今天我們不聊paper，換一個輕松一點的話題，聊一聊如何準備算法工程師的面試。

關(guān)于我

今年是我作為算法工程師工作的第七個年頭，期間拿到過hulu，阿里巴巴，騰訊，美團以及一些startup的算法工程師offer，也作為面試官面試過清北，海外，北郵，以及一些二本學(xué)校等不同背景的百余位candidates，作為面試者和面試官的經(jīng)驗還比較豐富。

所以希望自己的經(jīng)驗?zāi)軐δ阌兴鶐椭?，也非常歡迎其他面試官能夠多留言探討自己的面試經(jīng)驗。

面試要具備的技能

那我們直入主題，到底什么技能才是一名合格的算法工程師應(yīng)該具備的技能呢？面試官又會如何驗證你的這些技能呢？

雖然每個一個崗位都有JD，但拋開具體的崗位要求，從稍高的角度角度看待這個問題，一名算法工程師的技術(shù)素質(zhì)基本可以拆解成下面四個方面：知識、工具、邏輯、業(yè)務(wù)。當然廣義來講，這四項素質(zhì)也適用于所有IT工程師。

我非常喜歡用雷達圖來表示一個人的能力范圍，可能小時候看圣斗士看多了，當時研究官方出的黃金圣斗士能力雷達圖研究了半天，現(xiàn)在也沒好到哪去，只不過變成了喜歡研究候選人的能力雷達圖了。

下面畫出了大數(shù)據(jù)行業(yè)幾個相關(guān)職位的能力雷達圖，大家可以初步體會一下。

不同崗位的技能雷達圖

簡單來說，任何工程師都應(yīng)該滿足四項技能的最小要求，比如我曾經(jīng)面試過一位計算廣告算法工程師candidate，這位同學(xué)發(fā)過一些計算廣告相關(guān)的paper和專利，從research的角度是不錯的人選，但當我想稍微驗證一下他coding的能力時，他明確告訴我說他不愿意寫代碼。這就是不滿足“工具”這項技能的最小要求，自然是不能通過面試的。

在最小要求的基礎(chǔ)上，算法工程師的能力要求是相對全面的。其實所謂算法工程師，就是因為你不僅應(yīng)該是一位合格的“工程師”，還應(yīng)該再次基礎(chǔ)上有算法的改進和實現(xiàn)的能力。除此之外，大數(shù)據(jù)工程師更注重大數(shù)據(jù)工具和平臺的改進，研究員則在知識和邏輯層面相對突出。有些臨時抱佛腳的同學(xué)喜歡惡補知識，不注重理解業(yè)務(wù)和模型本身的內(nèi)在邏輯，是我經(jīng)常見到的面試“悲劇”情況。

當然，只用四個詞描述四個方面的能力還是過于形而上了，這里我們用一些具體的內(nèi)容來描述一下算法工程師的四個技能點：

知識：主要是指你對machine learning相關(guān)知識和理論的儲備

工具：將你的machine learning知識應(yīng)用于實際業(yè)務(wù)的工具

邏輯：你的舉一反三的能力，你解決問題的條理性，你發(fā)散思維的能力，你的聰明程度

業(yè)務(wù)：深入理解所在行業(yè)的商業(yè)模式，從業(yè)務(wù)中發(fā)現(xiàn)motivation并進而改進模型算法的能力

也許還不夠具體，那我們再從一個實際例子中體會一下，比如我去面試“計算廣告算法工程師”的職位，上面四項對應(yīng)著哪些具體的能力呢？

知識：主流CTR模型以及預(yù)算控制，流量預(yù)估，bidding策略等模型算法的原理和技術(shù)細節(jié)

工具：coding能力，spark、flink、tensorflow、ps-lite等模型訓(xùn)練、serving相關(guān)工具

邏輯：算法題，模型之間的演化關(guān)系

業(yè)務(wù)：展示廣告和搜索廣告在構(gòu)建模型時的區(qū)別聯(lián)系，如何根據(jù)公司的business model制定模型的objective

當然，上面只是讓大家體會一下什么是這四項素質(zhì)，真實的計算廣告算法工程師面試中，你不一定要都掌握，也不一定局限于這些內(nèi)容。如果你遇到一位資深的面試官，他不會預(yù)設(shè)一個框架往面試者身上套，而會從面試者簡歷出發(fā)檢驗面試者能不能達到這四項素質(zhì)的標準。

面試時如何限時考察

那么問題又來了，面試官會如何在"限定的時間內(nèi)"檢驗?zāi)氵@四項素質(zhì)能不能達到"技術(shù)合格"的標準呢？

既然是限定的時間，面試官就不可能拿出一本西瓜書，從頭問到尾，也不可能拿出一本葫蘆書（《白面機器學(xué)習(xí)》），從100道面試題中抽出50道給你來個馬拉松問答。面試官要做的是在1個小時的時間內(nèi)確認你能力的"深度"和"廣度"。 所以在這里面試官就像一個采樣算法，要從你腦子里采幾個點，把你的能力雷達圖描繪出來。

重點再重復(fù)一邊，

面試官會從“深度”和“廣度”兩個維度構(gòu)建你的能力雷達圖。

對于"深度"方面，有經(jīng)驗的面試官會從你已經(jīng)做過的項目中挑出你最擅長的部分做層次式的遞進。比如我在之前的知乎回答“如何準備機器學(xué)習(xí)工程師的面試 ？”中舉過的例子，

一位面試同學(xué)介紹自己實習(xí)時候用過XGBoost預(yù)測股票漲跌，那面試官可能會由淺入深依次考察下列問題：

GBDT的原理（知識）

決策樹節(jié)點分裂時是如何選擇特征的？（知識）

寫出Gini Index和Information Gain的公式并舉例說明（知識）

分類樹和回歸樹的區(qū)別是什么？（知識）

與Random Forest作比較，并以此介紹什么是模型的Bias和Variance（知識）

XGBoost的參數(shù)調(diào)優(yōu)有哪些經(jīng)驗（工具）

XGBoost的正則化是如何實現(xiàn)的（工具）

XGBoost的并行化部分是如何實現(xiàn)的（工具）

為什么預(yù)測股票漲跌一般都會出現(xiàn)嚴重的過擬合現(xiàn)象（業(yè)務(wù)）

如果選用一種其他的模型替代XGBoost或者改進XGBoost你會怎么做，為什么？（業(yè)務(wù)+邏輯+知識）

這是一條由簡歷出發(fā)，由“知識”為切入點，不僅考察了“知識”的深度，而且還考察了“工具”、“業(yè)務(wù)”、“邏輯”深度的面試路徑。

當然，如果你介紹的項目是實現(xiàn)了一種類似阿里DIN的CTR預(yù)估模型。那么問題路徑可能是這樣的：

softmax函數(shù)的定義是什么？（知識）

神經(jīng)網(wǎng)絡(luò)為什么會產(chǎn)生梯度消失現(xiàn)象？（知識）

常見的激活函數(shù)有哪些？都有什么特點？（知識）

挑一種激活函數(shù)推導(dǎo)梯度下降的過程。（知識+邏輯）

Attention機制什么？（知識）

阿里是如何將attention機制引入推薦模型的？（知識+業(yè)務(wù)）

DIN是基于什么業(yè)務(wù)邏輯引入attention機制的？（業(yè)務(wù)）

DIN中將用戶和商品進行了embedding，請講清楚兩項你知道的embedding方法。（知識）

你如何serving類似DIN這樣的深度學(xué)習(xí)模型(工具+業(yè)務(wù))

這條路徑側(cè)重于考查“知識”深度的路徑。為了彌補其他方向考察的不足，面試官肯定還會問一個從工具或者業(yè)務(wù)出發(fā)的問題來確定你其他方面的深度。

因為面試官選擇的是你最熟悉的領(lǐng)域深入下去，我們可以假設(shè)，如果一位面試者在最擅長的項目中都答不上一些細節(jié)性的問題，那幾乎可以肯定你在任何其他領(lǐng)域的鉆研都不夠深入，你的技能雷達圖的面積肯定是一個很小的面積。也有像我之前所提到的一些臨時抱佛腳的面試者，也許知識方面達到了要求，但經(jīng)不起面試官對“工具”和“邏輯”的考察，這也毫無疑問會“悲劇”。

如果面試者的能力深度達到了最低的要求，下一步面試官會確定你能力的廣度，對于任何算法工程師，我都會隨機check以下幾個知識點：

NN，RNN，個別聚類算法，模型評估等知識的理解程度

spark的調(diào)優(yōu)經(jīng)驗，model serving的主要方法，parameter server的原理

GAN，LSTM，online learning的基本理解

embedding方法，attention機制，multi task，reinforcement learning，online learning的基本理解

對于廣度的檢查是比較隨意的，個別答不上來無傷大雅，但如果超過一半以上的知識點都miss了，可能有點說不過去。因為我要知道你是一個關(guān)注前沿，喜歡學(xué)習(xí)的人，試想除了你自己做過的項目，其他知識了了，那我可以肯定你不是一個對技術(shù)有熱情的人。很多面試官很看重“熱情”這個屬性，因為正是對技術(shù)的熱情支撐你今后的學(xué)習(xí)，有些問題你可能不知道，你也要盡量用自己的理解去推導(dǎo)，去討論。

好了，關(guān)于算法工程師面試中的能力雷達圖講完了，如果你嫌我太啰嗦，沒關(guān)系，甩給你一張思維框圖，你發(fā)給任何沒看過這篇文章的人，也都會對我說的內(nèi)容一目了然。