算法工程師必須具備的四個技能點：知識、工具、邏輯和業(yè)務(wù)，我可以用一個實際例子中說明一下，比如我去面試“推薦算法工程師”的職位，具體是什么能力呢？

 

　　知識：主流CTR模型以及預(yù)算控制，流量預(yù)估，bidding策略等模型算法的原理和技術(shù)細(xì)節(jié)

 

　　工具：coding能力，大數(shù)據(jù)相關(guān)的spark、flink、深度學(xué)習(xí)tensorflow、pytorch、ps-lite等模型訓(xùn)練、serving相關(guān)工具

 

　　邏輯：算法題，模型之間的演化關(guān)系

 

　　業(yè)務(wù)：推薦業(yè)務(wù)邏輯包括冷啟動、召回和排序等在構(gòu)建模型時的區(qū)別聯(lián)系，如何根據(jù)公司業(yè)務(wù)模型制定模型的目標(biāo)效果

 

　　算法基礎(chǔ)是個基本功，需要在學(xué)習(xí)階段夯實，千萬不要在這個階段過于深究類似于SVM、EM、HMM等這些需要深奧的數(shù)學(xué)邏輯層面的理解，會把人耗死而且也極易讓你喪失信心。你需要量力而行，不是所有的算法都要搞清楚，抓住主流的算法模型，可以從各大公司的JD里發(fā)現(xiàn)面試官比較關(guān)心的算法模型有哪些，我總結(jié)了一些主流的算法如下：

 

　　LR、決策樹、SVM、EM、Adaboost、PageRank、 FFM、隨機森林、 GBDT 、XGBoost 、聚類、CNN、RNN、LSTM、Word2Vec，F(xiàn)CN、RestNet、Fast R-CNN 、MobileNet、SSD

 

　　我學(xué)習(xí)期間匯總了300+道NLP、搜索推薦、機器學(xué)習(xí)算法的面試常見題，總結(jié)一下：

 

　　NLP項目——要寫上深度學(xué)習(xí)模型，19年面試NLP基本上都會問到Bert,Attention機制，最好準(zhǔn)備下。

 

　　搜索推薦——相關(guān)崗位，感覺除了考察算法外，工程上考的也比較多，面一個做搜索的公司就讓設(shè)計一個方案統(tǒng)計商品近6小時實時點擊率。當(dāng)時有點蒙，回答的并不是很好，有回答使用Storm來實時計算，具體實現(xiàn)并不太熟悉。

　　 

　　機器學(xué)習(xí)算法——GBDT基本上必問，Xgboost，LR、決策樹模型也問的很多，沒有遇到手推算法，常見機器學(xué)習(xí)模型的損失函數(shù)要清楚。

 

　　GBDT的原理

 

　　決策樹節(jié)點分裂時是如何選擇特征的？

 

　　寫出Gini Index和Information Gain的公式并舉例說明

 

　　分類樹和回歸樹的區(qū)別是什么

 

　　與Random Forest作比較，并以此介紹什么是模型的Bias和Variance

 

　　XGBoost的參數(shù)調(diào)優(yōu)有哪些經(jīng)驗

 

　　XGBoost的正則化是如何實現(xiàn)的

 

　　XGBoost的并行化部分是如何實現(xiàn)的

 

　　為什么預(yù)測股票漲跌一般都會出現(xiàn)嚴(yán)重的過擬合現(xiàn)象

 

　　如果選用一種其他的模型替代XGBoost或者改進(jìn)XGBoost你會怎么做，為什么？

 

　　NLP：

 

　　有沒有自己改過模型？類似Google Inception這種的；

 

　　你了解attention機制嗎？seq2seq,有用到attention機制嗎？

 

　　了解最新的bert，transformer嗎？

 

　　怎么優(yōu)化深度學(xué)習(xí)模型性能？

 

　　你們有用到哪些激活函數(shù)？NLP中有沒有用到？

 

　　LSTM和GRU那個性能更好，什么情況下gru的效果會比lstm好？

 

　　講一下Word2vec原理；

 

　　商品購買評論，分成10個類，怎么聚類？把整個流程從頭到尾講一下。

 

　　搜索推薦：

 

　　設(shè)計一個系統(tǒng)來完成搜索詞類目預(yù)測，設(shè)計一個關(guān)鍵詞分類系統(tǒng)，搜索行為日志中有搜索關(guān)鍵詞和對于的點擊，購買商品日志，每個產(chǎn)品知道具體的分類，怎么處理同一個關(guān)鍵詞多分類的情況？怎么處理誤點擊數(shù)據(jù)？

 

　　廣度考察：

 

　　Adaboost、 FFM、隨機森林、個別聚類算法，模型評估等知識的理解程度

 

　　Spark的調(diào)優(yōu)經(jīng)驗，Model Serving的主要方法，Parameter Server的原理，GAN，Online Learning的基本理解

 

　　Embedding方法，Attention機制，Multi task，Reinforcement Learning

 

 

 

 

 

　　建議：面試過程中，面試官常根據(jù)你的簡歷追問一些細(xì)節(jié)問題，簡歷上寫的技能和知識點，自己一定要熟悉，不熟悉的不要寫上去。簡歷寫和目標(biāo)崗位相關(guān)的項目，之前工作中不太相關(guān)的項目可以去掉，簡歷整體項目經(jīng)歷要和目標(biāo)崗位匹配。

 

 

 

 

　　一個完整的算法崗面試過程主要有以下幾個主要環(huán)節(jié)：自我介紹、項目介紹、算法推導(dǎo)和解釋、數(shù)據(jù)結(jié)構(gòu)與算法題（寫代碼）。

 

　　關(guān)于自我介紹，主要就是簡單介紹下自己的教育背景，在?；蛟诼毱陂g的研究方向和所做的項目以及在項目中所充當(dāng)?shù)慕巧鹊?，為之后的面試做個鋪墊，讓面試官從中捕捉一些點來向你提問。

 

　　項目介紹是最為重要的，這也是體現(xiàn)你綜合實力的地方，對項目背景、項目實現(xiàn)的方案，項目所實現(xiàn)的東西都要了如指掌，做機器學(xué)習(xí)的，必須準(zhǔn)備一到兩個重點的機器學(xué)習(xí)項目，關(guān)鍵是項目中間的技術(shù)細(xì)節(jié)都要了如指掌，比如你用了LR、或樹模型，就得知道所有LR或樹模型相關(guān)的推導(dǎo)和原理，一旦你說不太清楚，面試官就會對項目的真實性存疑。

 

　　接下來就是機器學(xué)習(xí)算法原理和推導(dǎo)，這也是要重點去準(zhǔn)備的，在面試前你需要能給你一張白紙，可以把推導(dǎo)的每一步寫的清清楚楚的，面試?？歼壿嫽貧w和樹模型的推導(dǎo)，關(guān)于原理面試官常會問你幾個樹模型之間的對比等等，其他的算法比如LR、SVM、EM、Adaboost、FFM、決策樹、隨機森林、 GBDT、XGBoost 、推薦算法、聚類、LSTM、Word2Vec等等，以及他們的適用場景。

 

　　技術(shù)面主要會圍繞簡歷項目展開，大廠面試官問的很細(xì)，阿里的基本上涉及到的每個模型每層參數(shù)結(jié)構(gòu)、原理、模型損失函數(shù)，為什么要用這個損失函數(shù)等問題，所以簡歷上寫到的相關(guān)技術(shù)最好搞透徹。小公司一般會問一些工程上面的問題，一般算法崗位也會做工程相關(guān)的工作，如大數(shù)據(jù)和接口服務(wù)。

 

　　最后就是寫代碼了，很多非計算機出身的大都會栽在這個地方，代碼寫得少，訓(xùn)練不到位，就會導(dǎo)致當(dāng)場思路不清晰，不知從哪寫起。

 

 

 

 

　　面試算法崗的新套路，會有如下建議：

 

　　講述項目的基本情況，項目的背景、規(guī)模、用時、用到的技術(shù)以及各個模塊。重點突出自己比較熟悉的技術(shù)，防止在面試官打斷的提問的時候，問到自己最薄弱的環(huán)節(jié)。

 

　　主動說出自己做了哪些事情，這部分的描述要盡量和自己的技術(shù)背景一致，描述自己在項目中的角色。描述模塊中用到的技術(shù)細(xì)節(jié)，這部分一定要注意，一定要把話題引到自己最熟悉模塊的技術(shù)細(xì)節(jié)。

 

　　一定要主動：作為面試者，應(yīng)該能夠主動并且邏輯清晰的說出自己的項目中有哪些亮點，能夠主動的把自己的閃光點在短短幾十分鐘的面試中都展現(xiàn)出來。

 

 

　　總結(jié)：

 

　　真正合格的算法工程師一直是短缺的，努力做金字塔上部的那塊磚。