ML design 面试的答题模板，step by step

我之前在另一个帖子里面分享了，ML design 面试的解题思路总结，大家反应很有用。最近又在实践中总结出来一套ML design答题模板，成功的过了几个大厂的ML design面试。因此分享给大家。
求加米，给我米不会减少你自己的米，举手之劳，互惠互利。

面试就是要在有限的时间里，尽量把自己懂的东西都让面试官看到。你懂那么多模型理论，怎么才能让面试官也觉得你很懂呢？要有策略，有重点。什么样的策略好用呢?
抓住核心，兼顾深度和广度。

ML design的核心，万变不离其宗，本质都是train一个model来实现某个task，比如prediction/ranking/classification。有经验的人都知道，实际上给定一个问题，好用/常用的solution基本上只有很少的几种。所以想要显得你懂很多，不仅要从深度上要cover这几种solution，更要从广度上显示你有end-to-end的experience。具体怎么实行呢？

Step 1：理清核心问题。
-        不是每个面试官都能用一目了然的方式提问。有的面试官水平差，自己也理不清问题的逻辑。遇到问题很模糊的时候，要尽快理清核心问题。抽象出来，可用信息/输入有哪些，要求的输出是什么样的，这是一个classification的问题，还是regression，还是relevance/matching/ranking？理清楚核心问题，就能判断需要train哪种类型的model，整个pipeline就很容易flow out了。

Step 2：理清核心问题后，请白板画图，最好是一个diagram。有前后逻辑关系的work flow最能展示你思维的广度。
-        在理清核心问题后，具体分析model之前，先把solution的大体框架在白板上画出来。目的是让整个讲解过程逻辑清晰。按照逻辑的先后关系，typical的解答逻辑包括这几大块：training/testing data, input representation, model, output, evaluation, optimization(parameter estimation). 我一般从model开始画，一个框框摆在中间，这是核心。然后画上游，下游。在这里，只要把框架搭好，告诉面试官，我要讲这些内容，面试官有个心理准备，就可以开始听你讲课了。

Step 3：讨论model。为什么我用“讨论”这个词？因为能seriously被考到design的人，都不是entry level。对于更senior的人来说，面试的最好氛围不是你问我答，而是我把我知道的都讲给你听，你看看还有什么想听的。所以你讲的过程中要和面试官互动。要看ta的反应，哪里皱眉了，哪里表情不轻松了，你就要停下来，问他Is there anywhere that you want me to talk more? 这给面试官一个机会表达自己，也帮助你更好的address面试官的考点。
-        Model方面，针对task 的类型，propose哪些model可用，把你能想到的都name出来。选择2-3个常用的，比较优劣，然后选择一个大家常用的。不同的model，输入输出可能不一样。所以决定了model，其他的component就很自然的浮现了。这一步，要在你的model框框里，把关键的component列出来，说明它们之间的关系。分析各个model的优劣，可能需要在旁边额外画出model的visualization，比如说到dnn，你就画几层multi perceptron layer，再顺便提一下SGD和ADAM。说到用logistic regression 做classification，你就顺手写一下log likelihood，显得你optimization也很懂。说到regularization，你就写写L1 norm和L2 norm。显示你的深度，主要就靠这一步。
有时候面试官会告诉你ta想用的model，你就按照ta的来，你也可以在讲解完几个model的优劣后，根据经验自己决定一个model。

您好！
本帖隐藏的内容需要积分高于 20 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 20 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式
Unlock interview details and practice with AI
Curated Interview Questions from Top Companies

Step6：evaluation
- evaluation很容易讲，重点在metrics。主要有三个部分，一个是ROC/AUC curve。第二个是domain specific metrics，比如广告就有CTR。第三个是confusion matrix，重点是从它延申出来precision/recall/accuracy等等对你的solution重要的metrics。

最后再说几个加分项：
-        熟练的讲解参数估计，能显示solid的数学背景。讲估计参数可以用哪些optimization的方法(MSE, loglikelihood+GD, SGD-training data太大量, ADAM-sparse input)，比较优劣.
-        解答逻辑的每个部分，尤其是你熟悉的方面，要自己主动讲，因为每个部分都很重要。别问面试官想不想听你说，除非他明确制止你讲(如果面试官说不用讲，你就失去了一个展示自己的机会)。正确的做法是，lead conversation，一边白板画框图，一边告知面试官我要讲XXX这几个部分。整个design讲完了以后，再问面试官：Is there anywhere that you feel I missed?

求加米，等米看贴，给我米不会减少你自己的米，举手之劳，互惠互利!

The last but not the least: 每一步都尽快和面试官确认，move on，不耽误时间。想要在45分钟之内把面试官讲的心服口服，这么多个component，每个只有很少的时间。

tinyrookie 发表于 2020/01/25 01:34:17
非常感谢楼主的总结，很多干货！关于先讲model还是先讲data，我个人可能会选择先讲data，毕竟data很大程度上限...

对于一个成功的面试来说，先讲什么取决于面试官最想听什么。
根据结构化表达的原则，我们要主题先行。什么是一个ML design的主题？显然是model。同样的data，不同的modelling，水平立分高下。
其次，一般在面试官出题的时候，随着问题介绍，data都会告诉你，如果这时候继续讲data，就陷入data的细节挖掘了。如果你有很多面试的经验，你就会知道，一个design的面试中，讲清楚主题之前，如果陷入任何一部分的细节挖掘，都会让面试官开始皱眉头。

glad2mu 发表于 2020-3-22 05:50
非常感谢楼主的分享，很多point都直击要害！
有个问题，在面ml相关职位的时候 比如fb还会考察general sys ...

general system design是另外一轮面的，ML design的考点和那个完完全全不一样。推荐你学一下Grokking the system design interview这本书。

给lz点赞了

如果内容有个实际的例子可以结合你说的那些东西就更好了！

Thanks for sharing!

Thanks for sharing!

满满的干货诶
优秀的楼主

赞，感觉说的已经非常非常到位了，扁平一点就是problem and label，data，feature,model, metric, online.,

helloworld00 发表于 2020/01/19 22:09:31
给lz点赞了

如果内容有个实际的例子可以结合你说的那些东西就更好了！

那我的ML design就要写成一个系列了，哈哈。

这里我主要是总结一下答题的套路和模版，帮助有ML背景和经验，但是面试不出彩的同学更好的发挥自己。具体的实操还是因人而异，大家按照自己的所长，强化擅长的方面，掩饰弱的方面，就能事半功倍。

楼主能不能share一些自己看到的比较好的资料呢？谢谢

感谢楼主分享～ 楼主几年工作经验？亚马逊给了l6 as吗？谢谢

感谢楼主分享