首先這個(gè)問題問的很廣。做機(jī)器學(xué)習(xí)方向很多，有些公司更偏重于數(shù)據(jù)挖掘，而有些更傾向于深度學(xué)習(xí)。同理，相對(duì)應(yīng)的崗位有些偏重理論也有些偏重實(shí)踐。這些因素疊加造成了機(jī)器學(xué)習(xí)相關(guān)的崗位分布廣，如數(shù)據(jù)分析師，算法工程師，機(jī)器學(xué)習(xí)科學(xué)家等，很難一概而論。

大概從實(shí)習(xí)生的時(shí)候就開始跟著老板招聘面試機(jī)器學(xué)習(xí)方向的候選人，到現(xiàn)在前前后后大概也參與了 20 個(gè)左右機(jī)器學(xué)習(xí)求職者的技術(shù)面試。其中有在讀的研究生(實(shí)習(xí)生崗位)，也有已經(jīng)工作了多年或者學(xué)術(shù)背景深厚的名校博士(相對(duì)高級(jí)的“科學(xué)家”崗位)。

不談具體崗位的前提下，我想回答以下幾個(gè)問題: 1.為什么要避免學(xué)科性的偏見 2. 如何測(cè)試面試者的知識(shí)廣度 3. 怎樣測(cè)試面試者的知識(shí)深度 4. 為何需要確認(rèn)基本的編程和數(shù)據(jù)分析能力 5. 怎么提高機(jī)器學(xué)習(xí)面試成功率

1. 避免學(xué)科間的偏見與歧視

機(jī)器學(xué)習(xí)作為一個(gè)交叉廣度大，各學(xué)科融合深的學(xué)科，各種背景的面試者都有。我建議一定不要預(yù)設(shè)立場(chǎng)，無(wú)論是數(shù)學(xué)、統(tǒng)計(jì)、物理、計(jì)算機(jī)，或是其他學(xué)科的面試者都有獨(dú)特的知識(shí)儲(chǔ)備。比如機(jī)器學(xué)習(xí)其實(shí)和統(tǒng)計(jì)學(xué)習(xí)有很大部分是重疊的，甚至和優(yōu)化(如運(yùn)籌學(xué))、數(shù)學(xué)(線代等)也有很多相關(guān)的地方。而不同領(lǐng)域的人對(duì)于同一件事情的描述可能是相似但不相同的，甚至連叫法都不同。舉個(gè)簡(jiǎn)單的例子，統(tǒng)計(jì)學(xué)將變量叫做 predictors 而機(jī)器學(xué)習(xí)傾向于將其叫做 feature(特征)。我聽說過很多面試官就因?yàn)閷?duì)方不能完全的使用他能聽懂的術(shù)語(yǔ)就拒掉了候選人，我覺得這個(gè)是愚蠢的。

以我們團(tuán)隊(duì)為例，我的老板是統(tǒng)計(jì)學(xué)博士和教授(偏計(jì)量)，而我是純粹的計(jì)算機(jī)科學(xué)出身。他喜歡用 R 來建模而我只擅長(zhǎng) Python 和 C++。但正是這種差異性讓我們可以更好的合作，他在無(wú)監(jiān)督學(xué)習(xí)中很喜歡用各種密度分析(density estimation)或者對(duì)分布直接進(jìn)行擬合，而我可以給他介紹很多機(jī)器學(xué)習(xí)方向比較流行的算法，比如 Isolation Forests。同理，Python 和 R 都有各自擅長(zhǎng)的領(lǐng)域，比如 Python 做時(shí)序分析的難度就遠(yuǎn)遠(yuǎn)大于 R，因?yàn)?R 有非常成熟的 package。

因此，我們不要因?yàn)轭I(lǐng)域不同，叫法不同，編程語(yǔ)言不同，或者模型的解釋思路不同就輕易的否定一個(gè)面試者。長(zhǎng)此以往，我們的思路會(huì)越來越窄，而一定程度的包容能拓展思路。

2. 通過廣度測(cè)試劃定面試者的知識(shí)面

機(jī)器學(xué)習(xí)的項(xiàng)目一般都牽扯數(shù)據(jù)處理，建模，評(píng)估，可視化，和部署上線等一系列流程，我們希望面試者對(duì)于每個(gè)步驟都有最基本的了解。因?yàn)槠浞秶軓V，我們希望首先在短時(shí)間內(nèi)了解一個(gè)面試者的知識(shí)范圍。有很多基本但經(jīng)典的問題可以用于了解面試者的素質(zhì)，給出一些例子:

數(shù)據(jù)處理：如何處理缺失數(shù)據(jù)(missing value)  各種處理方法有什么利弊 

數(shù)據(jù)處理：如何將描述變量(categorical variables)轉(zhuǎn)為連續(xù)變量(continuous variables) 

如何處理有序變量 

如何處理無(wú)序變量 

數(shù)據(jù)處理：如何進(jìn)行選擇特征選擇 如何進(jìn)行數(shù)據(jù)壓縮 

特征選擇：包裹式，過濾式，嵌入式

數(shù)據(jù)壓縮：主成分分析，自編碼等

模型解釋: 試解釋什么是欠擬合與過擬合 如何應(yīng)對(duì)這兩種情況 

模型解釋: 什么是偏差與方差分解(Bias Variance Decomposition) 與欠擬合和過擬合有什么聯(lián)系 

評(píng)估模型一般有什么手段 

分類模型評(píng)估方法 

回歸問題評(píng)估方法 

數(shù)據(jù)不均衡的評(píng)估方法 

深度學(xué)習(xí)是否比其他學(xué)習(xí)模型都好 為什么 

以如何處理缺失數(shù)據(jù)為例，可能的回答有：1. 分析缺失比例決定是否移除 2. 用均值，眾數(shù)，回歸代替 3. 用 0 代替等。比如深度學(xué)習(xí)是否比別的模型好，我們就期待面試者能說“分情況討論”，若是能提到“沒有免費(fèi)的午餐定理”更是加分。在這個(gè)階段，我們不會(huì)深入追問，僅想對(duì)面試人的知識(shí)范圍有一個(gè)了解。

這類問題的共性就是無(wú)論你是在校學(xué)生還是資深科學(xué)家都應(yīng)該有一個(gè)基本的水準(zhǔn)在，不過沒有必要百分之百的回答正確，因?yàn)楸旧砗芏啻鸢付紱]有標(biāo)準(zhǔn)答案。大部分時(shí)候，這個(gè)環(huán)節(jié)我們對(duì)于是否錄用這個(gè)人就已經(jīng)有了答案。如果面試者答錯(cuò)或者不知道其中百分之八十的概念，錄取的概率就很低了。

3. 根據(jù)崗位和求職者背景進(jìn)行深入挖掘

在經(jīng)過上一階段以后，我們已經(jīng)對(duì)求職者的素養(yǎng)有了大概的判斷，下一步就需要進(jìn)行深入了解，一般根據(jù)兩點(diǎn)進(jìn)行追問:

面試者的背景: 如果有與崗位特別相關(guān)的工作經(jīng)歷，會(huì)深入詢問。如果有高引用了的文章，也會(huì)讓他講一下他的研究。

所面試的崗位: 如果沒有與崗位特別相關(guān)的經(jīng)歷，會(huì)根據(jù)崗位需求進(jìn)行詢問。

進(jìn)入這個(gè)環(huán)節(jié)其實(shí)就已經(jīng)沒有模板了。假設(shè)我們現(xiàn)在要為保險(xiǎn)公司招聘一個(gè)機(jī)器學(xué)習(xí)工程師來自動(dòng)化”騙保檢測(cè)”，我們的求職者是一位計(jì)算機(jī)系剛畢業(yè)的碩士生。那我們可能深入詢問的話題包括:

在只有少量的有標(biāo)簽數(shù)據(jù)的情況下，如何構(gòu)建一個(gè)反保險(xiǎn)欺詐系統(tǒng) 

如果面試者回答先用監(jiān)督學(xué)習(xí)來做，那么我們可能問：

這種情況下數(shù)據(jù)是不均衡的，你是采用過采樣還是欠采樣 如何調(diào)整代價(jià)函數(shù)和閾值 

有些人可能會(huì)提到使用 One-class SVM 那么我們可能會(huì)追問一下 SVM 相關(guān)的問題，比如什么是最大間隔分類器啊什么是 Kernel，如何選擇 Kernel 等。

如果面試者回答用無(wú)監(jiān)督學(xué)習(xí)，那我們可能會(huì)問：

為什么 K-Means 不適合異常值檢測(cè) K-Means 和 GMM 是什么關(guān)系 是否可以用 FMM 來直接擬合異常值。

如何可以得到無(wú)監(jiān)督學(xué)習(xí)中的分類規(guī)則 

這一類問題的特點(diǎn)是隨機(jī)應(yīng)變，一般都是在一個(gè)方向上深入。比如其他答案提到的 L1 和 L2 正則化，我們可能希望面試者在白板上畫圖介紹為什么 L1 可以得到稀疏解，以及和嵌入式特征選擇有什么聯(lián)系。這一類問題我們不期待求職者完全答對(duì)或者講得清楚無(wú)誤，我們同時(shí)也想觀察其在壓力和追問下的心理素質(zhì)。因?yàn)檎麄€(gè)過程中肯定會(huì)有一些知識(shí)盲點(diǎn)，我們會(huì)盡量避免尷尬的氣氛，所以作為求職者不必過分緊張。同時(shí)，通過和面試者一起了解他 / 她曾做過的項(xiàng)目，可以看出其對(duì)于這個(gè)專業(yè)的興趣 — 興趣是很難演出來的。

在這個(gè)環(huán)節(jié)，如果一個(gè)面試者可以有能力進(jìn)入深入交談，甚至提到一些我們從來沒想過的思路，都是加分的表現(xiàn)。

4. 基本的編程能力和數(shù)據(jù)挖掘能力

機(jī)器學(xué)習(xí)崗位，不管你是統(tǒng)計(jì)出身還是計(jì)算機(jī)出身，都避不開建模的過程，因此基本的編程能力是必須的。一般對(duì)于數(shù)學(xué)或者統(tǒng)計(jì)學(xué)出身的面試者，我們會(huì)額外給出一個(gè)簡(jiǎn)單的小程序測(cè)試。這種小程序可能簡(jiǎn)單如將讀取數(shù)據(jù)后并保存為矩陣。這倒不是因?yàn)槲覀兿矚g沒事找事，而是因?yàn)闄C(jī)器學(xué)習(xí)太容易成為紙上談兵，而從業(yè)者缺乏最基本的編程能力。

相似的，我們也希望面試者談?wù)剰哪Ｐ椭锌梢缘玫绞裁唇Y(jié)論。我們?cè)?Kaggle 上泰坦尼克的那個(gè)數(shù)據(jù)集處理過以后，讓面試者談?wù)勑掖媛实降缀褪裁从嘘P(guān)，如何分析。同樣的，我們不追求完美答案，只是希望看到求職者可以解釋一些簡(jiǎn)單的模型結(jié)果，從中攫取商業(yè)價(jià)值。

5. 讓面試者有所收獲 & 如何準(zhǔn)備機(jī)器學(xué)習(xí)面試

面試不該是一場(chǎng)單純的考試，在參加面試的過程中，也是一個(gè)學(xué)習(xí)過程。拋磚引玉，對(duì)于機(jī)器學(xué)習(xí)的崗位面試我有幾點(diǎn)小建議：

5.1. 根據(jù)崗位，準(zhǔn)備一份項(xiàng)目策劃書。

這個(gè)乍聽下來有點(diǎn)虛，但我曾無(wú)數(shù)次使用這個(gè)小技巧得到良好的面試反饋和機(jī)會(huì)。假設(shè)你今天面試的崗位是我提到的保險(xiǎn)公司的反詐騙組，那么如果你可以寫一個(gè)如何使用機(jī)器學(xué)習(xí)進(jìn)行反詐騙的項(xiàng)目策劃書。這個(gè)過程對(duì)于面試者也是一個(gè)練習(xí): a. 閱讀論文和新聞收集材料的能力 b. 總結(jié)分析的能力 c. 總結(jié)的能力。

以我曾經(jīng)面試過的一個(gè)人力資源相關(guān)的崗位為例，我準(zhǔn)備了一份如何用機(jī)器學(xué)習(xí)來進(jìn)行員工離職預(yù)測(cè)的策劃書(中間省略掉了幾頁(yè)并馬賽克處理了敏感的地方)：

在策劃書中，你可以分析項(xiàng)目需求，提出相關(guān)解法，并建議后續(xù)計(jì)劃和列出相關(guān)文獻(xiàn)。這樣的行為不僅可以讓雇主看到你的誠(chéng)意，并看到你的的領(lǐng)域知識(shí)和獨(dú)立分析問題能力。

在適當(dāng)?shù)臅r(shí)機(jī)(比如開始面試的時(shí)候或者談到崗位職責(zé)的時(shí)候)，你拿出準(zhǔn)備好的策劃書，開始談你的思路。這種做法我曾做過幾次，效果都很驚艷，因?yàn)榉幢粍?dòng)為主動(dòng)，從被考察變成了講解你所了解的知識(shí)。作為一個(gè)面試官，如果被面試者能做到這個(gè)程度，我會(huì)在內(nèi)心對(duì)錄取他比較有信心。

5.2. 真誠(chéng)并且實(shí)事求是

大家都是理工科出身，行家一出手便知有沒有。在這種技術(shù)性比較強(qiáng)的學(xué)科，完全沒有必要假裝自己了解一個(gè)知識(shí)點(diǎn)。同理心告訴我們，大部分人都有知識(shí)盲區(qū)，我們不期待完美的回答。當(dāng)你真的不知道一個(gè)問題的答案時(shí)候，真誠(chéng)的希望對(duì)方能講得更明白或者承認(rèn)自己不太了解。

如果你假裝自己很了解一個(gè)不明白的領(lǐng)域，我們一般會(huì)問的更深入。你成功的引起了我的注意，那個(gè)時(shí)候就真的收不了場(chǎng)了。相似的，簡(jiǎn)歷上請(qǐng)真的不要夸大其詞的描述自己的經(jīng)歷。我見過很多人只用過 Naive Bayes 就在簡(jiǎn)歷上號(hào)稱自己是機(jī)器學(xué)習(xí)專家，我現(xiàn)在還記得他們被面試到面紅耳赤的樣子。在這個(gè)浮躁的年代，對(duì)于高薪的機(jī)器學(xué)習(xí)崗位，希望大家都能守住最起碼的誠(chéng)信底線。

5.3. 確保自己對(duì)基本的概念有所了解

再一次，保證對(duì)基本知識(shí)的了解(有基本的廣度)是對(duì)面試者自己和面試官的尊重。什么程度就算基本了解呢 我的感受是：

對(duì)基本的數(shù)據(jù)處理方法有所了解

對(duì)基本的分類器模型有所了解并有所使用(調(diào)包)，大概知道什么情況使用什么算法較好

對(duì)基本的評(píng)估方法有所掌握，知道常見評(píng)估方法的優(yōu)劣勢(shì)

有基本的編程能力，能夠獨(dú)立的完成簡(jiǎn)單的數(shù)據(jù)分析項(xiàng)目

有基本的數(shù)據(jù)挖掘能力，可以對(duì)模型進(jìn)行調(diào)參并歸納發(fā)現(xiàn)

其中每一條都說來簡(jiǎn)單，但都是血與淚的過程，請(qǐng)勿操之過急。如何就能保證自己有了足夠的基礎(chǔ)知識(shí)呢 我覺得能基本看懂周志華老師《機(jī)器學(xué)習(xí)》的前十章，并相對(duì)熟練的使用 Sklearn 中基礎(chǔ)的 API 進(jìn)行建模就可以了。也請(qǐng)勿矯枉過正，如果你面試的崗位不是理論性科學(xué)家崗位，不要和數(shù)學(xué)推導(dǎo)死磕。這也是為什么我說寫一個(gè)項(xiàng)目策劃書很有幫助，在查閱文獻(xiàn)和總結(jié)的過程中，你對(duì)想要面試的領(lǐng)域有了更加深刻的了解，有助于提高信心和知識(shí)。

5.4. 享受面試

請(qǐng)不要把技術(shù)面試當(dāng)做一場(chǎng)噩夢(mèng)，或是一個(gè)難關(guān)。作為一個(gè)冉冉升起的新領(lǐng)域，我們大家都是這么一路摸爬滾打過來的，至少我自己是很理解這一路的不容易。

因?yàn)闄C(jī)器學(xué)習(xí)領(lǐng)域的人才稀缺，一般而言你的面試官的時(shí)間都是很寶貴的，即使你最終沒有通過面試，請(qǐng)抓住機(jī)會(huì)從他們身上有所學(xué)習(xí)的機(jī)會(huì)。從我的角度來看，你不僅可以借此發(fā)現(xiàn)自己知識(shí)點(diǎn)上的缺失，也可以聽到在特定領(lǐng)域的流行的算法和模型，這些都是從書上很難學(xué)到的。如果你為了準(zhǔn)備面試還閱讀了相關(guān)領(lǐng)域的論文和總結(jié)，那我想來面試這件事已經(jīng)遠(yuǎn)遠(yuǎn)超過了你是否被錄取的意義。

來源：36大數(shù)據(jù)