更新日期:

准备好回答这13个关于机器学习的面试问题

作者:

凯蒂指导和教育年轻的专业人士,并帮助那些刚开始职业生涯和财务旅程的人做出明智的决定。

机器学习面试问题

机器学习工程师的面试将是非常技术性的,但这是你展示自己是最佳候选人的机会。

准备好这些人工智能和机器学习面试问题以及如何回答它们吧。

面试官也可以使用这个列表来建立一个面试,以揭示机器学习候选人的能力。你会学到他们的技术技能和批判性思考的能力。

机器学习面试中可能遇到的问题。

机器学习面试中可能遇到的问题。

算法

准备好展示你对浅层学习算法的知识。除非你申请的是一个严格意义上的数据科学家职位,否则面试官是不会对算法问题涉及太多细节的。但是你应该能够讨论输入以及什么算法最适合什么应用。

1.什么时候用KNN (k个最近邻)?

KNN通常用于分类。这是机器学习中最简单和最常用的算法之一。

根据您的经验,您的答案可能会有所不同,但我认为在大多数情况下,当类和特性被标记时,KNN是可行的

2.描述支持向量机是如何工作的。如何使用非线性数据的支持向量机?

支持向量机创建一个超平面或决策边界,根据新数据位于边界的哪边对输入数据进行分类。它们通过尽可能增加边界和数据点之间的余量来优化。

请记住,内核经常堆放着支持向量机。核将非线性数据转换成线性数据,从而可以优化支持向量机。

框架和语言

面试官想知道你用过什么语言和框架。他们还将利用这些问题来了解您掌握新框架的速度,以及您与人工智能可用框架的协调程度。

3.为什么你喜欢使用简历上的语言?

你简历上的任何内容都是可以被提及的。特别是你所掌握的编程语言。所以要准备好谈论所有的细节。

如果你的真实答案是,你这么说只是因为你上一份工作中他们是这么说的,那也没关系。准备好从机器学习的角度讨论一种语言的优点和缺点。

4.告诉我你使用公司使用>的

如果您熟悉该公司使用的框架,那么这对您来说应该很容易。当然,如果你把它们列在简历上,你应该能够谈论它们。

如果你没有经常使用那个特定的框架,那也不一定会导致交易失败。任何称职的软件工程师都应该能够适应新的框架,而无需花费大量的学习时间。职位描述可能会列出公司使用的几个主要平台。在面试开始前做好这些调查。

研究新框架时应注意的几个方面:

  • 它最擅长处理什么任务?
  • 你的优点/缺点是什么?
  • 哪些语言与框架的接口很好?

你需要能够明智地谈论那个环境。

如果这个框架是开源的,那么在你的个人电脑上试用一下。你也可以参加一些负担得起的在线课程,这些课程会给你一个临时的执照。

构建神经网络

5.如果算法不收敛怎么办?

这是一个开放性的问题,任何从事机器学习的人都应该很容易回答。

降低学习率(alpha)是很好的第一步。作为面试官,我希望看到应聘者描述一种更合乎逻辑的寻找阿尔法的方法。尝试一个战略范围的alpha,并绘制迭代次数上的成本函数。

6.什么时候用梯度下降法,什么时候用正规方程?

你可能会问到优化算法的不同方法的优缺点。

请记住,常规方程不能用于分类,所以这种比较只对回归有影响。当特征个数不是很大时,选择正规方程。与梯度下降相比,它的优势在于你不需要选择学习速率或迭代。

如果有很多特征,那么法方程就会很慢所以我会选择梯度下降法。

在机器学习或人工智能职位的面试中,可能会遇到关于构建神经网络的问题。

在机器学习或人工智能职位的面试中,可能会遇到关于构建神经网络的问题。

评估模型(性能)

机器学习工程师的主要工作之一是优化神经网络,了解它的性能如何。

7.为什么过拟合不好,如何修正?

过拟合是指一种算法很好地拟合了训练数据,但确实准确地预测了新情况。显然这很糟糕,因为它对现实世界的情况没有用处。

描述几种可以改进过拟合的方法。添加一个正则化项和增加lambda可以得到很好的结果。减少特征的数量或降低多项式的阶数是选项,但并不是每一种情况下的正确选择。

8.你怎么知道你的模型好不好?

这类似于上面的问题,候选人需要了解如何评估模型。

您可以解释如何将可用的培训数据划分为培训数据、验证数据和测试数据,以及它们的用途。我希望听到一个候选人谈论改变多项式的次数和,并比较验证数据中的错误。

项目

参加面试时要准备好讨论以前的项目。就像任何面试一样,你简历上的任何内容都是可以被问到的。

准备好工作、学校或个人使用的项目组合。你可能会受到保密协议或机密工作的限制,所以要清楚你能讨论什么。

以下是你可能会遇到的一些问题:

9.你最喜欢的机器学习项目是什么?

为了这次面试,你可以选择与工作最相关的项目作为你最喜欢的项目。这将给你一个机会来突出你的相关经验。

如果你更愿意谈论哪个是你真正喜欢的,让招聘经理知道你是否喜欢这个新职位,这也是一个好主意。

10.说说你解决的一个难题。

选择一个容易描述的问题。好的回答这个问题的一部分是表明你可以向非技术人员描述复杂的机器学习问题。

当你描述你的解决方案时,不要把功劳归于自己,除非这真的是你的努力。强调你的团队的贡献会显示你是一个优秀的团队合作者。如果可以,指出客户,进度和预算的影响这个问题。展示你的贡献你是如何为底线增值的,而不仅仅是眼前的问题。

行为问题

别忘了面试很可能会包括行为问题。对于许多工程师和数据科学家来说,这是最困难的部分!我们花了很多时间准备我们忘记了的技术问题,这些问题也将通过我们如何融入团队来评估。

下面是一些更重要的行为问题,这样你就可以提前准备了。对于要求您描述特定时间的问题,使用STAR模型来概述您的答案。阅读更多关于这里的STAR响应如果你不知道那是什么。

11.告诉我一个你在工作上发生冲突的例子。

这对任何职位来说都是一个常见的问题。让面试官有机会了解和你共事是什么感觉。

在这个问题出现之前,你要有个想法。快速描述问题,花更多的时间解释你是如何处理的,以及你学到了什么。向对方展示你可以从容面对冲突。

10.举一个你在工作中犯错误的例子。

当然,不要把它当成一个巨大的错误,而是要找到一个你能从中学到东西的诚实的错误。在你的叙述中,承认错误,并专注于如何解决它。评论一下您对发现错误的测试或验证的欣赏(如果是技术上的错误)。

11.描述一次你与客户意见不一致的情况。你是怎么处理的?

与客户打交道可能是你工作的一部分,所以用这个问题来表明你可以把你完全的技术方面和更有风度的方面分开。

添加你的问题

在机器学习或数据科学面试中,你还被问到过哪些问题?或者你还有其他想问应聘者的问题吗?

请在下面的评论中与社区分享。

©2019凯蒂传媒

相关文章