30+公司 MLE 面试准备经验分享，已有Uber, DiDi, 蚂蚁Offer

mk48 发表于 2019-3-19 12:05
請問MLE 和 data engineer差再哪啊?

Data engineer 主要做data pipeline的，也就是general数据收集预处理的部分。
MLE跟model更近。写smodel的training， prediction的平台，有时候写写specific的预处理数据的模块。需要的话，也会调调参数，做做model相关的东西。

等待楼主更新

马克一波！！

太受用了，期待楼主更新

谢谢楼主分享！期待更新

搬好小板凳听讲，感谢楼主分享！

搬好小板凳听讲，最近刚好在找这个track的工作！

系统设计

1.谁会考？
MLE基本都会考的。 少数公司的research scientist也会考到。 而Data scientist感觉基本不怎么考。

2.为什么？
因为目前而言，ML的bottleneck是Engineer方面的问题。要么数据难拿，要么训练好的模型难以deploy到production。当然了，有的公司会以机器学习的系统设计来代替普通的系统设计。我在机器学习系统设计部分专门会讲这个情况。

3.那么系统设计考什么呢？
就普通系统设计是一样的。比如设计一个Uber。网上有很多例子。
系统设计的解答流程也很固定。先clarify需求，然后分析QPS，之后搞清楚service怎么划分，接上database，最后再考虑各种scale情况，系统bottleneck就行了。

4.面试要求呢？
面试要求会比SDE稍微低一些。但是考察的范围还是很广。从network 到database，再到多线程等等。一般都会有所涉及。侧重于考察刷题以外的，计算机的综合知识。也就是知识的广度。

机器学习算法
（因为我面NLP职位为主，所以这些model倾向于NLP。）

先说结论：特殊的model只有职位特别match的组才问，基础的model每家都会问。

1.特殊的model有哪些？
就是发表在一个很新的paper上，researcher用一些trick的方式，在特定应用场景下，发挥很大作用的model。

2.基础的model有哪些？
基础的embedding： Word Embedding, Paragraph Vector.
最基础的layer： CNN, RNN, LSTM.
传统的model： linear regression，logistics regression，SVM。
loss function：cross entropy

3.为什么呢？
特殊的model，很多时候只有专门做这一块应用的人知道，甚至于有些特殊的model，就算是做这一块应用的人，没有看过那篇paper，也不会知道。而现在ML应用的范围很广，每次跳槽的时候，新公司和旧公司解决的问题会有所差异。应用场景只要有一点不一样，model差别会很大。从面试官的角度而言，他会担心，自己现在用的特殊model，被面试者没有见过/用过。那么这个时候，就没法评判被面试者水平了。所以，就面试而言，只要不是跟工作项目直接相关的模型，就不要太过于追新了。

基础的model，科班出身的人都学过。目前公司还是倾向于找科班出身的人。就算没有科班出身，公司也是希望招一些基础扎实的人。当然了，也不排除他们就是找一个方法来简化面试。至于问的深度，会问的很深很细。比如linear regression,面试官会要求推导公式。 LSTM 面试官一般会要求画出内部结构。我也曾遇到过要求现场推导backpropagation & cross entropy公式的面试。

当然了。 如果是工作中应该用过的model(领域内经典model，比如NLP中BERT)，或者简历中提到的model，肯定会被问到的。这里我会在工作经验中详谈。

楼主很有干货，顶！