刷题很卷，是不是应该考些别的

上半年试水面面大厂ml scientist居然都是抽中hard题。
特别有一题median of stream，多年没碰heap导致当时思路都没。刷了几个月题，回头发现满满的套路。
只是算法这东西跟做机器学习研究真就是没太大关系。
机器学习本身能考的东西很多，随便推几个公式，bound，依我之前工作时的数据点，要求推一个ELBO都可以团灭95%的候选人。
拙见：算法面试本来就是大厂低成本标准化筛选人才的标准，为啥不搞些杀伤力更大的而且更考察知识体系的测试呢。

国内面试考八股，算是和码农很相关了，为什么也总有人抱怨，你说卷不卷？只要公司面试考啥，啥都会成为套路的。那个时候人人都会backpropagation多元微分，和现在刷题的卷没啥区别。

有啊，ml题有得是，你说的是理论题，还有system design。system design分两种，一种是码农面的，distributed system和data pipeline的东西，还有一种设计推荐系统，feature model metric。其实system design才是难点吧，而且跟所谓的研究也没啥关系，应该算工程。

公式其实会个最基础的就行吧，实际占比重最大的不是model，而是洗数据和系统实现。感觉工业界ml做的最如鱼得水的是搞distributed system和network的那帮人。

张大虾不吃鸡 发表于 2021-9-13 20:11
那推导一下svm的duel problem，还是现场表演一个back propagation推衍 ：）

这俩比lc hard水多了，基础中的基础，还不如整个quant的概率题

那推导一下svm的duel problem，还是现场表演一个back propagation推衍 ：）

张大虾不吃鸡 发表于 2021-9-13 23:11
那推导一下svm的duel problem，还是现场表演一个back propagation推衍 ：）

上述两个问题已经听说有人被问到过了。。。

find_advice 发表于 2021-9-14 00:40
这俩比lc hard水多了，基础中的基础，还不如整个quant的概率题

哈哈，刷遍绿宝书这个能有点防御力。

find_advice 发表于 2021-9-14 00:44
有啊，ml题有得是，你说的是理论题，还有system design。system design分两种，一种是码农面的，distribute ...

system design对应的应该还是ml engineer。大厂这么多scientist，真的要推几个深一点的bound还是很有杀伤力的。

其实可以考虑直接给个项目要求实现XXX feature，onsite 6个小时内做出来，充分体现design, execution, communication的能力以及tech stack的深度。只不过这么搞，throughput会很小就是了

国内那种八股文更恶心，纯背书。。。