數(shù)據(jù)挖掘工程師的面試問題與答題思路

機(jī)器學(xué)習(xí)、大數(shù)據(jù)相關(guān)崗位根據(jù)業(yè)務(wù)的不同，崗位職責(zé)大概分為：

1、平臺(tái)搭建類

數(shù)據(jù)計(jì)算平臺(tái)搭建，基礎(chǔ)算法實(shí)現(xiàn)，當(dāng)然，要求支持大樣本量、高維度數(shù)據(jù)，所以可能還需要底層開發(fā)、并行計(jì)算、分布式計(jì)算等方面的知識(shí)；

2、算法研究類

- 文本挖掘，如領(lǐng)域知識(shí)圖譜構(gòu)建、垃圾短信過濾等；

- 推薦，廣告推薦、APP 推薦、題目推薦、新聞推薦等；

- 排序，搜索結(jié)果排序、廣告排序等；

- 廣告投放效果分析；

- 互聯(lián)網(wǎng)信用評(píng)價(jià)；

- 圖像識(shí)別、理解。

3、數(shù)據(jù)挖掘類

- 商業(yè)智能，如統(tǒng)計(jì)報(bào)表；

- 用戶體驗(yàn)分析，預(yù)測流失用戶。

以上是根據(jù)求職季有限的接觸所做的總結(jié)。有的應(yīng)用方向比較成熟，業(yè)界有足夠的技術(shù)積累，比如搜索、推薦，也有的方向還有很多開放性問題等待探索，比如互聯(lián)網(wǎng)金融、互聯(lián)網(wǎng)教育。在面試的過程中，一方面要盡力向企業(yè)展現(xiàn)自己的能力，另一方面也是在增進(jìn)對(duì)行業(yè)發(fā)展現(xiàn)狀與未來趨勢的理解，特別是可以從一些剛起步的企業(yè)和團(tuán)隊(duì)那里，了解到一些有價(jià)值的一手問題。

以下首先介紹面試中遇到的一些真實(shí)問題，然后談一談答題和面試準(zhǔn)備上的建議。

面試問題

1、你在研究/項(xiàng)目/實(shí)習(xí)經(jīng)歷中主要用過哪些機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘的算法？

2、你熟悉的機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘算法主要有哪些？

3、你用過哪些機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘工具或框架？

4、基礎(chǔ)知識(shí)

1）無監(jiān)督和有監(jiān)督算法的區(qū)別？

2）SVM 的推導(dǎo)，特性？多分類怎么處理？

3）LR 的推導(dǎo)，特性？

4）決策樹的特性？

5）SVM、LR、決策樹的對(duì)比？

6）GBDT 和 決策森林 的區(qū)別？

7）如何判斷函數(shù)凸或非凸？

8）解釋對(duì)偶的概念。

9）如何進(jìn)行特征選擇？

10）為什么會(huì)產(chǎn)生過擬合，有哪些方法可以預(yù)防或克服過擬合？

11）介紹卷積神經(jīng)網(wǎng)絡(luò)，和 DBN 有什么區(qū)別？

12）采用 EM 算法求解的模型有哪些，為什么不用牛頓法或梯度下降法？

13）用 EM 算法推導(dǎo)解釋 Kmeans。

14）用過哪些聚類算法，解釋密度聚類算法。

15）聚類算法中的距離度量有哪些？

16）如何進(jìn)行實(shí)體識(shí)別？

17）解釋貝葉斯公式和樸素貝葉斯分類。

18）寫一個(gè) Hadoop 版本的 wordcount。

……

5、開放問題

1）給你公司內(nèi)部群組的聊天記錄，怎樣區(qū)分出主管和員工？

2）如何評(píng)估網(wǎng)站內(nèi)容的真實(shí)性（針對(duì)代刷、作弊類）？

3）深度學(xué)習(xí)在推薦系統(tǒng)上可能有怎樣的發(fā)揮？

4）路段平均車速反映了路況，在道路上布控采集車輛速度，如何對(duì)路況做出合理估計(jì)？采集數(shù)據(jù)中的異常值如何處理？

5）如何根據(jù)語料計(jì)算兩個(gè)詞詞義的相似度？

6）在百度貼吧里發(fā)布 APP 廣告，問推薦策略？

7）如何判斷自己實(shí)現(xiàn)的 LR、Kmeans 算法是否正確？

8）100億數(shù)字，怎么統(tǒng)計(jì)前100大的？

……

答題思路

1、用過什么算法？

最好是在項(xiàng)目/實(shí)習(xí)的大數(shù)據(jù)場景里用過，比如推薦里用過 CF、LR，分類里用過 SVM、GBDT；

一般用法是什么，是不是自己實(shí)現(xiàn)的，有什么比較知名的實(shí)現(xiàn)，使用過程中踩過哪些坑；優(yōu)缺點(diǎn)分析。

2、熟悉的算法有哪些？

基礎(chǔ)算法要多說，其它算法要挑熟悉程度高的說，不光列舉算法，也適當(dāng)說說應(yīng)用場合；

面試官和你的研究方向可能不匹配，不過在基礎(chǔ)算法上你們還是有很多共同語言的，你說得太高大上可能效果并不好，一方面面試官還是要問基礎(chǔ)的，另一方面一旦面試官突發(fā)奇想讓你給他講解高大上的內(nèi)容，而你只是泛泛的了解，那就傻叉了。

3、用過哪些框架/算法包？

主流的分布式框架如 Hadoop，Spark，Graphlab，Parameter Server 等擇一或多使用了解；

通用算法包，如 mahout，scikit，weka 等；

專用算法包，如 opencv，theano，torch7，ICTCLAS 等。

4、基礎(chǔ)知識(shí)

個(gè)人感覺高頻話題是 SVM、LR、決策樹（決策森林）和聚類算法，要重點(diǎn)準(zhǔn)備；

算法要從以下幾個(gè)方面來掌握：

1）產(chǎn)生背景，適用場合（數(shù)據(jù)規(guī)模，特征維度，是否有 Online 算法，離散/連續(xù)特征處理等角度）；

2）原理推導(dǎo)（最大間隔，軟間隔，對(duì)偶）；

3）求解方法（隨機(jī)梯度下降、擬牛頓法等優(yōu)化算法）；

4）優(yōu)缺點(diǎn)，相關(guān)改進(jìn)；

5）和其他基本方法的對(duì)比；

6）不能停留在能看懂的程度，還要對(duì)知識(shí)進(jìn)行結(jié)構(gòu)化整理，比如撰寫自己的 cheet sheet，我覺得面試是在有限時(shí)間內(nèi)向面試官輸出自己知識(shí)的過程，如果僅僅是在面試現(xiàn)場才開始調(diào)動(dòng)知識(shí)、組織表達(dá)，總還是不如系統(tǒng)的梳理準(zhǔn)備；

7）從面試官的角度多問自己一些問題，通過查找資料總結(jié)出全面的解答，比如如何預(yù)防或克服過擬合。

5、開放問題

由于問題具有綜合性和開放性，所以不僅僅考察對(duì)算法的了解，還需要足夠的實(shí)戰(zhàn)經(jīng)驗(yàn)作基礎(chǔ)；

先不要考慮完善性或可實(shí)現(xiàn)性，調(diào)動(dòng)你的一切知識(shí)儲(chǔ)備和經(jīng)驗(yàn)儲(chǔ)備去設(shè)計(jì)，有多少說多少，想到什么說什么，方案都是在你和面試官討論的過程里逐步完善的，不過面試官有兩種風(fēng)格：引導(dǎo)你思考考慮不周之處 or 指責(zé)你沒有考慮到某些情況，遇到后者的話還請注意靈活調(diào)整答題策略;

和同學(xué)朋友開展討論，可以從上一節(jié)列出的問題開始。

準(zhǔn)備建議

1、基礎(chǔ)算法復(fù)習(xí)兩條線
材料閱讀 包括經(jīng)典教材（比如 PRML，模式分類）、網(wǎng)上系列博客（比如 研究者July的“結(jié)構(gòu)之法，算法之道”），系統(tǒng)梳理基礎(chǔ)算法知識(shí)；

面試反饋 面試過程中會(huì)讓你發(fā)現(xiàn)自己的薄弱環(huán)節(jié)和知識(shí)盲區(qū)，把這些問題記錄下來，在下一次面試前搞懂搞透。

2、除算法知識(shí)，還應(yīng)適當(dāng)掌握一些系統(tǒng)架構(gòu)方面的知識(shí)，可以從網(wǎng)上分享的阿里、京東、新浪微博等的架構(gòu)介紹 PPT 入手，也可以從 Hadoop、Spark 等的設(shè)計(jì)實(shí)現(xiàn)切入。

3、如果真的是以就業(yè)為導(dǎo)向就要在平時(shí)注意實(shí)戰(zhàn)經(jīng)驗(yàn)的積累，在科研項(xiàng)目、實(shí)習(xí)、比賽（Kaggle，Netflix，天貓大數(shù)據(jù)競賽等）中摸清算法特性、熟悉相關(guān)工具與模塊的使用。

總結(jié)

如今，好多機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘的知識(shí)都逐漸成為常識(shí)，要想在競爭中脫穎而出，就必須做到：
保持學(xué)習(xí)熱情，關(guān)心熱點(diǎn)；

深入學(xué)習(xí)，會(huì)用，也要理解；

在實(shí)戰(zhàn)中歷練總結(jié)；

積極參加學(xué)術(shù)界、業(yè)界的講座分享，向牛人學(xué)習(xí)，與他人討論。

最后，希望自己的求職季經(jīng)驗(yàn)總結(jié)能給大家?guī)碛幸娴膯l(fā)。