机器学习 深度面试

ML深度面试

这一篇鸽了好久啦！鸽这么久是有原因的，一部分是因为懒，另一部分下一篇说哈哈！ 上一篇我们着重了解了机器学习的广度面试，recap一下：广度面试侧重于考察候选人的知识储备量，以及不同解决方案间的细微差别。 这一次我们重点来看机器学习的深度面试。

何为深度面试？

和T型人才中的T所描述的类似。如果说广度代表的是T中的“—”， 那么深度则是T中的”|”。 笼统来说，给定一个场景下的某个任务，候选人是否能描述出端到端（end to end）的一套解决方案，并且对这套解决方案中所选定的每一个技术点都熟练地掌握。

如何准备ML深度面试？

1. 找到自己擅长的领域、方法。 拿分类任务来说，SVM、树类模型、逻辑回归、CNN…不同的方法有不一样的考查方式。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。 举个例子，LSTM会容易导致梯度弥散，为什么？这里的梯度弥散和极深网络的梯度弥散是否一样？分别如何避免？
3. 多拿项目来练手，进行一个完整的项目流程。 Kaggle、Google CoLab社区等都会有很高质量的ML项目，附带数据集和解决方案。这些项目往往涵盖包括图像，NLP，推荐等不同领域的问题，以此为基础进行完整的锻炼，深化自己对某一类方法的理解和认识。

深度面试的考查点在工作中的运用

独立或者半独立带一个项目的时候，候选人是否能有足够多的经验和知识完成端到端的项目管理和开发;
和兄弟组或者核心架构组合作时，候选人是否能够描述出当前的技术需求和设想的实现效果;
当某一个项目完成alpha版本的迭代时，候选人是否有足够的知识技术支撑起后续的开发和优化。