本文
共
2249字
，建议阅读
5分钟
。
本文为你
介绍面试中遇到的一些真实问题，谈一谈答题和面试准备上的建议。
机器学习、大数据相关岗位根据业务的不同，岗位职责大概分为：
一、平台搭建类
数据计算平台搭建，基础算法实现，当然，要求支持大样本量、高维度数据，所以可能还需要底层开发、并行计算、分布式计算等方面的知识。
二、算法研究类
-
文本挖掘，如领域知识图谱构建、垃圾短信过滤等；
-
推荐，广告推荐、APP 推荐、题目推荐、新闻推荐等；
-
排序，搜索结果排序、广告排序等；
-
广告投放效果分析；
-
互联网信用评价；
-
图像识别、理解。
三、数据挖掘类
-
商业智能，如统计报表；
-
用户体验分析，预测流失用户。
以上是根据求职季有限的接触所做的总结。有的应用方向比较成熟，业界有足够的技术积累，比如搜索、推荐，也有的方向还有很多开放性问题等待探索，比如互联网金融、互联网教育。在面试的过程中，一方面要尽力向企业展现自己的能力，另一方面也是在增进对行业发展现状与未来趋势的理解，特别是可以从一些刚起步的企业和团队那里，了解到一些有价值的一手问题。
以下首先介绍面试中遇到的一些真实问题，然后谈一谈
答题和面试准备上的建议。
四、面试问题
-
你在研究/项目/实习经历中主要用过哪些机器学习/数据挖掘的算法？
-
你熟悉的机器学习/数据挖掘算法主要有哪些？
-
你用过哪些机器学习/数据挖掘工具或框架？
-
基础知识
-
无监督和有监督算法的区别？
-
SVM 的推导，特性？多分类怎么处理？
-
LR 的推导，特性？
-
决策树的特性？
-
SVM、LR、决策树的对比？
-
GBDT和决策森林的区别？
-
如何判断函数凸或非凸？
-
解释对偶的概念。
-
如何进行特征选择？
-
为什么会产生过拟合，有哪些方法可以预防或克服过拟合？
-
介绍卷积神经网络，和 DBN 有什么区别？
-
采用 EM 算法求解的模型有哪些，为什么不用牛顿法或梯度下降法？
-
用 EM 算法推导解释 Kmeans。
-
用过哪些聚类算法，解释密度聚类算法。
-
聚类算法中的距离度量有哪些？
-
如何进行实体识别？
-
解释贝叶斯公式和朴素贝叶斯分类。
-
写一个 Hadoop 版本的 wordcount。
……
五、开放问题
-
给你公司内部群组的聊天记录，怎样区分出主管和员工？
-
如何评估网站内容的真实性（针对代刷、作弊类）？
-
深度学习在推荐系统上可能有怎样的发挥？
-
路段平均车速反映了路况，在道路上布控采集车辆速度，如何对路况做出合理估计？采集数据中的异常值如何处理？
-
如何根据语料计算两个词词义的相似度？
-
在百度贴吧里发布 APP 广告，问推荐策略？
-
如何判断自己实现的 LR、Kmeans 算法是否正确？
-
100亿数字，怎么统计前100大的？
……
答题思路
一、用过什么算法？
-
最好是在项目/实习的大数据场景里用过，比如推荐里用过 CF、LR，分类里用过 SVM、GBDT
-
一般用法是什么，是不是自己实现的，有什么比较知名的实现，使用过程中踩过哪些坑；
-
优缺点分析。
二、熟悉的算法有哪些？
-
基础算法要多说，其它算法要挑熟悉程度高的说，不光列举算法，也适当说说应用场合；
-
面试官和你的研究方向可能不匹配，不过在基础算法上你们还是有很多共同语言的，你说得太高大上可能效果并不好，一方面面试官还是要问基础的，另一方面一旦面试官突发奇想让你给他讲解高大上的内容，而你只是泛泛的了解，那就傻叉了。
三、用过哪些框架/算法包？
-
主流的分布式框架如 Hadoop，Spark，Graphlab，Parameter Server 等择一或多使用了解
-
通用算法包，如 mahout，scikit，weka 等；
-
专用算法包，如 opencv，theano，torch7，ICTCLAS 等。
四、基础知识
个人感觉高频话题是 SVM、LR、决策树（决策森林）和聚类算法，要重点准备；
算法要从以下几个方面来掌握：
-
产生背景，适用场合（数据规模，特征维度，是否有 Online 算法，离散/连续特征处理等角度）；
-
原理推导（最大间隔，软间隔，对偶）；
-
求解方法（随机梯度下降、拟牛顿法等优化算法）；
-
优缺点，相关改进；
-
和其他基本方法的对比；
-
不能停留在能看懂的程度，还要对知识进行结构化整理，比如撰写自己的 cheet sheet，我觉得面试是在有限时间内向面试官输出自己知识的过程，如果仅仅是在面试现场才开始调动知识、组织表达，总还是不如系统的梳理准备；
