如何准备算法岗位面试？你需要知道的都在这了

最新推荐文章于 2024-08-16 20:26:57 发布

Chris-2021

最新推荐文章于 2024-08-16 20:26:57 发布

阅读量1.7k

点赞数 5

文章标签：算法 python 人工智能机器学习自然语言处理

本文链接：https://blog.csdn.net/m0_37169880/article/details/114842349

版权

文章同步发表在我的公众号：算法小哥克里斯。

写在前面：

众所周知，算法岗位现在可谓是神仙打架，竞争压力非常大，但这篇文章的目的并不是为了劝退，而是将要准备算法面试的知识梳理一下，让你有一个清晰的脉络，从而从容应对算法面试，找到心仪的工作。

先介绍一下我的情况，本科来自一所双非的普通院校，非计算机专业，研究生考研到南京大学计算机系，在秋招中拿到了三家大厂的offer，最后选择了字节跳动的算法岗位。感觉对于我一个非科班出身，既没有论文，也没打过ACM的人来说，算是一个非常好的归宿了。这里需要提一下，一个好的实习非常重要。实习并不需要在一个特别好的公司，但是一定要做一些有技术性的工作，而不是单纯的干苦力活。

这篇文章主要会介绍一些算法岗位面试中需要了解的知识。

一、了解面试

想要应对面试，第一步是先了解面试，现在的面试流程基本都包括：

电话面试：作为一个初筛阶段，主要考察候选人的数据结构与算法知识，可能会夹杂着一些机器学习相关的知识
视频面试或线下面试，主要会涵盖以下内容
1. 更多的考察数据结构与算法知识，以及机器学习编程，考察编程能力
2. 机器学习的理论问题，考察对机器学习常见算法的理解
3. 机器学习的系统设计，考察部署一个完整的机器学习系统，需要了解的一些知识
4. HR面试

根据面试内容，我们可以将面试涵盖的问题分为以下三个部分，然后逐个击破：

编程相关，数据结构与算法，机器学习编程
机器学习理论
机器学习系统设计

二、编程相关

数据结构与算法

首先是数据结构与算法的准备，这里主要就是利用好 LeetCode

如果之前数据结构课程学习不好的同学，建议先在LeetCode上认识一下各个数据结构与一些基础的算法，学的还不错的也可以稍微复习一下：https://leetcode.com/explore/learn/
分类别进行刷题，我个人在学习过程中，花花酱的视频对我有很大的帮助，这里推荐给大家，他有进行题目分类，可以先把各个类别的题目做一下，这里的题量不多：https://zxi.mytechroad.com/blog/leetcode-problem-categories/
在面试中经常出现的题目，这个列表的题目，最好做的非常熟练，实践下来确实经常被问到：https://leetcode.com/problemset/top-interview-questions/

一个小的建议：在刷题过程中，可以制作一个电子表格，记录一些比较困难的问题，以及对应的解决算法。便于之后复习，同时也能够了解到自己哪块比较薄弱，针对性练习。

英语基础比较好的同学，推荐一本比较基础的算法书（100页左右），如果有时间的话可以看看，没有时间的话还是要多做一些实际的题目，这本书有Java、Python和C++版本的：https://elementsofprogramminginterviews.com/sample/

机器学习编程

虽然在面试过程中可能不太好考察机器学习的编程能力，但是因为大家实际使用中可能都是调库，所以有时候虽然是一个非常简单的算法，但是真要构思实现起来也比较困难。之前见牛客网有人面试被出了手写KNN算法，虽然是一个非常基础的机器学习算法，但是可能没有多少人能够在面试环境中手写出来吧。

这里推荐一个非常好的资源，里面有各种常见机器学习算法的简洁实现：https://github.com/rushter/MLAlgorithms

三、机器学习理论相关

想要寻找算法工程师岗位，下面这些技术是必须知道的，算是基础中的基础：

线性回归
逻辑回归
KNN
基于树的算法相关：决策树、随机森林、bagging和boosting、KL散度、熵等
SVM
基础的聚类算法（K-Means）和EM算法
PCA降维算法相关：奇异值分解和特征值
Naive Bayes
最大似然估计

下面是一些深度学习相关的技术，在这些话题中，至少需要知道经典的神经网络结构；然后其余话题，需要根据自己之前所做的项目和简历上的内容进行准备：

经典神经网络结构相关：前馈网络、RNN、LSTM、CNN、Attention等
生成对抗网络
自然语言处理
计算机视觉
推荐算法
信息提取
强化学习

在上述话题中，有一些非常共通的技术，这些也是面试过程中经常考察的，需要重点了解：

激活函数
常见优化器，如SGD，Adam和RMSProp
损失函数，如log-loss，hinge loss,，Huber loss，L1和L2 loss
评价指标：Precision和Recall，IOU，F1值，RMSE
特征选择
特征工程，关于这个可以看看Kaggle上的教程：https://www.kaggle.com/learn/feature-engineering

上述技术相关的一些学习资源：

这里推荐两本书：《统计学习方法》和《机器学习实用指南》
如果喜欢通过视频学习的话，推荐吴恩达老师的机器学习课程，这个应该很多人都看过的吧：https://www.coursera.org/learn/machine-learning，对应的查看上课讲义：http://www.holehouse.org/mlclass/
以及更深入的深度学习专项课程：https://www.coursera.org/specializations/deep-learning，也有网友们整理的讲义：https://github.com/mbadry1/DeepLearning.ai-Summary

当这些知识都学习的差不多以后，可以通过以下测验看自己是否掌握良好：

四、系统设计

系统设计虽然不是面试时候一定会问到的，但是，这些知识将来工作的时候一定会用到，所以可以早做准备，而且有时候确实也会被问到。

那么如何设计完整一个机器学习系统呢？包括以下的步骤：

明确需求，这个是所有后续的基础。包括需要多少数据、硬件条件、模型复杂度和效率的tradeoff，如何评价我们的模型效果等等
网络结构，至少需要包括以下几个部分：
1. 数据获取和处理，可能涉及到标注
2. 特征选择和特征工程
3. 额外的一些考量：数据是否和将来实际场景中的数据有偏差（bias），如果有，该如何解决
整体架构。这一步主要考察对各个模型的理解，需要能够知道每个模型的优缺点，什么场景下适用于哪一个模型
线上服务。部署模型上线需要考虑以下的因素：
1. A/B 测试的效果
2. 模型是否会带来偏差
3. 需要多久重新训练我们的模型
4. 在哪里执行模型的推导（inference），服务器端还是用户端，如果是用户端可能需要进行模型蒸馏

关于系统设计可以参考的一些资料：