机器学习及大数据相关面试的职责和面试问题

一、机器学习、大数据相关岗位的职责

各个企业对这类岗位的命名可能有所不同，比如推荐算法/数据挖掘/自然语言处理/机器学习算法工程师，或简称算法工程师，还有的称为搜索/推荐算法工程师，甚至有的并入后台工程师的范畴，视岗位具体要求而定。

根据业务的不同，岗位职责大概分为：

1、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；

2、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；

· 其它，· 广告投放效果分析；· 互联网信用评价；· 图像识别、理解。

3、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。

二、面试问题

1、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？

2、你熟悉的机器学习/数据挖掘算法主要有哪些？

3、你用过哪些机器学习/数据挖掘工具或框架？

4、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· ……

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？

· ……

三、答题思路

1）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。

2）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。

3）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。

4）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；从面试官的角度多问自己一些问题，通过查找资料总结出全面的解答，比如如何预防或克服过拟合。

5）开放问题

· 由于问题具有综合性和开放性，所以不仅仅考察对算法的了解，还需要足够的实战经验作基础；

· 先不要考虑完善性或可实现性，调动你的一切知识储备和经验储备去设计，有多少说多少，想到什么说什么，方案都是在你和面试官讨论的过程里逐步完善的，不过面试官有两种风格：引导你思考考虑不周之处 or 指责你没有考虑到某些情况，遇到后者的话还请注意灵活调整答题策略;

· 和同学朋友开展讨论，可以从上一节列出的问题开始。

四、准备建议

1、基础算法复习两条线

· 材料阅读包括经典教材（比如 PRML，模式分类）、网上系列博客，系统梳理基础算法知识；

· 面试反馈面试过程中会让你发现自己的薄弱环节和知识盲区，把这些问题记录下来，在下一次面试前搞懂搞透。

2、除算法知识，还应适当掌握一些系统架构方面的知识，可以从网上分享的阿里、京东、新浪微博等的架构介绍 PPT 入手，也可以从 Hadoop、Spark 等的设计实现切入。

3、如果真的是以就业为导向就要在平时注意实战经验的积累，在科研项目、实习、比赛（Kaggle，Netflix，天猫大数据竞赛等）中摸清算法特性、熟悉相关工具与模块的使用。

五、总结

如今，好多机器学习、数据挖掘的知识都逐渐成为常识，要想在竞争中脱颖而出，就必须做到· 保持学习热情，关心热点；· 深入学习，会用，也要理解；· 在实战中历练总结；· 积极参加学术界、业界的讲座分享，向牛人学习，与他人讨论。最后，希望自己的求职季经验总结能给大家带来有益的启发。

想对推荐算法、用户画像有进一步的了解的可以移步我的知乎live《 推荐算法那点事》:知乎 Live – 全新的实时问答《 推荐算法那点事（二）：细节 》:知乎 Live – 全新的实时问答

附:其它可能的题目-算法/架构/ETL等

MapReduce解决缺值问题？集群规模有限，但之前的那个文件足够大，如何解决？（不能调整集群的规模）Spark的三种部署方式？如果Spark用的和Mapreduce的计算资源同是yarn，发现资源不够用了话，在Spark中的哪里进行配置，使之资源分配合理？LVS的配置相关命令？Hadoop的各角色的职能？Hadoop的checkpoint的作用？HBase的双主如何配置？HBase即便拥有双主的高可靠配置，存在hdfs上的数据丢失怎么办？HBase模糊查询，是什么？如何做到？Hadoop的 高可靠性，如何保证？如何保证HBase的稳定性以及高可靠性？从部署、容灾、以及网络方面说说你的看法？你觉得Spark和Hadoop的区别是什么,请简要说一说？你觉得Python和Java在使用起来，有什么区别？给你两张表，表A和表B，其中表A有3条数据，表B有5条数据，问：表A left join 表B后有几条？LVS和HAProxy相比，它的缺点是什么？Sqoop用起来感觉怎样？ZooKeeper的角色以及相应的Zookepper工作原理？HBase的Insert与Update的区别？数组与链表的区别是什么？Scala函数式编程的特点？今日头条的个性化推荐是如何实现的？spark工作原理spark运行原理Spark StreamingStorm的ack是干嘛的kalfka干嘛的job提交到yarn上的工作流程10x+5y+z = n，x+y+z的最小值ArryList、LinkedList、vector的区别hashMap HashTable的区别垃圾回收机制JVM的工作原理Hbase的垃圾回收工具for循环LinkedList遍历HashMap的并且把某一个值删除线程 进程Java中Runnable和Thread的区别CallableCallable与Future的介绍sleep wait区别hadoop源码使用了什么JAVA技术hadoop的通讯接口RPC协议java的数据类型mapreduce中的Text类型 LongWriteable 能不能用String 或者用long类型代替JAVA如何实现序列化反序列化是什么？序列化是将（内存中的）结构化的数据数据，序列化成2进制mapreduce常用的接口mapreduce的工作流程MR优化方式什么样的情况下不能用mapreduceHDFS的架构hdfs改那几个文件 分别改什么内容 内容代表什么意思（3次）core是全局的 site是局部的hdfs优化mapreduce怎么实现join连接yarn的ha搭建zookeeper的工作原理和应用场景如何解决mapreduce的数据倾斜mapreduce怎么实现把移动数据到移动计算的hive 增加数据有几种方式怎么给hive的表里面增加一个字段增加的字段里面数据占不占内存给字段增加值怎么增加1g的小文件，1g的一个文件 ，为什么小文件占的空间更大hive建表，什么情况下见内部表impala 依赖怎么解决hive数据倾斜问题hbase rowkey的设计原则唯一 简明有意义hbase的应用场景你们平时PV有多少，数据量有多少Hive是重点hadoop工程师zookeeper在hbase中作用ZK中存的两张最重要的表shall 数组的分隔符是什么linux的copy。