机器学习面试

第 3 章 技术面试 技术面试：机器学习算法

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

在第 1 章中，您了解了 ML 面试的各个步骤。在第 2 章中，您了解了如何将自己的经历与感兴趣的职位联系起来，以及如何制作一份相关的简历。前几章的目标是让你获得面试邀请。在本章中，我将重点介绍 ML 算法。大家还记得，面试流程如图 1-9 所示，而 ML 算法面试只是技术面试的一部分；其余部分，如 ML 培训和评估、编码等，将在后续章节中介绍。

机器学习算法概述技术面试

如果您申请的是以下职位，您很可能会在面试中被问到 ML 算法技术问题：

• 建立 ML 模型的数据科学家

• 机器学习工程师

• 应用科学家

• 以及类似的角色

回想一下，在常见的 ML 职位名称中（图 1-8），有一些职位负责在 ML 生命周期中训练 ML 模型。本章的重点是评估求职者的这些技能；如果你的目标职位不太注重训练 ML 模型，你可能会得到这类面试的简化版，或者完全跳过它。

该面试旨在评估您对 ML 算法的理解，尤其是理论方面。至于你如何用代码实现算法，我在第 6 章的模型部署问题和第 5 章的编码/编程技术面试中都会涉及。作为面试者，您的目标是让面试官确认您理解 ML 算法背后的基本概念。确实存在只需要知道如何用 Python 导入库的职位，但对于更高级的项目，对底层知识的理解可以帮助你定制各种 ML 方法，更好地调试模型并排除故障。正如第 1 章所述，在 ML 角色的三大支柱中，这是 ML 算法和数据直觉的支柱，它展示了你的适应能力（参见图 1-6）。在拥有复杂的 ML 用例和定制解决方案的公司中，这项技能尤为重要，因为在这些公司中，您可能会修改或组合各种现成的方法，或者从头开始创建一些东西。

备注

在篇幅允许的情况下，我尽量提及更多的常用算法，但其实还有更多的技术。请务必查看链接资源，以扩展您的学习和面试准备！

同样重要的是， ，除了理解 ML 算法的内部工作原理和基本统计方法外，您还需要成功地将这种理解传达给面试官。是的，我知道沟通技巧在本书中已被多次提及，但正是这些技巧帮助你脱颖而出，成为一名成功的应聘者。

作为一条经验法则，重要的是能够从两个层面解释算法和 ML 概念：一个是简单的 "像我五岁一样解释 "层面，另一个是更深层次的技术层面，更适合大学课程。第二个经验法则是准备好回答这些 ML 算法面试问题的后续问题。这样面试官就会知道你并不是死记硬背，而是能将答案应用到工作中的各种实际场景中。

在本章中，我将对以下主题的技术问题进行细分，以便您在面试中遇到特定问题时可以轻松参考：

• 统计技术

• 监督、非监督和强化学习

• 自然语言处理（NLP）

• 推荐系统

• 强化学习

• 计算机视觉

备注

在结构化程度很高的技术面试中， ，例如亚马逊数据科学的电话初筛，他们会问你范围明确的问题，比如要求你给出特定算法的定义。在你回答之后，他们一般会继续提问，不会再追问其他问题。有些公司会将结构化问题与自由讨论结合起来，面试官可能会对你的回答进行深入探讨，谈话内容可能会延伸到你过去的经历。

统计和基础技术

统计技术用于 每一个数据角色，而这些技术是 ML 项目的基础。因此，在 ML 面试中，你很可能会遇到涉及这一主题的问题。¹统计技术有助于建立基线模型，以便与成本更高的模型和算法进行比较，或者有助于发现是否有足够的有意义数据来建立 ML 模型。

在本书中，我将把基础回归技术以及用于训练和改进 ML 模型的各种技术放在这一部分。简而言之，这些是：（1）基础技术；（2）模型训练过程中使用的方法，如训练分割、正则化等。这些概念是后面将提到的任何类型的 ...