
编译 | 琰琰
近日,斯坦福大学讲师Chip Huyen 出版了一本《机器学习面试》书稿,分享了她多年来作为机器学习从业者,在面试和求职过程中积累下来的宝贵经验。从ML岗位、公司选择、到面试技巧,需要掌握的专业知识,整本书的内容可谓相当全面。
如果你想了解:机器学习工程师、数据科学、ML/AI 架构师不同岗位之间有何区别?刚毕业的学生到底是该选择大公司还是小公司?面试官想要的是什么样的人才?怎样沟通才能展现自己的优势?如何谈薪资?面试过程有哪些常见问题?要如何准备,有哪些可学习的渠道或书籍?在这里都能找到答案。
作者在文中强调,这本书主要面向两类候选人:
在专业知识方面,这本书介绍了200多个ML知识点,涵盖了机器学习领域大部分重要的概念和常见误区。此外,由于职位需求不同,这些问题覆盖了不同难度等级。最后,书中还提供了30 个开放式问题,以帮助读者检验现有的面试能力。
Chip Huyen,目前是斯坦福大学兼职讲师,主要教授机器学习系统设计(https://stanford-cs329s.github.io/)和Tensorflow相关课程,在此之前,她曾在Netflix、NVIDIA 和Snorkel AI 等大型科技公司从事机器学习系统的开发和部署工作。
个人主页:https://huyenchip.com/
同时,Chip Huyen也一位畅销书作家,她撰写了很多有关软件工程与机器学习领域的著作和文章,曾被LinkedIn 评选为2019 年软件开发领域的顶级作家Top10 和2020 年数据科学和人工智能领域的顶级作家之一。
此外,她撰写过四本越南书籍,销量累计超过 了100,000 册。
这本《机器学习面试》汇集了她多年来的求职经验,也咨询了很多公司,参考了很多朋友的建议。她在书稿的序言中介绍说:
作为候选人,我面试过十多家大公司和初创公司,收到过谷歌、NVIDIA、Snap、Netflix、Primer AI 和 Snorkel AI 等公司的offer,也被很多其他公司拒绝过。
作为一名面试官,我参与了 NVIDIA 和 Snorkel AI 的招聘流程设计和执行,从简历筛选、初面、技术面,到终面和发送offer。在这个过程中,我对面试官和求职者的心理、如何吸引优秀的候选者,如果沟通薪资问题都有着充分的把握。
作为老师,我帮助了很多学生和朋友准备大公司和初创公司的机器学习面试。在为他们模拟面试的过程中,我发现了很多沟通上的细节问题和一些常见的面试技巧。
此外,我还咨询了几家初创公司的机器学习岗位招聘渠道。我了解到,对于企业而言,如果内部没有强大的机器学习团队和专业的招聘流程,招聘一位优秀且符合岗位需求的机器学习人才是非常困难的。而另一方面,由于机器学习还是一个新型行业,相关企业和需求还不足够大,很多候选者找到满意的工作也不容易。
需要说明的是,书中涉及的200多个面试问题都将提供详细的答案。目前,由于作者的个人原因,这项工作进展缓慢,这本书只有 10% 的问题提供了答案,之后的答案会陆续进行更新。
附全书目录
第一部分:概述
第 1 章机器学习工作
1.1 不同的机器学习角色
1.1.1 在研究中工作与在生产中工作
1.1.2 研究
1.1.2.1 研究与应用研究
1.1.2.2 研究科学家与研究工程师
1.1.3 生产
1.2 公司类型
1.2.1 应用公司与工具公司
1.2.2 企业产品与消费产品
1.2.3 初创公司或大公司
第 2 章机器学习面试流程
2.1 了解面试官的心态
2.1.1 公司希望从候选人那里得到什么
2.1.2 公司如何寻找候选人
2.1.3 公司在候选人中寻找什么信号
2.2 面试管道
2.2.1 常见面试形式
2.2.2 其他面试形式
2.2.3 大公司面试与小公司面试
2.2.4 实习面试与全职面试
2.3 问题类型
2.3.1 行为问题
2.3.1.1 背景与简历
2.3.1.2 兴趣
2.3.1.3 沟通
2.3.1.4 个性
2.3.2 询问面试官的问题
2.3.3 糟糕的面试问题
2.4 危险信号
2.5 时间线
2.6 了解您的赔率
第 3 章报价后
3.1 补偿方案
3.1.1 基本工资
3.1.2 股权授予
3.1.3 奖金
3.1.4 不同层次的补偿方案
3.2 谈判
3.3 职业发展
第 4 章从哪里开始
4.1 找工作需要多长时间?
4.2 其他人是怎么做的
4.3 资源
4.3.1 课程
4.3.2 书籍和文章
4.3.3 其他资源
4.4 ML 面试的注意事项
第二部分:问题
第 5 章数学
符号
5.1 代数和(小)微积分
5.1.1 向量
5.1.2 矩阵
5.1.3 降维
5.1.4 微积分和凸优化
5.2 概率与统计
5.2.1 概率
5.2.1.1 复习的基本概念
5.2.1.2 问题
5.2.2 统计
第 6 章计算机科学
第 7 章机器学习工作流
7.1 基础知识
7.2 采样和创建训练数据
7.3 目标函数、度量和评估
第 8 章机器学习算法
8.1 经典机器学习
8.2 深度学习架构和应用
8.2.1 自然语言处理
8.2.2 计算机视觉
8.2.3 强化学习
8.2.4 其他
8.3 训练神经网络
附录
书稿链接:
https://huyenchip.com/ml-interviews-book/contents/8.3-training-neural-networks.html
由于微信公众号试行乱序推送,您可能不再能准时收到AI科技评论的推送。为了第一时间收到AI科技评论的报道, 请将“AI科技评论”设为星标账号,以及常点文末右下角的“在看”。