关于ds岗位机器学习面试题

本人最近在准备ds岗的面试，正在学机器学习相关的知识。我想知道，我记了很多model的公式，然后很多evaluate model的这些方法，在面试的时候面试官到底会怎么问这些知识？会让你手写公式吗?还是说了解原理即可。（btw：跪求大米看面经，感谢）

一般会有这么三种问法

1. 问简历上的相关项目。例如，要解决什么问题，用的什么features ，数据长什么样（是不是所谓的大数据，有没有imbalanced classes, missing values等等，如何解决），用了什么模型，为什么用这个模型而不用别的模型，这个模型的原理和特点是什么，用什么标准去评判模型（为什么不用吃的评判标准），模型部署过程中有什么挑战（比如对latency有什么要求，是否看重interpretability），模型部署之后产生了多大的impact，等等等等。

2. Case study。面试官会描述一个问题（多半就是这个公司正在做或者曾经做过的项目），然后问你怎么解决（不一定非要是做ml model，但此处我们假设就是要用ml model）。如果面试官是product manager，可能不会在意技术细节，而是更在意你的business sense，比如哪些features会对建模比较有帮助。如果面试官是技术背景，可能会更注重技术部分。典型的问题包括，模型定义（这是个supervised还是non supervised模型，classification还是regression，response variable是什么），哪些features会对建模有帮助（一般会需要一点brainstorm，以及对该domain的常识性了解），从哪里得到数据，数据可能存在的问题及解决方案，用什么类型的model，各个备选model的原理和优缺点是什么（比如logistic regression的数学公式怎么写，loss function是什么，如何fit；regularization是什么，为什么可以防止overfitting或者做variable selection；如果logistic regression和gradient boosting都可以用，哪个更好），怎么做model validation, hyper parameter tuning和model selection，用什么指标评价model（比如，如果有imbalanced classes，使用ROC AUC作为评判指标是否合理），如何interpret output（可否把prediction当作probability，如何衡量feature importance，等等），模型部署之后如果效果不如预期，可能的原因及解决方案是什么，等等等等。

3. 纯问答型。这种一般是在电面阶段，比前两种容易很多，就是考察对ml fundamentals的理解，比如用decision tree做classification时候以什么为split标准，random forest和gradient boosting的区别，等等。

另外，除非职位是做跟deep learning直接相关的项目，否则不会问deep learning，即使问，也只是为了看看知识面的广度，不会起到决定性的作用。deep learning说到底也只是一种ml model而已，面试更多的是考察对基础知识的理解程度和建模经验，而不会纠结于某一种特定类型的model.

试着注册一下吧 发表于 2021-11-17 21:58
DS已经水到可以现学现卖的程度了吗😆

？           

catstep 发表于 2021-11-17 20:54
一般会有这么三种问法

1. 问简历上的相关项目。例如，要解决什么问题，用的什么features ，数据长什么样（ ...

赞一个，谢谢非常有用

DS已经水到可以现学现卖的程度了吗😆

catstep 发表于 2021-11-17 20:54:21
一般会有这么三种问法

1. 问简历上的相关项目。例如，要解决什么问题，用的什么features ，数据长什么样（是不是所谓的大数据，有没有imbalanced classes, missing va

感谢大佬！好人一生平安！

学んだ、ありがとうございます~