ML 深度面试：面试官视角的准备方法

ML 深度面试考的是：给定一个任务，你能不能讲出端到端的方案，并说清其中每个技术点为什么这样选。

上一篇我们看了广度面试，它侧重知识储备和不同方案之间的细微差别。这一篇看深度面试。

什么是深度面试

可以用 T 型人才来理解：广度是 T 的那一横，深度是 T 的那一竖。面试官通常会沿着你选定的方案或项目一路往下问，直到摸到你理解的边界。

一个追问的例子

很多深度面试的追问长这样：

1. 普通 RNN 为什么容易出现梯度弥散？
2. LSTM 的门控结构为什么能缓解这个问题？它彻底解决了吗？
3. 这里的梯度弥散，和极深前馈网络里的梯度弥散是一回事吗？
4. 这两种情况分别可以怎么应对？

能背出定义只够应付第一问。后面几问要靠你真正理解过原理，最好还亲手调过。

如何准备

1. 找到自己擅长的领域和方法。 拿分类任务来说，SVM、树模型、逻辑回归、CNN 的考查方式都不一样。熟练掌握一种，能让你在深度面试中更得心应手。
2. 知其然，知其所以然。 对简历上写的每个方法，都准备好回答：为什么选它、它的假设是什么、什么情况下会失效、换一种方法会怎样。
3. 用项目走完一次完整流程。 Kaggle、Google Colab 社区都有高质量的 ML 项目，附带数据集和解决方案，涵盖图像、NLP、推荐等领域。以此为基础完整做一遍，能加深你对某一类方法的理解。

面试前的自查清单

挑简历上最重要的一个项目，检查自己能否讲清：

• 问题是什么，为什么要用 ML 解决
• 数据从哪里来，有什么偏差
• 为什么选这个模型，放弃了哪些方案
• 用什么指标评估，线下和线上是否一致
• 遇到过的最大困难，你怎么定位和解决
• 重新做一次，你会改什么

这些考察点在工作中怎么用

• 独立或半独立带项目时，有没有足够的经验和知识完成端到端的开发和管理
• 和兄弟组或核心架构组合作时，能不能讲清当前的技术需求和预期效果
• 项目完成 alpha 版本后，有没有足够的技术能力支撑后续开发和优化

下一步

接下来可以看 ML 系统设计面试。整体顺序在 ML 工程师面试地图。