編者按：本文作者Abhijeet Kumar是一名有著五年機器學習和數據科學工作經驗的從業者。從今年年初開始，他開始在印度的數據科學、機器學習或深度學習領域找工作。在為期30—40天的求職過程中，他面試了8—10家公司，其中不僅包括剛成立一年的創業公司，也有亞馬遜這種電商巨頭。Kumar把每家公司的面試題記錄下來，為各位求職者提供經驗。以下是論智的編譯。
先介紹一下我自己，我有過4年以上機器學習的工作經驗，主要工作內容有話語分析、文本分析和圖像分析。我認為該領域最稀缺的人才是NLP專業，然後是圖像分析（CV），主要進行話語或音頻分析的較少。有了五年的工作經驗後，我的目標是中高層職位，可以帶領一個數據或機器學習團隊做一些有趣的研究。以下是我在面試過程中遇到的各種技術性問題，供大家參考。
全球服務性公司之一（20—25分鐘）
請問你在搭建文檔挖掘系統的過程中，做了哪些工作？
假設給你數TB的數據文件，其中包含PDF、文本文件、圖像、掃描的PDF文件等等。你將如何對其分類？
你如何閱讀掃描的PDF或書面文件？
為什麼樸素貝葉斯被稱為“樸素”？
詳細談談樸素貝葉斯分類器？
什麼是深度學習？機器學習和深度學習的區別在哪裡？
除此之外還有一些類似的問題，但是我對它們有些一頭霧水，完全不知道面試官想聽到什麼樣的答案。我一直想探討更深層次的技術層面的東西，但是他們一直沒有聊到這方面。而且當我扯起模型訓練、tesseract或者語言模型時，他們似乎完全不吃這一套。也許他們想聽到的是現成的成果，或是很簡單的解釋。這跟我五年前第一次面試的感覺非常相似。
全球服務型公司之二（40—45分鐘）
你如何能在無監督的方式下收集文件？
你如何找到與某些查詢問題相關的文件？
解釋一下TF-IDF。
根據我的經驗，TF-IDF在文檔分類或收集方面失敗了，你今後會怎麼改善？
什麼是LSTM神經網絡？解釋一下它是如何工作的。
什麼是word2vec向量？
Python中可變和不可變對象是什麼意思？
你在Python中使用什麼數據結構？
雖然有幾個問題是圍繞文本相似度的，但我都順利回答出來了。不過這次和上次一樣，仍然沒有深層次技術上的探討，或許是考慮到公司有幾個關於文本分析的小項目，他們最終還是向我發出了offer。
全球生產和服務公司（40分鐘）
在不平衡的數據集中，你如何處理多類別的分類問題？
你是如何從文本句子中進行語言識別的？
你如何表示中文或日文中的象形文字？
該如何設計一個聊天機器人？（在這一點上我沒有太多想法）
輸入一對問題和回答，我能用RNN設計一個聊天機器人嗎？
假設我用Reddit上的數據集和RNN或LSTM創建了一個聊天機器人，它給了我10個備選回覆，我如何才能選擇最佳的那個？或者說，我如何刪除其他的回覆？
解釋一下SVM是如何學習非線性邊界的？
除此之外還有幾個問題我記不清了，不過這是目前為止第一個問技術性問題的公司，我感到非常欣慰。最後這家公司也向我發了offer。
成立一年的醫療健康公司（50分鐘）
精確率（precision）和召回率（recall）是什麼？在醫學診斷中，你認為哪個更重要？
對精確率和召回率分別進行定義。
你如何繪製ROC曲線？ROC曲線下面積表示什麼？
在多類別分類任務中你如何繪製ROC曲線？
除此之外，還有哪些評估多類別分類任務結果的方法？
靈敏度（sensitivity）和特異度（specificity）是什麼？
隨機森林中的“隨機”指什麼？
你如何進行文本分類？
在沒有TF-IDF的情況下，你如何確定自己學會了文本？
你還能用機器學習做些什麼？
當神經網絡由線性節點構成時，它如何學習非線性形狀？它如何學會非線性邊界？
除此之外還有幾個不錯的問題。儘管面試過程感覺不錯，但是在某些問題上我們未能達成一致。而且在面試過程中，我發現公司只有2—3人專注於ML/DL/DS。
亞馬遜（50—55分鐘）
訓練決策樹時的參數是什麼？
在決策樹的節點處分割的標準是什麼？
基尼係數的公式是什麼？
熵的公式是什麼？
決策樹如何決定在哪個特徵處分割？
-
你如何用數學計算收集來的信息？你確定嗎？
隨機森林的優點有哪些？
介紹一下boosting算法。
gradient boosting如何工作？
關於AdaBoost算法，你瞭解多少？它如何工作？
SVM中用到了哪些核？SVM中的優化技術有哪些？
SVM如何學習超平面？用數學方法詳細解釋一下。
介紹一下無監督學習，算法有哪些？
在K-Means聚類算法中，如何定義K？
告訴我至少3中定義K的方法。
除此之外你還知道哪些聚類算法？
談談DB-SCAM算法。
階層聚合式分類法（Hierarchical Agglomerative clustering）是如何工作的？
解釋一下PCA，使用PCA時有哪些數學步驟。
使用PCA有哪些缺點？
CNN如何工作？詳細說一下使用細節。
解釋一下CNN中的反向傳播。
你如何部署機器學習模型？
大多時候，我們可能需要用C++從零開始搭建機器學習模型，你能做嗎？
我面試的是亞馬遜level 6的職位。我只能說，他們主要的關注點在算法和背後的數學上。不幸的是，我的面試都是即興的，並沒有準備數學方面的知識，我只說了我所記得的所有東西。不過面試官並不認為我適合level 6的工作。我相信只要你能記住通用的機器學習算法的數學細節，就能輕易地通過亞馬遜技術輪面試。
全球服務型巨頭（50—55分鐘）
S函數的範圍是什麼？
scikit-learn的哪個安裝包能實現邏輯迴歸？
標準正態分佈的平均數和變量是什麼？
你在Python中用什麼數據結構？
文本分類的方法有什麼，你都怎樣做？
解釋一下TF-IDF，它的缺點有什麼？你怎麼克服？
bigrams和trigrams是什麼？用帶有文本句子的例子解釋一下bigram和trigram的TF-IDF。
word2vec有哪些應用，舉個例子？
你會怎樣設計一個神經網絡？怎樣把它變深？
LSTM是如何工作的？它是怎麼記住文本的？
什麼是樸素貝葉斯分類器？
拋10次硬幣，4次是正面的概率有多大？
如何獲取Python中列表元素的索引？
如果用pandas合併兩個數據集？
從用戶角度出發，你需要模擬欺詐活動，你會如何解決這個問題？
你更喜歡決策樹還是隨機森林？
使用邏輯迴歸和隨機森林有什麼區別？
在分類問題上，你會用決策樹還是隨機森林？用隨機森林有什麼優點？
最終這家公司向我發放了數據科學崗位的offer。事實上，我非常享受這次的技術性交流。你可能會覺得這些問題也是最基礎的機器學習和數據科學問題。不過在面試過程中我感到面試官可能不是這一領域的，或者對現在的發展瞭解的不多。
全球商業管理公司（25—30分鐘）
在不平衡的數據集中，你會選擇什麼模型：隨機森林還是boosting？為什麼？
你瞭解的boosting技術有哪些？
-
用監督學習的方法進行分類問題，你會選擇哪個模型？（大約40—50個類別）
你如何使用集成技術？
SVM如何工作的？
什麼是Kernel？簡單介紹一下。
如何執行非線性迴歸？
Lasso迴歸和Ridge迴歸是什麼？
說實話，這次面試有點水，以至於我沒有認真對待。不過問題還是不錯的。我面試的是領導一個15—16人的團隊，在這之後是經理面試和HR面試。最終他們給我提供了諮詢崗位以及不錯的薪水。
成立4年的生產和服務型公司（60分鐘）
簡歷上說，你曾做過用語音識別演講者，具體方法是什麼？
什麼是MFCCs？
高斯混合模型是什麼，它是如何完成聚類的？
如何實現期望最大化？其中的步驟是什麼？
GMM中的概率如何計算？
在對演講者進行識別時，你是如何為GMM-UBM技術執行MAP調整的？
談談你所用的I-向量技術。
語境中的分析因素是什麼？
JFA和I-向量的區別是什麼？為什麼選擇I-向量而不選JFA？
你用過PLDA I-向量技術嗎？
你讀過百度的有關Deep Speaker的論文嗎？
如果有兩個模型都可用，你會如何選擇？
貝葉斯信息度量（BIC）和赤池信息量（AIC）工作的數學原理是什麼？
BIC和AIC背後的原理是什麼？
在你的MFCC特徵向量矩陣中，如果有數據丟失怎麼辦？
如何分辨語言？有什麼特點？
你的分類器更像是話語和音樂的分類器，還是話語和非話語的分類器？
在語言分析應用中，如何部署深度神經網絡？
是的，你可能會問這都是什麼問題。非常巧的是，我們兩個人的研究領域都是語音分析，特別是演講者識別。所以整個面試過程一直在圍繞語音分析。很顯然，面試官很專業，並且給了我非常積極的反饋。之後，這家公司給我提供了AI解決方案架構師的工作。
建議
在整個求職過程中，我大概與25—30位專業人士有過交談，以下是我在這之後能給出的建議：
簡歷很重要。要在其中寫明參加過的項目、Kaggle競賽、MOOC證書或者論文。我就是在沒有任何推薦人推薦的情況下接到了亞馬遜的電話。你的簡歷是打動HR和麵試官的重要武器。
自信心和驅動力是成功的一半。參加面試時一定要自信，並且展示出你的熱情（尤其是在創業公司和服務型公司）。
面試時不要急著回答問題。花些時間想想如何組織答案，如果有不明白的地方一定要問。面試時一定要冷靜。
在解釋概念時別忘了表現自己。你可以提幾個做過的案例，並且要熟悉你簡歷裡寫的技能和項目。
-
如果你是這一領域的新人，在創建簡歷時可以從自己做過的項目開始，或者GitHub賬號也是很有說服力的。除此之外，可以多參加Kaggle競賽和MOOC課程。
學會謙虛，注意傾聽面試官的意見。有的時候，R和Python的使用者會互相鄙視，最好不要這樣，不然很可能掛掉。
最後，祝大家面試成功！（小編：答案？擬答案什麼的是不可能的，這輩子都不可能的）
閱讀更多 論智 的文章
