机器学习工程师面试问点啥？先看看这10题！

点击上方关注，All in AI中国

作者：Alison DeNisco Rayome

如今，各行业对于人工智能专家的需求量很大。以下是一些关于机器学习工程师如何回答常见的面试成绩以及如何找到合适工作的面试技巧。

根据行业知名的招聘网站Indeed公司的调查报告，随着人工智能在各行业的不断发展和运用，各行业对机器学习工程师的需求在过去两年中呈爆炸式增长。根据另一份调查报告，机器学习专业人士是最受欢迎的技术人才之一，也是支出最高的专业人士之一，其在美国的平均年薪为134,449美元。

Salesforce Einstein公司数据迷信和软件工程副总裁Vitaly Gordon说："软件正在吞噬世界，机器学习正在吞噬软件。机器学习工程是一门需求消费级编码、博士级机器学习，以及产品经理级商业头脑的学科。找到这样的稀有人才可以将企业从市场跟随者提升到行业范畴的指导者，而每个厂商都在寻觅这样的人才。"

RevUnit公司机器学习部门主管Colin Shaw表示，那些应聘机器学习工作的行业人员在面试时能够会遇到许多不同类型的成绩。"而优秀的机器学习工程师交融了各种技能，并且知道如何将这些知识融入可用于消费的代码中。"Shaw说，"在我们寻觅的机器学习人才中，其兴味范畴通常包括数学、统计学、机器学习、数据迷信、深度学习、基础知识、处理成绩，以及计算机迷信和编程。"

Capital One公司机器学习副总裁Dave Castillo表示，对于求职者来说，在面试中从容回答招聘经理本人的成绩也很重要。

"面试是一种双向对话，"Castillo说，"与我们提出的成绩异样重要的是，求职者问我们的成绩。我们希望确保求职者不只是企业的正确选择，而且企业也是求职者的正确选择。"

以下是在求职面试中能够会讯问机器学习工程师的10个成绩：

1.过去几年来你不断从事什么工作？

Capital One公司主管兼首席机器学习工程师Zachary Hanif表示，这个成绩可以作为面试的切入点。招聘经理可以跟进愈加详细的成绩，例如，"你在此项目中遇到的最令人诧异的业务和技术难题是什么？"或者"在项目中，你的日常工作详细来说是什么？"

"在讯问了这些成绩之后，我们很清楚求职者的工作和技术背景，以及他们兴味的本质。"Hanif说，"在这里，我们往往会讯问更深层次的技术成绩和他们的工作阅历。"

2.解释线性回归

Ople公司工程部主管Petr Tsatsin说，像这样的简单成绩可以让招聘经理可以测试次要的统计概念。"线性回归包含许多统计概念，这些概念是机器学习的基础。"Tsatsin说，"面试经过让求职者解释线性回归，可以了解求职者对于不同类型的分布、过度拟合等知识的掌握。"

3.你熟习哪些人工智能和机器学习工具？以及对它们的纯熟程度如何？

"这个成绩允许求职者进一步展现他们的技能，并让我们无机会评价他们对人工智能/机器学习工具的决计程度。"Genesys公司人工智能工程副总裁Conor McGann说。"虽然求职者引见本人的才能有多么出色，但我们保留测试他们的机会，并更清楚地了解他们在日常工作中在运用这些工具方面表现能否出色。"

4.你如何掌握不断变化的技术？

SetSchedule公司首席人力资源官Shayna Goldburg表示，这个成绩可以让企业了解求职者能否积极加入技术社区，以及能否在不断发展的范畴学习新技能。

5.如何处理数据集中丢失或损坏的数据？

机器学习模型与他们训练的数据一样好。OpsRamp公司工程副总裁Bhanu Singh说，这个成绩可以决议求职者处理数据成绩的才能。

6.你处理了哪些机器学习成绩？你是如何处理这些成绩的？

"这种开放性的成绩让求职者无机会传达他们一些更风趣的阅历，以及他们如何运用途理成绩的才能。"McGann说，"我们发现，这一系列的发问通常会使面试发展成为一种更广泛地的技术讨论。"

7.运用机器学习有什么伦理含义？

SAP创新传播者兼副总裁Timo Elliott表示，探求求职者对机器学习技术的伦理影响知识和观点非常重要。"求职者应该可以讨论与数据隐私相关的困难，基于有成见的数据输入的模型，基于敏感变量的分割，例如种族、性别、年龄，以及验证和纠正导致实践成见的模型的方法。"Elliott说。

Elliot表示，有许多例子表明组织机构将机器学习仅仅是作为一个技术项目，没有充分思索其对员工、客户或整个社会的影响，导致对企业产生负面影响。

8.你如何清算和预备数据以确保质量和相关性？

Singh提出这个成绩将会获知求职者的数据迷信才能，这对于机器学习的成功至关重要。

9.你曾经做过的最风趣的项目是什么？

PureStrategy.ai公司创始人兼首席执行官Briana Brownell说："我喜欢这个成绩，由于它让求职者无机会议论他们所热衷的事情，并展现他们非常了解技术和项目的知识和阅历。此外，它可以协助紧张的求职者感到更放松，并展现他们最好的一面。"

Brownell补充说，假如求职者努力想出一个答案，那能够是一个风险信号。

10.案例研讨成绩

Gordon说，案例研讨成绩往往比编程或机器学习敏锐成绩更重要。一个例子能够是，"你如何为维基百科的文章实施引荐系统？"

"在这种状况下，求职者人需求描画他将如何实施端到端系统，从用户界面末尾，经过数据采集、数据存储设计、ETL、特征工程、模型选择、评价算法、计算结构来运转模型，最后监控模型的波动性。"Gordon说，"因此，机器学习工程师必须非常了解端到端系统，才能在工作中富有成效。"

分享了

愣着干嘛，鼓掌啊