数，SVM的损失函数是什么，写出公式
     • 过拟合怎么解决，L1和L2正则化有什么区别
     • 为什么用最小二乘而不是最小四乘
     • GB和牛顿法的区别，它们和泰勒公式的关系

   • 数据结构算法知识，手写代码，例如：

     • 最大子数组和
     • 快速排序
     • 字典排序

   • 特征工程

   • PCA的原理

   • 数据结构算法知识，手写代码，例如：

     • 最大子数组和
     • 快速排序
     • 字典排序

   • 编程能力，考察熟悉的编程语言的相关知识，编程语言掌握一门即可，例如：

     • java：static的作用，hashmap，arraylist和linklist的区别，多线程
     • c/c++：实现strstr(判断一个字符串是否是另一个的子串)

   • 编程能力，考察熟悉的编程语言的相关知识，编程语言掌握一门即可，例如：

     • java：static的作用，hashmap，arraylist和linklist的区别，多线程
     • c/c++：实现strstr(判断一个字符串是否是另一个的子串)

     • python：安装Python的命令是什么，用python读取一个文件，一行一行的输出（不能用库函数）

     • python：安装Python的命令是什么，用python读取一个文件，一行一行的输出（不能用库函数），python常用库

   • 大数据开发能力：Hadoop/Hive/Map Reduce开发，例如Map Reduce 写 word count

   • 深度学习知识：

     • 深度学习框架
     • CNN：什么是卷积，为什么要padding(根据简历的具体项目问

   • Udacity的机器学习项目P0和P1，如果写，请想好如下问题：

     • P0（泰坦尼克号项目）：预测这个有啥用？召回率是多少？（题目中并没有算）
     • P1（预测波士顿房价）：特征都是离散的，为什么用决策树？
       （虽然是用的决策回归树，但我也没想 到更好的回答的方式）。。。

这些面试题目仅供大家参考，各个公司问每个人的也不一样，会根据公司的需求，个人简历上的项目问

三、总结：

1. 各个公司的侧重点不太一样，有的公司侧重数据分析/数据挖掘(京东，笔试题好多spass)，有的公司偏向推荐算法(协同过滤，CTR点击率预估）（美团，汽车之家也很注重思维能力），用户画像（百度的百家号），有的公司侧重大数据开发（要求里写了Hadoop/Hive）（中国移动），有的公司更侧重算法层面，建模能力(滴滴）

2. 如果是面试自然语言处理（NLP），图像识别，语音识别之类的公司，基本是要求深度学习知识的。创业公司的话，要求关注最新会议，跟paper，关注领域内最新进展

四、推荐网站和书目

推荐编程刷题网站：牛客网，Leecode
推荐书目《剑指offer》(c++)，《程序员代码面试指南》（java编写），
《机器学习（周志华著）》（西瓜书），《统计学习方法（李航著）》

五：一些建议：

掌握基本知识后要确定好自己的目标，机器学习是一个大的方向，还有很多细分，究竟是要做文本，推荐，图像还是语音识别，差别都很大，人不可能面面俱到，掌握好一个领域的内容就很厉害啦~~

六：数据分析与机器学习的区别

个人的一点理解，具体还是看岗位要求怎么写的
数据分析偏向统计一些，要会SQL/Spass/SAS等数据分析软件等，更适合数学和统计专业
* 大数据开发能力：Hadoop/Hive/Map Reduce开发，例如Map Reduce 写 word count

• 深度学习知识：

   * 深度学习框架
   * CNN：什么是卷积，为什么要padding(根据简历的具体项目问
  

  • Udacity的机器学习项目P0和P1，如果写，请想好如下问题：
    
    • P0（泰坦尼克号项目）：预测这个有啥用？召回率是多少？（题目中并没有算）
    • P1（预测波士顿房价）：特征都是离散的，为什么用决策树？
      （虽然是用的决策回归树，但我也没想 到更好的回答的方式）。。。

这些面试题目仅供大家参考，各个公司问每个人的也不一样，会根据公司的需求，个人简历上的项目问

三、总结：

1. 各个公司的侧重点不太一样，有的公司侧重数据分析/数据挖掘(京东，笔试题好多spass)，有的公司偏向推荐算法(协同过滤，CTR点击率预估）（美团，汽车之家也很注重思维能力），用户画像（百度的百家号），有的公司侧重大数据开发（要求里写了Hadoop/Hive）（中国移动），有的公司更侧重算法层面，建模能力(滴滴）

2. 如果是面试自然语言处理（NLP），图像识别，语音识别之类的公司，基本是要求深度学习知识的。创业公司的话，要求关注最新会议，跟paper，关注领域内最新进展

四、推荐网站和书目

推荐编程刷题网站：牛客网，Leecode
推荐书目《剑指offer》(c++)，《程序员代码面试指南》（java编写），
《机器学习（周志华著）》（西瓜书），《统计学习方法（李航著）》

五：一些建议：

掌握基本知识后要确定好自己的目标，机器学习是一个大的方向，还有很多细分，究竟是要做文本，推荐，图像还是语音识别，差别都很大，人不可能面面俱到，掌握好一个领域的内容就很厉害啦~~

六：数据分析与机器学习的区别

个人的一点理解，具体还是看岗位要求怎么写的
数据分析偏向统计一些，要会SQL/Spass/SAS等数据分析软件等，更适合数学和统计专业
机器学习要求编程能力较强，即算法实现能力，更适合数学和计算机专业

七：感受到的现状

机器学习是一个相对开发来说较新的职位，一些公司也开始增加这些职位，需求还是有的，要求也较高

机器学习要求编程能力较强，即算法实现能力，更适合数学和计算机专业

以上是一些笔试面试总结，仅供大家参考，欢迎大家补充交流和批评指正

2016年11月