從16年九月份開始，參加了一些公司的算法工程師/機器學習工程師崗位的校園招聘，做一些總結，希望可以給大家準備這個職位提供些信息。

一、需要的基本技能

數據結構知識

掌握一門編程語言，c/c++/Java/Python

機器學習常用算法或者某一細分領域（推薦，自然語言處理，圖像識別，語音識別等）的常用算法

二、筆試和面試內容

大多是技術筆試然后二到三輪的技術面試

技術筆試都是考察基本的計算機知識，概率統計相關題目，智力題，linux常用命令和編程/算法能力等

• 計算機知識包括：
  主要是數據結構包括數組，增刪鏈表，樹，排序算法等。也可能會有數據庫基本語句，操作系統進程和 線程相關的，計算機網絡的TCP/IP協議部分）
• 編程能力：
  一到三道在線編程題目
• 算法能力：
  給出一個場景，回答使用什么算法去建模解決

• 面試問題

• • 機器學習常用算法，例如：
    
    • 決策樹的ID3，C4.5，CART等，決策樹的split原理和剪枝策略
    • 神經網絡如何工作
    • SVM的原理及公式推導
    • 樸素貝葉斯的公式
    • Bagging 和 Boosting的區別
    • GBDT的參數怎么調
    • 聚類過程
    • 偏差和方差是什么，高偏差和高方差說明了什么
    • 怎么理解損失函數，SVM的損失函數是什么，寫出公式
    • 過擬合怎么解決，L1和L2正則化有什么區別
    • 為什么用最小二乘而不是最小四乘
    • GB和牛頓法的區別，它們和泰勒公式的關系

  • 數據結構算法知識，手寫代碼，例如：

  • 最大子數組和
  • 快速排序
  • 字典排序

• 特征工程

• PCA的原理

• 數據結構算法知識，手寫代碼，例如：

• • 最大子數組和
  • 快速排序
  • 字典排序

• 編程能力，考察熟悉的編程語言的相關知識，編程語言掌握一門即可，例如：

• • java：static的作用，hashmap，arraylist和linklist的區別，多線程
  • c/c++：實現strstr(判斷一個字符串是否是另一個的子串)

• 編程能力，考察熟悉的編程語言的相關知識，編程語言掌握一門即可，例如：

• • java：static的作用，hashmap，arraylist和linklist的區別，多線程
  • c/c++：實現strstr(判斷一個字符串是否是另一個的子串)

  • python：安裝Python的命令是什么，用python讀取一個文件，一行一行的輸出（不能用庫函數）

  • python：安裝Python的命令是什么，用python讀取一個文件，一行一行的輸出（不能用庫函數），python常用庫

• 大數據開發能力：Hadoop/Hive/Map Reduce開發，例如Map Reduce 寫 word count

• 深度學習知識：

• • 深度學習框架
  • CNN：什么是卷積，為什么要padding(根據簡歷的具體項目問

• Udacity的機器學習項目P0和P1，如果寫，請想好如下問題：

• • P0（泰坦尼克號項目）：預測這個有啥用？召回率是多少？（題目中并沒有算）
  • P1（預測波士頓房價）：特征都是離散的，為什么用決策樹？
    （雖然是用的決策回歸樹，但我也沒想 到更好的回答的方式）。。。

  這些面試題目僅供大家參考，各個公司問每個人的也不一樣，會根據公司的需求，個人簡歷上的項目問

  三、總結：

• 各個公司的側重點不太一樣，有的公司側重數據分析/數據挖掘(京東，筆試題好多spass)，有的公司偏向推薦算法(協同過濾，CTR點擊率預估）（美團，汽車之家也很注重思維能力），用戶畫像（百度的百家號），有的公司側重大數據開發（要求里寫了Hadoop/Hive）（中國移動），有的公司更側重算法層面，建模能力(滴滴）

• 如果是面試自然語言處理（NLP），圖像識別，語音識別之類的公司，基本是要求深度學習知識的。創業公司的話，要求關注最新會議，跟paper，關注領域內最新進展

四、推薦網站和書目

推薦編程刷題網站：牛客網，Leecode
推薦書目《劍指offer》(c++)，《程序員代碼面試指南》（java編寫），
《機器學習（周志華著）》（西瓜書），《統計學習方法（李航著）》

五：一些建議：

掌握基本知識后要確定好自己的目標，機器學習是一個大的方向，還有很多細分，究竟是要做文本，推薦，圖像還是語音識別，差別都很大，人不可能面面俱到，掌握好一個領域的內容就很厲害啦~~

六：數據分析與機器學習的區別

個人的一點理解，具體還是看崗位要求怎么寫的
數據分析偏向統計一些，要會SQL/Spass/SAS等數據分析軟件等，更適合數學和統計專業
* 大數據開發能力：Hadoop/Hive/Map Reduce開發，例如Map Reduce 寫 word count

• 深度學習知識：

* 深度學習框架* CNN：什么是卷積，為什么要padding(根據簡歷的具體項目問
• 1
• 2
• Udacity的機器學習項目P0和P1，如果寫，請想好如下問題：
  
  • P0（泰坦尼克號項目）：預測這個有啥用？召回率是多少？（題目中并沒有算）
  • P1（預測波士頓房價）：特征都是離散的，為什么用決策樹？
    （雖然是用的決策回歸樹，但我也沒想 到更好的回答的方式）。。。

這些面試題目僅供大家參考，各個公司問每個人的也不一樣，會根據公司的需求，個人簡歷上的項目問

三、總結：

• 各個公司的側重點不太一樣，有的公司側重數據分析/數據挖掘(京東，筆試題好多spass)，有的公司偏向推薦算法(協同過濾，CTR點擊率預估）（美團，汽車之家也很注重思維能力），用戶畫像（百度的百家號），有的公司側重大數據開發（要求里寫了Hadoop/Hive）（中國移動），有的公司更側重算法層面，建模能力(滴滴）

• 如果是面試自然語言處理（NLP），圖像識別，語音識別之類的公司，基本是要求深度學習知識的。創業公司的話，要求關注最新會議，跟paper，關注領域內最新進展

四、推薦網站和書目

推薦編程刷題網站：牛客網，Leecode
推薦書目《劍指offer》(c++)，《程序員代碼面試指南》（java編寫），
《機器學習（周志華著）》（西瓜書），《統計學習方法（李航著）》

五：一些建議：

掌握基本知識后要確定好自己的目標，機器學習是一個大的方向，還有很多細分，究竟是要做文本，推薦，圖像還是語音識別，差別都很大，人不可能面面俱到，掌握好一個領域的內容就很厲害啦~~

六：數據分析與機器學習的區別

個人的一點理解，具體還是看崗位要求怎么寫的
數據分析偏向統計一些，要會SQL/Spass/SAS等數據分析軟件等，更適合數學和統計專業
機器學習要求編程能力較強，即算法實現能力，更適合數學和計算機專業

七：感受到的現狀

機器學習是一個相對開發來說較新的職位，一些公司也開始增加這些職位，需求還是有的，要求也較高

機器學習要求編程能力較強，即算法實現能力，更適合數學和計算機專業

以上是一些筆試面試總結，僅供大家參考，歡迎大家補充交流和批評指正

2016年11月

總結

以上是生活随笔為你收集整理的关于”算法工程师/机器学习工程师”的笔试和面试总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。