机器学习算法工程师面试

⑴ 如何出彩地回答面试中基础的机器学习算法

机器学习方面的面试主要分成三个部分：
1. 算法和理论基础
2. 工程实现能力与编码水平
3. 业务理解和思考深度

1. 理论方面，我推荐最经典的一本书《统计学习方法》，这书可能不是最全的，但是讲得最精髓，薄薄一本，适合面试前突击准备。

我认为一些要点是：
统计学习的核心步骤：模型、策略、算法，你应当对logistic、SVM、决策树、KNN及各种聚类方法有深刻的理解。能够随手写出这些算法的核心递归步的伪代码以及他们优化的函数表达式和对偶问题形式。

⑵ 设整形变量x=10,则表达式2<x<8的值

编辑
：kenwoodjw
对于机器学习算法工程师而言，python是不可或缺的语言，它的优美与简洁令人无法自拔。那么你过Python编程面试题吗？从Python基础到网页爬虫你是否能全方位Hold住？今天，为读者们推荐一个Github项目。
在这个项目中， kenwoodjw 准备了近 300 道 Python 面试题，同时还包含解决方案与代码。主要从 Python 基础、高级语句、网页应用、数据库和测试等角度提问，读者可只自己需要的领域。目前该项目已经完成了很多基础和高级面试题，本文主要摘取一些 Python 面试题供大家参考。
项目地址：https://github.com/kenwoodjw/python_interiew_question
总体而言，项目有近300道面试题。虽然该项目刚开始创建，但很多Python面试题都已经提供决方案。如下所示为面试题示例：
本文截取了一些面试题及解决方案：
Python 基础文件操作模块与包数据类型企业面试题Python 高级设计模式系统编程如果希望机器学习面试题，可阅读：春招已近，这份GitHub万星的ML算法面试大全请收下
Python 基础
什么是 Python？根据Python 创建者 Guido an Rossum 所言，Python是一种高级编程语言，其设计的核心理念是代码的易读性，以及允许编程者通过若干行代码轻松表达想法创意。实际上，很多开发者选择学习 Python 的首要原因是其编程的优美性，用它编码和表达想法非常自然。
文件操作
1.若有一个jsonline格式的文件file.txt，大小约为10K，我们的处理方式为：
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) #处理每一行数据
现在要处理一个大小为10G的file.txt文件，但是内存只有4G。如果在只修改get_lines 函数而其他代码保持不变的情况下，应该如何实现？需要考虑的问题都有那些？
defget_lines(): l = []with open('file.txt','rb') as f: data = f.readlines(60000) l.append(data)yield l
要考虑的问题有：内存只有4G，无法一次性读入10G文件。而分批读入数据要记录每次读入数据的位置，且分批每次读取得太小会在读取操作上花费过多时间。
模块与包
2.如何输入日期， 判断这一天是这一年的第几天？
import datetimedefdayofyear(): year = input("请输入年份: ") month = input("请输入月份: ") day = input("请输入天: ") 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数据类型
3.如何反转字符串"aStr"?
print("aStr"[::-1])4.下面代码的输出结果将是什么？会报错吗？
list = ['a','b','c','d','e']print(list[10:])
代码将输出[]，并不会产生IndexError 错误。如果尝试用超出成员的个数的index来获取某个列表的成员，那就会报错。例如，尝试获取 list[10] 和之后的成员，会导致IndexError。然而当我们尝试获取列表的切片时，开始的index超过成员个数并不会产生IndexError，而是仅仅返回一个空列表。因为并不会报错，所以这种Bug很难追踪到。
5.请写出一段Python代码，实现删除list里面的重复元素？
l1 = ['b','c','d','c','a','a']l2 = list(set(l1))print(l2)用list类的sort方法可以保证顺序不变：
l1 = ['b', 'c', 'd', 'c', 'a', 'a']l2 = list(set(l1))l2.sort(key=l1.index)print(l2)也可以这样写：
l1 = ['b', 'c', 'd', 'c', 'a', 'a']l2 = sorted(set(l1), key=l1.index)print(l2)
也可以用遍历：
l1 = ['b', 'c', 'd', 'c', 'a', 'a']l2 = []for i in l1:ifnot i in l2: l2.append(i)print(l2)企业面试题
6.设计实现遍历目录与子目录，抓取.pyc文件
第一种方法：
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')
第二种方法：
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('输入目录') scan_path(path)
7.如何反转一个整数，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高级
Python高级包含很多重要的模块，例如函数、类和实例、系统编程、正则表达式、网络编程等等。根据这些高级属性，Python可用于数据科学、网页开发、机器学习等等。
设计模式
8.对设计模式的理解，简述你的设计模式？
设计模式是为我们经常会碰到的一些编程问题构建的可重用解决方案，它是总结性和经优化的。一个设计模式并不像一个类或一个库那样能够直接作用于我们的代码，反之，设计模式更为高级，它是一种在特定情形下实现的方法模板。常见的是工厂模式和单例模式。
单例模式应用的场景一般发现在以下条件下： 资源共享的情况下，避免由于资源操作时导致的性能或损耗等，如日志文件，应用配置。控制资源的情况下，方便资源之间的互相通信。
9.生成器和迭代器的区别？
迭代器是一个更抽象的概念，任何对象，如果它的类有 next 方法和 iter 方法返回自己本身，它就是可迭代的。对于 string、list、dict、tuple 等这类容器对象，使用for循环遍历是很方便的，for 语句实际上会对容器对象调用 iter() 函数。iter() 会返回一个定义了 next() 方法的迭代器对象，它在容器中逐个访问容器内元素，在没有后续元素时，next()会抛出一个StopIteration异常。
生成器（Generator）是创建迭代器的简单而强大的工具。它们写起来就像是正规的函数，只是在需要返回数据的时候使用yield语句。生成器能做到迭代器能做的所有事，而且因为自动创建iter()和next()方法，生成器显得特别简洁，而且生成器也是高效的，使用生成器表达式取代列表解析可以同时节省内存。除了创建和保存程序状态的自动方法，当发生器终结时，还会自动抛出StopIteration异常。
10.对装饰器的理解，你能写出一个计时器装饰器，它能记录函数的执行时间吗？
装饰器本质上是一个Python函数，它可以让其他函数在不需要做任何代码变动的前提下增加额外功能，装饰器的返回值也是一个函数对象。
import timedeftimeit(func):defwrapper(): start = time.clock() func() end = time.clock() print('used:',end-start)return wrapper @timeitdeffoo(): print('in foo()'foo())
系统编程
11.介绍一下你的进程。
程序运行在操作系统上的一个实例，就称之为进程。进程需要相应的系统资源：内存、时间片、pid。创建进程： 首先要导入multiprocessing中的Process；创建一个Process对象；创建Process对象时，可以传递参数。
p = Process(target=XXX, args=(tuple,), kwargs={key: alue})target = XXX # 指定的任务函数，不用加()args = (tuple,)kwargs = {key: alue} # 给任务函数传递的参数使用start()启动进程 结束进程 给子进程指定函数传递参数Demo
import osfrom mulitprocessing import Processimport timedefpro_func(name, age, **kwargs):for i in range(5): print("子进程正在运行中，name=%s,age=%d,pid=%d" % (name, age, os.getpid())) print(kwargs) time.sleep(0.2)if __name__ == "__main__":# 创建Process对象 p = Process(target=pro_func, args=('小明', 18), kwargs={'m': 20})# 启动进程 p.start() time.sleep(1)# 1秒钟之后，立刻结束子进程 p.terminate() p.join()12.谈谈你对多进程、多线程、以及协程的理解，项目是否用？
进程：一个运行的程序（代码）就是一个进程，没有运行的代码叫程序，进程是系统资源分配的最小单位，进程拥有自己独立的内存空间，所有进程间数据不共享，开销大。线程: cpu调度执行的最小单位，也叫执行路径，不能独立存在，依赖进程存在，一个进程至少有一个线程，叫主线程，而多个线程共享内存可以极大地提高了程序的运行效率。协程: 是一种用户态的轻量级线程，协程的调度完全由用户控制，协程拥有自己的寄存器上下文和栈。协程调度时，将寄存器上下文和栈保存到其他地方，在切回来的时候，恢复先前保存的寄存器上下文和栈，直接操中栈则基本没有内核切换的开销，可以不加锁的访问全局变量，所以上下文的切换非常快。
关于系统编程还有很多问题，例如：
本文为编辑，请联系本获得授权。

⑶ 如何准备机器学习工程师的面试

机器学习工程师薪资水涨船高，在国内，毕业生的平均年薪也达到了30-50万，一些人拿到了上百万的薪资。不过，如何通过面试，拿到更高的薪资，确实不少从业者头疼的问题。

问完几个问题后，总经理会把你介绍给公司，简单的项目和发展前景，经理的技巧在于不管什么样的公司，都会让你觉得这家公司是你以后发展的帐户，老板在过程中没有撒谎。这是说话的技巧。最后，当你通过面试时，你决定何去何从就要靠我们自己啦。

面试时，考官一般不会问一些其他的问题，在准备机器学习工程师面试时，也不需要太紧张，轻松的心态面对一切问题就好啦。

⑷ 面试遇到算法题怎么办，都不会

科班出身还是半路出家？半路出家就选别这类岗位。
计算机科学专业的基础，外加算法竞赛相关的培训和实战，不算基础，培训过程也至少要耗去一两年，所以要算能不能和值不值。真正需要算法能力高超的岗位薪水好，但是，少之又少，竞争惨烈，985本专业毕业生能抢上的都属于凤毛麟角。

⑸ 如何成为AI人工智能算法工程师

我在学校也打了python，做了一个履带式演示或类似的东西，因为时间不长，我把它放在一旁。明确的目标，例如，如果您想进行NLP，则需要知道NLP的应用程序具有智能的问题解答，机器翻译，搜索引擎等。然后，如果要进行智能问题解答，则必须知道最先进的技术是深度学习，并且使用的算法是RNN/LSTM/Seq2Seq
/等。我明确的目标是在实习期间给我任务。当任务清晰时，所需的语言就清晰了，要学习的算法也就清晰了，并且很多事情都是合乎逻辑的。

从金融到技术
人工智能的应用非常广泛，每个研究方向都是无限的。由于金融公司很少与图像处理和诸如NLP之类的技术进行交互，因此我强烈的好奇心使我决定去纯粹的技术公司进行调查。致力于智能家居，目标是Javis
人工智能/机器学习/深度学习
我经常在公交车的广告牌上看到这些字眼，好像没有该技术的公司会落后一样。还有各种学习，例如强化学习，迁移学习，增量学习。
这些话之间是什么关系机器学习是人工智能的一种，而深度学习是机器学习的一种。在学习机器学习之前先学习AI。
计算机“算法”与数学“算法”之间的区别
理论知识对于AI算法工程师来说非常重要。敲代码只是想法的实现过程。这里的“算法”与计算机CS的“算法”不同。
AI算法是从数学上推导的，因此仍然需要学习数学基础。学习越深入，要求越高。在面试期间，极少允许使用手写代码，并且90%的人要求模型挑选算法细节。
在学校里，我是一个不喜欢做笔记的人，甚至是一个不喜欢上课的人。但是自从我进入机器学习之路以来，笔记就开始腾飞了〜

⑹ 都快2021年了，算法岗位应该怎样准备面试

说到算法岗位，现在网上的第一反应可能就是内卷，算法岗位也号称是内卷最严重的岗位。针对这个问题，其实之前我也有写过相关的文章。这个岗位竞争激烈不假，但我个人觉得称作内卷有些过了。就我个人的感觉，这几年的一个大趋势是从迷茫走向清晰。

早在2015年我在阿里妈妈实习的时候，那个时候我觉得其实对于算法工程师这个岗位的招聘要求甚至包括工作内容其实业内是没有一个统一的标准的。可以认为包括各大公司其实对这个岗位具体的工作内容以及需要的候选人的能力要求都不太一致，不同的面试官有不同的风格，也有不同的标准。

我举几个例子，第一个例子是我当初实习面试的时候，因为是本科生，的确对机器学习这个领域了解非常非常少，可以说是几乎没有。但是我依然通过了，通过的原因也很简单，因为有acm的获奖背景，面试的过程当中主要也都是一些算法题，都还算是答得不错。但是在交叉面试的时候，一位另一个部门的总监就问我有没有这块的经验？我很明确地说了，没有，但是我愿意学。

接着他告诉我，算法工程师的工作内容主要和机器学习相关，因此机器学习是基本的。当时我就觉得我凉了，然而很意外地是还是通过了面试。

核心能力

由于我已经很久没有接触校招了，所以也很难说校招面试应该怎么样准备，只能说说如果是我来招聘，我会喜欢什么样的学生。也可以理解成我理解的一个合格优秀的算法工程师应该有的能力。

模型理解

算法工程师和模型打交道，那么理解模型是必须的。其实不用说每一个模型都精通，这没有必要，面试的时候问的模型也不一定用得到。但更多地是看重这个人在学习的时候的习惯，他是浅尝辄止呢，还是会刨根究底，究竟能够学到怎样的地步。

在实际的工作当中我们可能会面临各种各样的情况，比如说新加了特征但是没有效果，比如升级了模型效果反而变差了等等，这些情况都是有可能发生的。当我们遇到这些情况之后，需要我们根据已知的信息来推理和猜测导致的原因从而针对性的采取相应的手段。因此这就需要我们对当前的模型有比较深入地了解，否则推导原因做出改进也就无从谈起。

所以面试的时候问起哪个模型都不重要，重要的是你能不能体现出你有过深入的研究和理解。

数据分析

算法工程师一直和数据打交道，那么分析数据、清洗数据、做数据的能力也必不可少。说起来简单的数据分析，这当中其实牵扯很多，简单来说至少有两个关键点。

第一个关键点是处理数据的能力，比如SQL、hive、spark、MapRece这些常用的数据处理的工具会不会，会多少？是一个都不会呢，还是至少会一点。由于各个公司的技术栈不同，一般不会抱着候选人必须刚好会和我们一样的期待去招人，但是候选人如果一无所知肯定也是不行的。由于学生时代其实很少接触这种实践的内容，很多人对这些都一无所知，如果你会一两个，其实就是加分项。

第二个关键点是对数据的理解力，举个简单的例子，比如说现在的样本训练了模型之后效果不好，我们要分析它的原因，你该怎么下手？这个问题日常当中经常遇到，也非常考验算法工程师对数据的分析能力以及他的经验。数据是水，模型是船，我们要把船驶向远方，只懂船只构造是不行的，还需要对水文、天象也有了解。这样才能从数据当中捕捉到trick，对一些现象有更深入的看法和理解。

工程能力

虽然是算法工程师，但是并不代表工程能力不重要，相反工程能力也很重要。当然这往往不会成为招聘的硬性指标， 比如考察你之前做过什么工程项目之类的。但是会在你的代码测试环节有所体现，你的代码风格，你的编码能力都是你面试的考察点之一。

并不只是在面试当中如此，在实际工作当中，工程能力也很关键。往小了说可以开发一些工具、脚本方便自己或者是团队当中其他人的日常工作，往大了说，你也可以成为团队当中的开发担当，负责其团队当中最工程的工作。比如说复现一篇paper，或者是从头撸一个模型。这其实也是一种差异化竞争的手段，你合理地负担起别人负担不了的工作，那么自然就会成为你的业绩。

时代在变化，行业在发展，如今的校招会问些什么早已经和当年不同了。但不管怎么说，这个岗位以及面试官对于人才的核心诉求几乎是没有变过的，我们从核心出发去构建简历、准备面试，相信一定可以有所收获。

⑺ 如何准备机器学习工程师的面试

机器学习方面的面试主要分成三个部分： 1. 算法和理论基础 2. 工程实现能力与编码水平 3. 业务理解和思考深度

1. 理论方面，我推荐最经典的一本书《统计学习方法》，这书可能不是最全的，但是讲得最精髓，薄薄一本，适合面试前突击准备。 我认为一些要点是： 统计学习的核心步骤：模型、策略、算法，你应当对logistic、SVM、决策树、KNN及各种聚类方法有深刻的理解。能够随手写出这些算法的核心递归步的伪代码以及他们优化的函数表达式和对偶问题形式。 非统计学习我不太懂，做过复杂网络，但是这个比较深，面试可能很难考到。 数学知识方面，你应当深刻理解矩阵的各种变换，尤其是特征值相关的知识。 算法方面：你应当深刻理解常用的优化方法：梯度下降、牛顿法、各种随机搜索算法（基因、蚁群等等），深刻理解的意思是你要知道梯度下降是用平面来逼近局部，牛顿法是用曲面逼近局部等等。

2. 工程实现能力与编码水平 机器学习从工程实现一般来讲都是某种数据结构上的搜索问题。 你应当深刻理解在1中列出的各种算法对应应该采用的数据结构和对应的搜索方法。比如KNN对应的KD树、如何给图结构设计数据结构？如何将算法map-red化等等。 一般来说要么你会写C，而且会用MPI，要么你懂Hadoop，工程上基本都是在这两个平台实现。实在不济你也学个python吧。

3. 非常令人失望地告诉你尽管机器学习主要会考察1和2 但是实际工作中，算法的先进性对真正业务结果的影响，大概不到30%。当然算法必须要足够快，离线算法最好能在4小时内完成，实时算法我没搞过，要求大概更高。 机器学习大多数场景是搜索、广告、垃圾过滤、安全、推荐系统等等。对业务有深刻的理解对你做出来的系统的结果影响超过70%。这里你没做过实际的项目，是完全不可能有任何体会的，我做过一个推荐系统，没有什么算法上的高大上的改进，主要是业务逻辑的创新，直接就提高了很明显的一个CTR（具体数目不太方便透露，总之很明显就是了）。如果你做过实际的项目，一定要主动说出来，主动让面试官知道，这才是最大最大的加分项目。 最后举个例子，阿里内部机器学习挑战赛，无数碾压答主10000倍的大神参赛。最后冠军没有用任何高大上的算法而是基于对数据和业务的深刻理解和极其细致的特征调优利用非常基本的一个算法夺冠。所以啥都不如真正的实操撸几个生产项目啊。

⑻ 深度学习（视觉）面试中常问的知识点有哪些

• 一些基础算法题。包含但不仅限于大学里面ACM-ICPC竞赛中的数论、图论、数据结构、动态规划、几何数学等。不过鉴于很多面试官不是选手出身，所以你被问到的很可能是“Google面试题”、“Facebook面试题”、“国内某BATM面试题”之类的算法题，你可以以这些为关键字上网搜搜看，或者上LeetCode之类的刷题网站（ps:我没有用过）刷刷题找找感觉。

• 情景题。面试官可能会给你出一个情景题“在XXX情况下（此处省略100字），你有什么比较好的方案”。比如说你面试的是搜索引擎，面试官就和可能和你聊一些搜索引擎的问题；比如你面试的是在线广告竞价，他可能就会和你聊一聊一些小网站里面的小广告；又或者你去面试游戏，可能会被问怎么解决当摄像头跑到墙后面时候的问题。你这里是深度学习，可能也会被问到以后这方面的情景题吧，你要准备一下。不过其实你回答不出来也没有很大问题（如果你是校招或者刚刚转行想做这个），这方面主要考考你的逻辑思维和口头表达能力。

• 专业知识。深度学习这方面的专业知识。具体看公司要求了。如果他是想要找一些底子好的苗子自己培养，你这块懂不懂也没有太大关系。不过这是一个现实的社会，基本上都是要你在深度学习（视觉）方面的能力达到他们的需求的。而且我要是刚刚把你培养出来你就跳槽了那公司不就亏大了，所以现在招工基本上都要招能马上上手的。

• 聊聊梦想。其实你在去面试之前，HR就可能做好了背景调查，所以你可能已经是他们想要的人了。这个时候面试官可能忽略上述条件直接和你聊生活聊理想了。这个时候要切记工资是否达到了你的要求，将来是否有长足的发展，因为如果饭都吃不饱，还谈个什么理想！不过也有可能是在测试你的沟通能力。

⑼ #算法工程师#机器学习工程师面试需要哪些积累

简单点说，就是该领域问题，一看就知道大概用什么方法，以及该方法怎么实现，要深层次一点的话，还要知道该方法有什么优缺点，以及怎么改进等等 来自职Q用户：张先生
算法理解深度，两个基础:数学基础，编程基础 来自职Q用户：王先生

⑽ 《百面机器学习算法工程师带你去面试》epub下载在线阅读，求百度网盘云资源

《百面机器学习》（诸葛越）电子书网盘下载免费在线阅读

链接：

书名：百面机器学习

作者：诸葛越

豆瓣评分：8.6

出版社：人民邮电出版社

出版年份：2018-8-1

内容简介：

人工智能领域正在以超乎人们想象的速度发展，本书赶在人工智能彻底占领世界之前完成编写，实属万幸。

书中收录了超过100道机器学习算法工程师的面试题目和解答，其中大部分源于Hulu算法研究岗位的真实场景。本书从日常工作、生活中各种有趣的现象出发，不仅囊括了机器学习的基本知识 ，而且还包含了成为出众算法工程师的相关技能，更重要的是凝聚了笔者对人工智能领域的一颗热忱之心，旨在培养读者发现问题、解决问题、扩展问题的能力，建立对机器学习的热爱，共绘人工智能世界的宏伟蓝图。

“不积跬步，无以至千里”，本书将从特征工程、模型评估、降维等经典机器学习领域出发，构建一个算法工程师必-备的知识体系；见神经网络、强化学习、生成对抗网络等新科研进展之微，知深度学习领域胜败兴衰之着；“博观而约取，厚积而薄发”，在末一章为读者展示生活中各种引领时代的人工智能应用。

作者简介：

诸葛越：现任Hulu公司全球研发副总裁，中国研发中心总经理。曾任Landscape Mobile 公司联合创始人兼CEO，前雅虎北京全球研发中心产品总监， 微软北京研发中心项目总经理，雅虎美国高级软件架构师。诸葛越获美国斯坦福大学的计算机硕士与博士，纽约州立大学石溪分校的应用数学硕士，曾就读于清华大学计算机科学与技术系。诸葛越的研究结果获多项专利，2005年获美国计算机学会数据库专业委员会十年z佳论文奖。

葫芦娃：15位Hulu北京创新实验室的人才。他们利用擅长的机器学习、深度学习等领域知识和算法模型，建立了一套定制化的机AI平台，改变着推荐引擎、视频编解码、内容理解、广告投放等多项与用户息息相关的在线业务技术。