算法工程師必須具備的四個技能點：知識、工具、邏輯和業務，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模型以及預算控制，流量預估，bidding策略等模型算法的原理和技術細節

 

　　工具：coding能力，大數據相關的spark、flink、深度學習tensorflow、pytorch、ps-lite等模型訓練、serving相關工具

 

　　邏輯：算法題，模型之間的演化關系

 

　　業務：推薦業務邏輯包括冷啟動、召回和排序等在構建模型時的區別聯系，如何根據公司業務模型制定模型的目標效果

 

　　算法基礎是個基本功，需要在學習階段夯實，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學邏輯層面的理解，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里發現面試官比較關心的算法模型有哪些，我總結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，FCN、RestNet、Fast R-CNN 、MobileNet、SSD

 

　　我學習期間匯總了300+道NLP、搜索推薦、機器學習算法的面試常見題，總結一下：

 

　　NLP項目——要寫上深度學習模型，19年面試NLP基本上都會問到Bert,Attention機制，最好準備下。

 

　　搜索推薦——相關崗位，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計一個方案統計商品近6小時實時點擊率。當時有點蒙，回答的并不是很好，有回答使用Storm來實時計算，具體實現并不太熟悉。

　　 

　　機器學習算法——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，常見機器學習模型的損失函數要清楚。

 

　　GBDT的原理

 

　　決策樹節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的參數調優有哪些經驗

 

　　XGBoost的正則化是如何實現的

 

　　XGBoost的并行化部分是如何實現的

 

　　為什么預測股票漲跌一般都會出現嚴重的過擬合現象

 

　　如果選用一種其他的模型替代XGBoost或者改進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？

 

　　怎么優化深度學習模型性能？

 

　　你們有用到哪些激活函數？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：

 

　　設計一個系統來完成搜索詞類目預測，設計一個關鍵詞分類系統，搜索行為日志中有搜索關鍵詞和對于的點擊，購買商品日志，每個產品知道具體的分類，怎么處理同一個關鍵詞多分類的情況？怎么處理誤點擊數據？

 

　　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的調優經驗，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，面試官常根據你的簡歷追問一些細節問題，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。簡歷寫和目標崗位相關的項目，之前工作中不太相關的項目可以去掉，簡歷整體項目經歷要和目標崗位匹配。

 

 

 

 

　　一個完整的算法崗面試過程主要有以下幾個主要環節：自我介紹、項目介紹、算法推導和解釋、數據結構與算法題（寫代碼）。

 

　　關于自我介紹，主要就是簡單介紹下自己的教育背景，在校或在職期間的研究方向和所做的項目以及在項目中所充當的角色等等，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，這也是體現你綜合實力的地方，對項目背景、項目實現的方案，項目所實現的東西都要了如指掌，做機器學習的，必須準備一到兩個重點的機器學習項目，關鍵是項目中間的技術細節都要了如指掌，比如你用了LR、或樹模型，就得知道所有LR或樹模型相關的推導和原理，一旦你說不太清楚，面試官就會對項目的真實性存疑。

 

　　接下來就是機器學習算法原理和推導，這也是要重點去準備的，在面試前你需要能給你一張白紙，可以把推導的每一步寫的清清楚楚的，面試常考邏輯回歸和樹模型的推導，關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。

 

　　技術面主要會圍繞簡歷項目展開，大廠面試官問的很細，阿里的基本上涉及到的每個模型每層參數結構、原理、模型損失函數，為什么要用這個損失函數等問題，所以簡歷上寫到的相關技術最好搞透徹。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的工作，如大數據和接口服務。

 

　　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，訓練不到位，就會導致當場思路不清晰，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、規模、用時、用到的技術以及各個模塊。重點突出自己比較熟悉的技術，防止在面試官打斷的提問的時候，問到自己最薄弱的環節。

 

　　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細節，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細節。

 

　　一定要主動：作為面試者，應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出來。

 

 

　　總結：

 

　　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。