机器学习面试？ .那么，机器学习面试？一起来了解一下吧。

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

首先，自我介绍。
我：“我做过两个项目。写过几篇论文和专利。还参加过阿里巴巴大数据竞赛。同时，出于个人兴趣，我还阅读了一下HDFS的少部分源码，理解了一下HDFS的核心思想，实现了一个功能非常简单，并且还不完善的HDFS。”
面试官1：“说一说你写的论文中的某一篇的创新点？”
我：“我写的文章或者专利，主要遵循一个原则：将已有的理论或者模型应用到新的场景中。所以，都是偏向应用的。重点说说这篇论文吧。首先，从奇异值分解说起吧……”
大概讲了几分钟后，面试官1打断我：“你做的这些东西都偏向数据挖掘方向，为什么没有投数据挖掘呢？”
我：“因为，按照我的理解，数据挖掘这个岗位需要对机器学习算法有深入研究，然而，我做的偏向于对数据挖掘算法的应用。所以，我想投研发，偏向数据挖掘和分布式方向，从基础做起。”
面试官1：“其实，你的优势是做过数据挖掘。这样吧，我先找一个数据研发的面试官对你进行一下面试。等会儿，你再来我这。”
虽然自己也系统地学习过机器学习算法，但是接触时间太短（几个月），研究不够深入，只在比赛中用过少数几种算法：LR、RF和GBRT。自己的优势在于对数据的理解和特征的提取，以及算法的应用。
而算法推导过程并不清楚，只是理解了其思想。我怕被问得太细致，所以不是很情愿。不过，在面试官1的坚持下，最终还是同意了。
看到第二个面试官的牌子上写着“数据研发”，我稍微舒了口气；幸好不是“数据挖掘”。
今年，“数据研发”岗位招人挺多的，很多都是去小微金服。面试完之后，我觉得“数据研发”的岗位要求是这样子的：
熟练掌握基本的SQL语句；因为有一道笔试题目。我觉得阿里应该用自己的ODPS-SQL（类似于Hive）进行数据研发，虽然这个平台挺复杂的，但是面试的时候的要求并不高。只要掌握基本的内建函数和SQL语句就行了：select, group by…
我在比赛过程中，写过几万行SQL代码（去重之后几千行），没有用到过索引和视图；经常用到内建函数，偶尔使用UDF（用户自定义函数）。但是，写的代码不包含索引、视图和UDF。也没有考优化（其实我也不懂）。
有数据研发方面的相关经历，面试官似乎很注重这一项。我参加过阿里巴巴大数据竞赛。
对数据研发有一些自己的看法。这个很关键，一定要思路清晰。我主要在讲比赛中的模型：数据的预处理->训练集、预测集->特征提取->进一步处理->正负样本比例->训练->预测。
当然会用写MapReduce的话就过更好了。阿里的平台提供了MapReduce，估计工作中会用到。
然后，跟第二个技术面试官开始交流。
面试官2：“自我介绍一下吧。”
我：“刚才介绍过其他经历了。那我主要介绍下与数据研发相关的经历吧。”然后，简单说了下自己参加的阿里巴巴大数据竞赛。
面试官2：“行。先做一道题目吧。”
面试官给了我一道SQL的题目：给定一个表，共四列：user_id, brand_id, time, cnt(花的钱数)。从这个表里面选出用户B对每个品牌brand购买的总额度。
一看到，有点窃喜，这跟我竞赛做的东西太相似了。
跟面试官进行简单沟通后，很快写出来了。不过还是怕做错，检查了很久才拿给面试官2。顺便提了一下，如果需要处理字符串的话，我会用ODPS-SQL里面的UDF。面试官看了下程序，没说什么，就放到了一边。
后面，我们主要在讨论阿里巴巴大数据竞赛：我做了什么，用什么模型、算法做的，准确率是多少。（这块讨论时间最多）
还好，我主要讨论的是对业务和数据的理解，没有深入讨论数据挖掘算法。
讨论很顺利。结束之后，面试官2把我带回面试官1。
回来后，继续与面试官1主要讨论我写的论文。由于之前对自己写的论文进行过总结，思路很清晰。并谈论了写论文的体会和收获。
总之，第一面的面试官很和蔼，交谈也很开心。
再次稍微提一下：个人觉得面试官主要有两类，一类是用技术把你问死，从而判断你对技术的掌握深度。
另一类是，简单的技术问题之后，让你去表现，引导你来讲，从而看你这个人的思想、表达能力、个人观点等综合素质。
当然，一个面试官如果看到你不善于表达，就只能一直问你问题了。很荣幸，我碰到的是第二种面试官。面试跟聊天一样轻松。
最终，顺利通过。
应该是这个样子的吧 哈哈【ITjob]

已毕业还是未毕业？
未毕业的话可以联系一下学校的相关老师，跟老师学习一下，最好参与相关项目。还有就是要尝试参加一下相关比赛，跟大神组队是最好的。
已经毕业的话就要看你自己的本事了，多去笔试面试几次，会知道很多的面试技巧。能把你的作品和经验充分展示出来就更能获得青睐。

（1）错误率(Error rate)和精度(Accuracy)
（2）查准率(准确率-Precision)、查全率(召回率-Recall)
（3）P-R曲线、平衡点和F1度量
2018年4月11日16:00左右，面试了腾讯的《基础研究》实习生职位，面试地点在广州。我投递的岗位是机器学习、深度学习算法工程师，面试结果是一面就挂了。虽然面试没过，还是要总结一下面试经验。把面试中自己回答不好的问题和思考不周全的问题，再仔细梳理一下，进行深入理解和学习。面试过程中，感觉自己回答特别不好的问题就是ROC曲线和AUC面积相关部分。我打算把关于衡量模型性能的指标全部梳理一下，先来总结错误率、精度、查准率、查全率和F1度量。

考官好，我是**，我**年毕业于**，我所学的专业是**，会使用dw，asp，我精通的是photoshop，我做过**（多说会）。
如果有工作经验就说一下，没有就说你在学校里当过什么职务。
面试基本说的都是简历上的东西，只要准备好简历，根据那个说就行了，不过像年龄，身高，体重这些跟所找工作关系不大的东西就不要说了。面试是让面试官知道你的口才，就算不好，把自己的优点说出来就行，但是不要撒谎，说自己是什么高校毕业的之类，一旦被拆穿就没戏了。
其实当成是聊天就行了，面试官也是人，好多也是第一次当面试官，放松点就行了

以上就是机器学习面试的全部内容，内容来源于互联网，信息真伪需自行辨别。如有侵权请联系删除。