机器学习和数据科学工程师工资最高，进阶人生巅峰吧！

众所周知，在人工智能应用尚未全面爆发的今天，人工智能人才竞争已经全面爆发。而频繁爆棚的人工智能领域的高薪也让我们这些外行人跃跃欲试。

据悉，目前人工智能领域的薪资（月薪）最低在2万左右，年薪高达百万，毕业后能拿到五六万的不计其数。根据LinkedIn最近对软件工程师进行的一项研究，机器学习和数据科学相关技能的需求量最高，只有0-5年工作经验的机器学习和数据科学从业者比例高达17% ，所有领域中最高的。机器学习和数据科学工程师的薪水最高！平均年薪为 12.$90,000。

面对如此撩人的薪水，你不心动吗？

想要晋升到高水平的人工智能公司，先从面试开始。因此，机器人大讲堂精心搜集并挑选了一些靠谱的经验和高效实用的机器学习面试技巧！感兴趣的小伙伴，快收藏学习吧，向人生巅峰前进！

本文内容

一、 工作职责

二、 面试思路

三、 面试准备技巧

四、 面试问题

1、基础知识

2、开放式问题

3、参考资料

五、 其他建议

一、工作职责

机器学习有很多方向。一些公司更倾向于数据挖掘，而另一些公司则更倾向于深度学习。同理，对应的位置，有的比较理论，有的比较实际。这些因素的叠加导致机器学习相关职位分布广泛，比如数据分析师、算法工程师、机器学习科学家等，很难一概而论。

从事数据挖掘工作，尤其是互联网行业，主要需要三个方面的能力：机器学习和数据挖掘的理论知识，程序开发和数据结构算法的基础，理解和沟通业务的能力。

上图列出了该行业不同类型从业者的特点。大部分招聘主要是根据H和I模板选拔人才。排查方面，除了基本的开发算法外，还有以下几种：

1.了解机器学习算法，如常用算法的基本思想、应用场景、特点及解决方法等。可以从两个分支来考察，一个是H类的使用体验，比如一些实际的参数设置，使用技巧等等。还有一些算法实现方法计算机有哪些经典算法，都是面向I类的。

2.实际项目经验，尤其是数据挖掘工作。一方面考察受访者以往的工作情况，另一方面也考察受访者总结和解决问题的能力。询问项目的一些细节问题，也可以展示做事的方式和对一些知识的掌握程度。

3.结合实际工作中的一些问题，考察对业务的理解力和敏感性。即使没有实际工作经验，你也能看到面试者在这方面的潜力。同时，也考查了理论与实践相结合的能力。

二、 面试思路

1、定位公司和角色

首先，你需要知道你面试的情况——为什么你申请的公司有这样的职位空缺。

例如，如果一家公司正在招聘一名机器学习工程师，你需要知道他们可能正在尝试解决一个复杂的问题，一个传统算法难以应用或根本无法通过传统方法解决的问题。

2、找出核心问题

当你申请这个职位时，你也可以想象如果你已经得到了这份工作会是什么样子。为此，您需要尽可能多地了解公司和职位。问问自己：我能为这家公司解决什么核心问题？

3、探索潜在的数据源

确定问题后，下一步就是思考解决问题需要什么样的数据。其中一些数据可能很容易获得，而其他数据可能需要您编写一些额外的代码来收集它。

4、讨论交流机器学习解决方案

现在你需要进行一个很大的思考：如何将机器学习应用到这个问题场景中？鉴于您想要实现的目标和所需的有效数据，您能否将其转化为机器学习问题？哪种模型更适合使用？如何测试和评估这个模型？这个思考过程可以帮助你在面试中更好地讨论公司最关心的问题。

当被问及更多开放式问题时，例如：“请描述您在项目中遇到的技术问题计算机有哪些经典算法，以及您是如何解决的？” 最好选择与公司相关的话题。回答。

事实上，正确理解公司为什么招聘这个职位的人可以帮助你在人群中脱颖而出。

三、 面试准备技巧

右边的技术点从上到下依次是：

线性代数、微积分、概率和统计

信息论

数据分析能力

机器学习或深度学习建模能力

A/B 测试技巧

数据密集型应用系统设计

计算密集型应用的优化知识

可扩展性和容错知识

左边的彩色字体对应：机器学习研究员、大数据科学家、机器学习工程师、机器学习架构师。右边同色的方框包含了面试前需要重点准备这个职位的科目。

您可以根据这张图片检查并填补空白。

四、面试题

1、基础知识

计算机科学典型问题

· 给定二叉搜索树中的两个元素，找到它们最近的共同祖先。

基于比较的排序算法的时间复杂度是多少？证明？

· 如何在加权图中求两个节点直接压的最短路径？如果某些权重是负数怎么办？

· 查找字符串中的所有回文子串。

注意：对于这些问题，您需要能够导出解决方案的时间和空间复杂度（大 O 表示法），并尝试以尽可能低的复杂度来解决它。只有通过大量的练习，你才能掌握这些不同类型的问题，以便在面试中快速提出有效的解决方案。

数理统计和数据挖掘问题

· 当数据的标签未知时，可以使用哪些技术将具有相同标签的数据与具有其他标签的数据分开？

· 数据预处理的方法有哪些？

· 特征选择的标准方法是什么？

· 某超市研究了销售记录数据，发现买啤酒的人买纸尿裤的概率很高。这属于数据挖掘中的什么问题？

注意：许多机器学习算法都是基于数理统计的。对这些基础知识有一个清晰的概念是非常重要的。当然，您还需要能够将这些抽象概念与现实联系起来。

机器学习模型和算法

· 请简单介绍一下SVM，和LR有什么联系和区别？

· 为什么逻辑回归离散化特征？

· 一个完整的机器学习项目的流程是什么？

· SVM 训练本质上优化的价值是什么？

· 你用给定的数据集训练一个单隐藏层神经网络，发现网络的权重在训练过程中剧烈振荡（有时在负值和正值之间变化）。您需要调整哪个参数才能解决此问题？

…

2、开放式问题

开放式问题最好根据你面试的公司的特点和之前面试的内容来准备。也可以参考一些类似公司的面试题。

· 如何评价网站内容的真实性（代刷、作弊）？

· 深度学习如何在推荐系统中发挥作用？

· 在构建文档挖掘系统的过程中，您做了哪些工作？

假设您有数 TB 的数据文件，其中包含 PDF、文本文件、图像、扫描的 PDF 等。你会怎么分类？

· 机器学习还能做什么？

· 你对AdaBoost算法了解多少？它是如何工作的？

在不平衡的数据集中，你会选择什么模型：随机森林还是提升？为什么？

…

3、参考资料

衡量数据科学家机器学习能力的 40 个问题

文章地址：

如果你是（或计划成为）数据科学家，你必须掌握机器学习，而本文中的问题是专门为测试你对机器学习概念知识的掌握程度而设计的！

衡量数据科学家自然语言处理能力的 30 个问题

文章地址：

自然语言处理 (NLP) 是机器学习行业中发展非常迅速的领域。企业开始意识到使用机器学习从人工文本中提取教学见解的强大功能。文中的问题会让你大致了解自己在 NLP 方面的表现如何！

用树模型衡量数据科学家能力的 30 个问题

文章地址：

决策树是机器学习和数据科学领域最受推崇的算法之一，而这部分内容也是面试过程中的重要一环！

用支持向量机衡量数据科学家能力的 25 个问题

文章地址：

通过对文章中的 25 个问题进行自测，提高您对“支持向量机”经过验证的技术的了解！

评估数据科学家降维技能能力的 40 个问题

文章地址：

面试中最常见的问题之一是如何处理可能包含数百万行和数千列的庞大数据集。当您遇到此类问题时，了解降维技术以及使用该技术的场景将非常有帮助！

衡量数据科学家聚类技术能力的 40 个问题

文章地址：

在通过未标记数据获取知识的过程中，聚类技术发挥着重要作用。这是另一个你必须了解的概念，请务必完全掌握！

新手如何在业务分析工作的面试中取得成功

文章链接：

对于新手来说，缺乏面试经验也会让你时不时感到局促。通过学习本文中的技巧，充分利用任何数据分析面试过程！

五、其他建议

· 简历很重要。

· 信心和热情是成功的一半。

不要急于回答面试官的问题。

• 在解释概念时一定要恰当地展示自己。

· 面对面试官时，一定要谦虚，注意面试官的意见。

最后，祝大家面试成功！