機器學習演算法工程師面試

⑴ 如何出彩地回答面試中基礎的機器學習演算法

機器學習方面的面試主要分成三個部分：
1. 演算法和理論基礎
2. 工程實現能力與編碼水平
3. 業務理解和思考深度

1. 理論方面，我推薦最經典的一本書《統計學習方法》，這書可能不是最全的，但是講得最精髓，薄薄一本，適合面試前突擊准備。

我認為一些要點是：
統計學習的核心步驟：模型、策略、演算法，你應當對logistic、SVM、決策樹、KNN及各種聚類方法有深刻的理解。能夠隨手寫出這些演算法的核心遞歸步的偽代碼以及他們優化的函數表達式和對偶問題形式。

⑵ 設整形變數x=10,則表達式2<x<8的值

編輯
：kenwoodjw
對於機器學習演算法工程師而言，python是不可或缺的語言，它的優美與簡潔令人無法自拔。那麼你過Python編程面試題嗎？從Python基礎到網頁爬蟲你是否能全方位Hold住？今天，為讀者們推薦一個Github項目。
在這個項目中， kenwoodjw 准備了近 300 道 Python 面試題，同時還包含解決方案與代碼。主要從 Python 基礎、高級語句、網頁應用、資料庫和測試等角度提問，讀者可只自己需要的領域。目前該項目已經完成了很多基礎和高級面試題，本文主要摘取一些 Python 面試題供大家參考。
項目地址：https://github.com/kenwoodjw/python_interiew_question
總體而言，項目有近300道面試題。雖然該項目剛開始創建，但很多Python面試題都已經提供決方案。如下所示為面試題示例：
本文截取了一些面試題及解決方案：
Python 基礎文件操作模塊與包數據類型企業面試題Python 高級設計模式系統編程如果希望機器學習面試題，可閱讀：春招已近，這份GitHub萬星的ML演算法面試大全請收下
Python 基礎
什麼是 Python？根據Python 創建者 Guido an Rossum 所言，Python是一種高級編程語言，其設計的核心理念是代碼的易讀性，以及允許編程者通過若干行代碼輕松表達想法創意。實際上，很多開發者選擇學習 Python 的首要原因是其編程的優美性，用它編碼和表達想法非常自然。
文件操作
1.若有一個jsonline格式的文件file.txt，大小約為10K，我們的處理方式為：
defget_lines(): l = []with open('file.txt', 'rb') as f:for eachline in f: l.append(eachline)return lif __name__ == '__main__':for e in get_lines(): process(e) #處理每一行數據
現在要處理一個大小為10G的file.txt文件，但是內存只有4G。如果在只修改get_lines 函數而其他代碼保持不變的情況下，應該如何實現？需要考慮的問題都有那些？
defget_lines(): l = []with open('file.txt','rb') as f: data = f.readlines(60000) l.append(data)yield l
要考慮的問題有：內存只有4G，無法一次性讀入10G文件。而分批讀入數據要記錄每次讀入數據的位置，且分批每次讀取得太小會在讀取操作上花費過多時間。
模塊與包
2.如何輸入日期， 判斷這一天是這一年的第幾天？
import datetimedefdayofyear(): year = input("請輸入年份: ") month = input("請輸入月份: ") day = input("請輸入天: ") date1 = datetime.date(year=int(year),month=int(month),day=int(day)) date2 = datetime.date(year=int(year),month=1,day=1)return (date1-date2).days+1數據類型
3.如何反轉字元串"aStr"?
print("aStr"[::-1])4.下面代碼的輸出結果將是什麼？會報錯嗎？
list = ['a','b','c','d','e']print(list[10:])
代碼將輸出[]，並不會產生IndexError 錯誤。如果嘗試用超出成員的個數的index來獲取某個列表的成員，那就會報錯。例如，嘗試獲取 list[10] 和之後的成員，會導致IndexError。然而當我們嘗試獲取列表的切片時，開始的index超過成員個數並不會產生IndexError，而是僅僅返回一個空列表。因為並不會報錯，所以這種Bug很難追蹤到。
5.請寫出一段Python代碼，實現刪除list裡面的重復元素？
l1 = ['b','c','d','c','a','a']l2 = list(set(l1))print(l2)用list類的sort方法可以保證順序不變：
l1 = ['b', 'c', 'd', 'c', 'a', 'a']l2 = list(set(l1))l2.sort(key=l1.index)print(l2)也可以這樣寫：
l1 = ['b', 'c', 'd', 'c', 'a', 'a']l2 = sorted(set(l1), key=l1.index)print(l2)
也可以用遍歷：
l1 = ['b', 'c', 'd', 'c', 'a', 'a']l2 = []for i in l1:ifnot i in l2: l2.append(i)print(l2)企業面試題
6.設計實現遍歷目錄與子目錄，抓取.pyc文件
第一種方法：
import osdefgetFiles(dir, suffix): res = []for root, dirs, files in os.walk(dir):for filename in files: name, suf = os.path.splitext(filename)if suf == suffix: res.append(os.path.join(root, filename)) print(res)getFiles("./", '.pyc')
第二種方法：
import osdefpick(obj):try:if obj.[-4:] == ".pyc": print(obj)except:returnNonedefscan_path(ph): file_list = os.listdir(ph)for obj in file_list:if os.path.isfile(obj): pick(obj)elif os.path.isdir(obj): scan_path(obj)if __name__ == '__main__': path = input('輸入目錄') scan_path(path)
7.如何反轉一個整數，例如-123--> -321？
classSolution(object):defreerse(self, x):if-10 < x=""><>return x str_x = str(x)if str_x[0] != "-": str_x = str_x[::-1] x = int(str_x)else: str_x = str_x[1:][::-1] x = int(str_x) x = -xreturn x if-2147483648 < x=""><>if __name__ == '__main__': s = Solution() reerse_int = s.reerse(-120) print(reerse_int)
Python高級
Python高級包含很多重要的模塊，例如函數、類和實例、系統編程、正則表達式、網路編程等等。根據這些高級屬性，Python可用於數據科學、網頁開發、機器學習等等。
設計模式
8.對設計模式的理解，簡述你的設計模式？
設計模式是為我們經常會碰到的一些編程問題構建的可重用解決方案，它是總結性和經優化的。一個設計模式並不像一個類或一個庫那樣能夠直接作用於我們的代碼，反之，設計模式更為高級，它是一種在特定情形下實現的方法模板。常見的是工廠模式和單例模式。
單例模式應用的場景一般發現在以下條件下： 資源共享的情況下，避免由於資源操作時導致的性能或損耗等，如日誌文件，應用配置。控制資源的情況下，方便資源之間的互相通信。
9.生成器和迭代器的區別？
迭代器是一個更抽象的概念，任何對象，如果它的類有 next 方法和 iter 方法返回自己本身，它就是可迭代的。對於 string、list、dict、tuple 等這類容器對象，使用for循環遍歷是很方便的，for 語句實際上會對容器對象調用 iter() 函數。iter() 會返回一個定義了 next() 方法的迭代器對象，它在容器中逐個訪問容器內元素，在沒有後續元素時，next()會拋出一個StopIteration異常。
生成器（Generator）是創建迭代器的簡單而強大的工具。它們寫起來就像是正規的函數，只是在需要返回數據的時候使用yield語句。生成器能做到迭代器能做的所有事，而且因為自動創建iter()和next()方法，生成器顯得特別簡潔，而且生成器也是高效的，使用生成器表達式取代列表解析可以同時節省內存。除了創建和保存程序狀態的自動方法，當發生器終結時，還會自動拋出StopIteration異常。
10.對裝飾器的理解，你能寫出一個計時器裝飾器，它能記錄函數的執行時間嗎？
裝飾器本質上是一個Python函數，它可以讓其他函數在不需要做任何代碼變動的前提下增加額外功能，裝飾器的返回值也是一個函數對象。
import timedeftimeit(func):defwrapper(): start = time.clock() func() end = time.clock() print('used:',end-start)return wrapper @timeitdeffoo(): print('in foo()'foo())
系統編程
11.介紹一下你的進程。
程序運行在操作系統上的一個實例，就稱之為進程。進程需要相應的系統資源：內存、時間片、pid。創建進程： 首先要導入multiprocessing中的Process；創建一個Process對象；創建Process對象時，可以傳遞參數。
p = Process(target=XXX, args=(tuple,), kwargs={key: alue})target = XXX # 指定的任務函數，不用加()args = (tuple,)kwargs = {key: alue} # 給任務函數傳遞的參數使用start()啟動進程 結束進程 給子進程指定函數傳遞參數Demo
import osfrom mulitprocessing import Processimport timedefpro_func(name, age, **kwargs):for i in range(5): print("子進程正在運行中，name=%s,age=%d,pid=%d" % (name, age, os.getpid())) print(kwargs) time.sleep(0.2)if __name__ == "__main__":# 創建Process對象 p = Process(target=pro_func, args=('小明', 18), kwargs={'m': 20})# 啟動進程 p.start() time.sleep(1)# 1秒鍾之後，立刻結束子進程 p.terminate() p.join()12.談談你對多進程、多線程、以及協程的理解，項目是否用？
進程：一個運行的程序（代碼）就是一個進程，沒有運行的代碼叫程序，進程是系統資源分配的最小單位，進程擁有自己獨立的內存空間，所有進程間數據不共享，開銷大。線程: cpu調度執行的最小單位，也叫執行路徑，不能獨立存在，依賴進程存在，一個進程至少有一個線程，叫主線程，而多個線程共享內存可以極大地提高了程序的運行效率。協程: 是一種用戶態的輕量級線程，協程的調度完全由用戶控制，協程擁有自己的寄存器上下文和棧。協程調度時，將寄存器上下文和棧保存到其他地方，在切回來的時候，恢復先前保存的寄存器上下文和棧，直接操中棧則基本沒有內核切換的開銷，可以不加鎖的訪問全局變數，所以上下文的切換非常快。
關於系統編程還有很多問題，例如：
本文為編輯，請聯系本獲得授權。

⑶ 如何准備機器學習工程師的面試

機器學習工程師薪資水漲船高，在國內，畢業生的平均年薪也達到了30-50萬，一些人拿到了上百萬的薪資。不過，如何通過面試，拿到更高的薪資，確實不少從業者頭疼的問題。

問完幾個問題後，總經理會把你介紹給公司，簡單的項目和發展前景，經理的技巧在於不管什麼樣的公司，都會讓你覺得這家公司是你以後發展的帳戶，老闆在過程中沒有撒謊。這是說話的技巧。最後，當你通過面試時，你決定何去何從就要靠我們自己啦。

面試時，考官一般不會問一些其他的問題，在准備機器學習工程師面試時，也不需要太緊張，輕松的心態面對一切問題就好啦。

⑷ 面試遇到演算法題怎麼辦，都不會

科班出身還是半路出家？半路出家就選別這類崗位。
計算機科學專業的基礎，外加演算法競賽相關的培訓和實戰，不算基礎，培訓過程也至少要耗去一兩年，所以要算能不能和值不值。真正需要演算法能力高超的崗位薪水好，但是，少之又少，競爭慘烈，985本專業畢業生能搶上的都屬於鳳毛麟角。

⑸ 如何成為AI人工智慧演算法工程師

我在學校也打了python，做了一個履帶式演示或類似的東西，因為時間不長，我把它放在一旁。明確的目標，例如，如果您想進行NLP，則需要知道NLP的應用程序具有智能的問題解答，機器翻譯，搜索引擎等。然後，如果要進行智能問題解答，則必須知道最先進的技術是深度學習，並且使用的演算法是RNN/LSTM/Seq2Seq
/等。我明確的目標是在實習期間給我任務。當任務清晰時，所需的語言就清晰了，要學習的演算法也就清晰了，並且很多事情都是合乎邏輯的。

從金融到技術
人工智慧的應用非常廣泛，每個研究方向都是無限的。由於金融公司很少與圖像處理和諸如NLP之類的技術進行交互，因此我強烈的好奇心使我決定去純粹的技術公司進行調查。致力於智能家居，目標是Javis
人工智慧/機器學習/深度學習
我經常在公交車的廣告牌上看到這些字眼，好像沒有該技術的公司會落後一樣。還有各種學習，例如強化學習，遷移學習，增量學習。
這些話之間是什麼關系機器學習是人工智慧的一種，而深度學習是機器學習的一種。在學習機器學習之前先學習AI。
計算機「演算法」與數學「演算法」之間的區別
理論知識對於AI演算法工程師來說非常重要。敲代碼只是想法的實現過程。這里的「演算法」與計算機CS的「演算法」不同。
AI演算法是從數學上推導的，因此仍然需要學習數學基礎。學習越深入，要求越高。在面試期間，極少允許使用手寫代碼，並且90%的人要求模型挑選演算法細節。
在學校里，我是一個不喜歡做筆記的人，甚至是一個不喜歡上課的人。但是自從我進入機器學習之路以來，筆記就開始騰飛了〜

⑹ 都快2021年了，演算法崗位應該怎樣准備面試

說到演算法崗位，現在網上的第一反應可能就是內卷，演算法崗位也號稱是內卷最嚴重的崗位。針對這個問題，其實之前我也有寫過相關的文章。這個崗位競爭激烈不假，但我個人覺得稱作內卷有些過了。就我個人的感覺，這幾年的一個大趨勢是從迷茫走向清晰。

早在2015年我在阿里媽媽實習的時候，那個時候我覺得其實對於演算法工程師這個崗位的招聘要求甚至包括工作內容其實業內是沒有一個統一的標準的。可以認為包括各大公司其實對這個崗位具體的工作內容以及需要的候選人的能力要求都不太一致，不同的面試官有不同的風格，也有不同的標准。

我舉幾個例子，第一個例子是我當初實習面試的時候，因為是本科生，的確對機器學習這個領域了解非常非常少，可以說是幾乎沒有。但是我依然通過了，通過的原因也很簡單，因為有acm的獲獎背景，面試的過程當中主要也都是一些演算法題，都還算是答得不錯。但是在交叉面試的時候，一位另一個部門的總監就問我有沒有這塊的經驗？我很明確地說了，沒有，但是我願意學。

接著他告訴我，演算法工程師的工作內容主要和機器學習相關，因此機器學習是基本的。當時我就覺得我涼了，然而很意外地是還是通過了面試。

核心能力

由於我已經很久沒有接觸校招了，所以也很難說校招面試應該怎麼樣准備，只能說說如果是我來招聘，我會喜歡什麼樣的學生。也可以理解成我理解的一個合格優秀的演算法工程師應該有的能力。

模型理解

演算法工程師和模型打交道，那麼理解模型是必須的。其實不用說每一個模型都精通，這沒有必要，面試的時候問的模型也不一定用得到。但更多地是看重這個人在學習的時候的習慣，他是淺嘗輒止呢，還是會刨根究底，究竟能夠學到怎樣的地步。

在實際的工作當中我們可能會面臨各種各樣的情況，比如說新加了特徵但是沒有效果，比如升級了模型效果反而變差了等等，這些情況都是有可能發生的。當我們遇到這些情況之後，需要我們根據已知的信息來推理和猜測導致的原因從而針對性的採取相應的手段。因此這就需要我們對當前的模型有比較深入地了解，否則推導原因做出改進也就無從談起。

所以面試的時候問起哪個模型都不重要，重要的是你能不能體現出你有過深入的研究和理解。

數據分析

演算法工程師一直和數據打交道，那麼分析數據、清洗數據、做數據的能力也必不可少。說起來簡單的數據分析，這當中其實牽扯很多，簡單來說至少有兩個關鍵點。

第一個關鍵點是處理數據的能力，比如SQL、hive、spark、MapRece這些常用的數據處理的工具會不會，會多少？是一個都不會呢，還是至少會一點。由於各個公司的技術棧不同，一般不會抱著候選人必須剛好會和我們一樣的期待去招人，但是候選人如果一無所知肯定也是不行的。由於學生時代其實很少接觸這種實踐的內容，很多人對這些都一無所知，如果你會一兩個，其實就是加分項。

第二個關鍵點是對數據的理解力，舉個簡單的例子，比如說現在的樣本訓練了模型之後效果不好，我們要分析它的原因，你該怎麼下手？這個問題日常當中經常遇到，也非常考驗演算法工程師對數據的分析能力以及他的經驗。數據是水，模型是船，我們要把船駛向遠方，只懂船隻構造是不行的，還需要對水文、天象也有了解。這樣才能從數據當中捕捉到trick，對一些現象有更深入的看法和理解。

工程能力

雖然是演算法工程師，但是並不代表工程能力不重要，相反工程能力也很重要。當然這往往不會成為招聘的硬性指標， 比如考察你之前做過什麼工程項目之類的。但是會在你的代碼測試環節有所體現，你的代碼風格，你的編碼能力都是你面試的考察點之一。

並不只是在面試當中如此，在實際工作當中，工程能力也很關鍵。往小了說可以開發一些工具、腳本方便自己或者是團隊當中其他人的日常工作，往大了說，你也可以成為團隊當中的開發擔當，負責其團隊當中最工程的工作。比如說復現一篇paper，或者是從頭擼一個模型。這其實也是一種差異化競爭的手段，你合理地負擔起別人負擔不了的工作，那麼自然就會成為你的業績。

時代在變化，行業在發展，如今的校招會問些什麼早已經和當年不同了。但不管怎麼說，這個崗位以及面試官對於人才的核心訴求幾乎是沒有變過的，我們從核心出發去構建簡歷、准備面試，相信一定可以有所收獲。

⑺ 如何准備機器學習工程師的面試

機器學習方面的面試主要分成三個部分： 1. 演算法和理論基礎 2. 工程實現能力與編碼水平 3. 業務理解和思考深度

1. 理論方面，我推薦最經典的一本書《統計學習方法》，這書可能不是最全的，但是講得最精髓，薄薄一本，適合面試前突擊准備。 我認為一些要點是： 統計學習的核心步驟：模型、策略、演算法，你應當對logistic、SVM、決策樹、KNN及各種聚類方法有深刻的理解。能夠隨手寫出這些演算法的核心遞歸步的偽代碼以及他們優化的函數表達式和對偶問題形式。 非統計學習我不太懂，做過復雜網路，但是這個比較深，面試可能很難考到。 數學知識方面，你應當深刻理解矩陣的各種變換，尤其是特徵值相關的知識。 演算法方面：你應當深刻理解常用的優化方法：梯度下降、牛頓法、各種隨機搜索演算法（基因、蟻群等等），深刻理解的意思是你要知道梯度下降是用平面來逼近局部，牛頓法是用曲面逼近局部等等。

2. 工程實現能力與編碼水平 機器學習從工程實現一般來講都是某種數據結構上的搜索問題。 你應當深刻理解在1中列出的各種演算法對應應該採用的數據結構和對應的搜索方法。比如KNN對應的KD樹、如何給圖結構設計數據結構？如何將演算法map-red化等等。 一般來說要麼你會寫C，而且會用MPI，要麼你懂Hadoop，工程上基本都是在這兩個平台實現。實在不濟你也學個python吧。

3. 非常令人失望地告訴你盡管機器學習主要會考察1和2 但是實際工作中，演算法的先進性對真正業務結果的影響，大概不到30%。當然演算法必須要足夠快，離線演算法最好能在4小時內完成，實時演算法我沒搞過，要求大概更高。 機器學習大多數場景是搜索、廣告、垃圾過濾、安全、推薦系統等等。對業務有深刻的理解對你做出來的系統的結果影響超過70%。這里你沒做過實際的項目，是完全不可能有任何體會的，我做過一個推薦系統，沒有什麼演算法上的高大上的改進，主要是業務邏輯的創新，直接就提高了很明顯的一個CTR（具體數目不太方便透露，總之很明顯就是了）。如果你做過實際的項目，一定要主動說出來，主動讓面試官知道，這才是最大最大的加分項目。 最後舉個例子，阿里內部機器學習挑戰賽，無數碾壓答主10000倍的大神參賽。最後冠軍沒有用任何高大上的演算法而是基於對數據和業務的深刻理解和極其細致的特徵調優利用非常基本的一個演算法奪冠。所以啥都不如真正的實操擼幾個生產項目啊。

⑻ 深度學習（視覺）面試中常問的知識點有哪些

• 一些基礎演算法題。包含但不僅限於大學裡面ACM-ICPC競賽中的數論、圖論、數據結構、動態規劃、幾何數學等。不過鑒於很多面試官不是選手出身，所以你被問到的很可能是「Google面試題」、「Facebook面試題」、「國內某BATM面試題」之類的演算法題，你可以以這些為關鍵字上網搜搜看，或者上LeetCode之類的刷題網站（ps:我沒有用過）刷刷題找找感覺。

• 情景題。面試官可能會給你出一個情景題「在XXX情況下（此處省略100字），你有什麼比較好的方案」。比如說你面試的是搜索引擎，面試官就和可能和你聊一些搜索引擎的問題；比如你面試的是在線廣告競價，他可能就會和你聊一聊一些小網站裡面的小廣告；又或者你去面試游戲，可能會被問怎麼解決當攝像頭跑到牆後面時候的問題。你這里是深度學習，可能也會被問到以後這方面的情景題吧，你要准備一下。不過其實你回答不出來也沒有很大問題（如果你是校招或者剛剛轉行想做這個），這方面主要考考你的邏輯思維和口頭表達能力。

• 專業知識。深度學習這方面的專業知識。具體看公司要求了。如果他是想要找一些底子好的苗子自己培養，你這塊懂不懂也沒有太大關系。不過這是一個現實的社會，基本上都是要你在深度學習（視覺）方面的能力達到他們的需求的。而且我要是剛剛把你培養出來你就跳槽了那公司不就虧大了，所以現在招工基本上都要招能馬上上手的。

• 聊聊夢想。其實你在去面試之前，HR就可能做好了背景調查，所以你可能已經是他們想要的人了。這個時候面試官可能忽略上述條件直接和你聊生活聊理想了。這個時候要切記工資是否達到了你的要求，將來是否有長足的發展，因為如果飯都吃不飽，還談個什麼理想！不過也有可能是在測試你的溝通能力。

⑼ #演算法工程師#機器學習工程師面試需要哪些積累

簡單點說，就是該領域問題，一看就知道大概用什麼方法，以及該方法怎麼實現，要深層次一點的話，還要知道該方法有什麼優缺點，以及怎麼改進等等 來自職Q用戶：張先生
演算法理解深度，兩個基礎:數學基礎，編程基礎 來自職Q用戶：王先生

⑽ 《百面機器學習演算法工程師帶你去面試》epub下載在線閱讀，求百度網盤雲資源

《百面機器學習》（諸葛越）電子書網盤下載免費在線閱讀

鏈接：

書名：百面機器學習

作者：諸葛越

豆瓣評分：8.6

出版社：人民郵電出版社

出版年份：2018-8-1

內容簡介：

人工智慧領域正在以超乎人們想像的速度發展，本書趕在人工智慧徹底佔領世界之前完成編寫，實屬萬幸。

書中收錄了超過100道機器學習演算法工程師的面試題目和解答，其中大部分源於Hulu演算法研究崗位的真實場景。本書從日常工作、生活中各種有趣的現象出發，不僅囊括了機器學習的基本知識 ，而且還包含了成為出眾演算法工程師的相關技能，更重要的是凝聚了筆者對人工智慧領域的一顆熱忱之心，旨在培養讀者發現問題、解決問題、擴展問題的能力，建立對機器學習的熱愛，共繪人工智慧世界的宏偉藍圖。

「不積跬步，無以至千里」，本書將從特徵工程、模型評估、降維等經典機器學習領域出發，構建一個演算法工程師必-備的知識體系；見神經網路、強化學習、生成對抗網路等新科研進展之微，知深度學習領域勝敗興衰之著；「博觀而約取，厚積而薄發」，在末一章為讀者展示生活中各種引領時代的人工智慧應用。

作者簡介：

諸葛越：現任Hulu公司全球研發副總裁，中國研發中心總經理。曾任Landscape Mobile 公司聯合創始人兼CEO，前雅虎北京全球研發中心產品總監， 微軟北京研發中心項目總經理，雅虎美國高級軟體架構師。諸葛越獲美國斯坦福大學的計算機碩士與博士，紐約州立大學石溪分校的應用數學碩士，曾就讀於清華大學計算機科學與技術系。諸葛越的研究結果獲多項專利，2005年獲美國計算機學會資料庫專業委員會十年z佳論文獎。

葫蘆娃：15位Hulu北京創新實驗室的人才。他們利用擅長的機器學習、深度學習等領域知識和演算法模型，建立了一套定製化的機AI平台，改變著推薦引擎、視頻編解碼、內容理解、廣告投放等多項與用戶息息相關的在線業務技術。