DS 面试之 Machine Learning

Machine Learning 类问题主要有 4 种类型， 分为

• ML 基础问题
• 简历里的 ML
• ML Coding
• ML 应用

ML 基础问题

这部准备最简单， 但是涉及知识面很广。 比如：

什么是过拟合？ 如何解决过拟合？
一般要回答个2,3 句话。

要想准备好， 只能多看， 多记。

简历里的 ML

面试官会问你简历里面写的项目， 对于你用的模型， 一定要清楚工作原理， 准备好提问。 即使你就是个调包侠，也不能说你只会调包。

由于这部分相当于提前告诉你问题范围了， 所以一定要准备好。

参考问题

• 你用的是什么模型， 你怎么用的？
• 你用的模型的优缺点
• 这个模型和其他模型有什么不同， 为什么不用其他模型
• 你是怎么 Evaluate 你的模型的

ML Coding

这部分比较硬核， 一般会出现在偏 ML 的DS面试中。 这部分都是从 0 开始， 在一个 IDE 里面写代码。 这部分非常吓人， 但是一个优点是， 可以在面试时间范围内写的算法， 并不多，所以可选择范围有限。 经常遇到的算法包括

• 决策树
• Linear Regression
• Logistic Regression
• KNN
• Kmeans

这部分的秘诀就是反复练习， 练习到不用脑子就能写出来的地步。 对于你的代码， 要注意能分析出来时间复杂度。

ML 应用

这个一般问实际应用， 一般是一个 End To End 的项目， 包括：

• 整个流程
• 取数，洗数
• 创建模型， 评估模型
• 发布模型

这部分需要实际项目的淬炼， 做几个练手项目， 来准备这类问题。

两点建议

1. 举例子

在讲一些技术词汇的时候， 可以举个例子， 这样可以表示你真的理解了这个技术， 可以活学活用。

2. 不懂的别提

不懂的技术， 千万别提， 否则面试官大概率会追着问下去， 你就惨了。