數據挖掘工程師的面試問題與答題思路

機器學習、大數據相關崗位根據業務的不同，崗位職責大概分為：

1、平臺搭建類

數據計算平臺搭建，基礎算法實現，當然，要求支持大樣本量、高維度數據，所以可能還需要底層開發、并行計算、分布式計算等方面的知識；

2、算法研究類

- 文本挖掘，如領域知識圖譜構建、垃圾短信過濾等；

- 推薦，廣告推薦、APP 推薦、題目推薦、新聞推薦等；

- 排序，搜索結果排序、廣告排序等；

- 廣告投放效果分析；

- 互聯網信用評價；

- 圖像識別、理解。

3、數據挖掘類

- 商業智能，如統計報表；

- 用戶體驗分析，預測流失用戶。

以上是根據求職季有限的接觸所做的總結。有的應用方向比較成熟，業界有足夠的技術積累，比如搜索、推薦，也有的方向還有很多開放性問題等待探索，比如互聯網金融、互聯網教育。在面試的過程中，一方面要盡力向企業展現自己的能力，另一方面也是在增進對行業發展現狀與未來趨勢的理解，特別是可以從一些剛起步的企業和團隊那里，了解到一些有價值的一手問題。

以下首先介紹面試中遇到的一些真實問題，然后談一談答題和面試準備上的建議。

面試問題

1、你在研究/項目/實習經歷中主要用過哪些機器學習/數據挖掘的算法？

2、你熟悉的機器學習/數據挖掘算法主要有哪些？

3、你用過哪些機器學習/數據挖掘工具或框架？

4、基礎知識

1）無監督和有監督算法的區別？

2）SVM 的推導，特性？多分類怎么處理？

3）LR 的推導，特性？

4）決策樹的特性？

5）SVM、LR、決策樹的對比？

6）GBDT 和 決策森林 的區別？

7）如何判斷函數凸或非凸？

8）解釋對偶的概念。

9）如何進行特征選擇？

10）為什么會產生過擬合，有哪些方法可以預防或克服過擬合？

11）介紹卷積神經網絡，和 DBN 有什么區別？

12）采用 EM 算法求解的模型有哪些，為什么不用牛頓法或梯度下降法？

13）用 EM 算法推導解釋 Kmeans。

14）用過哪些聚類算法，解釋密度聚類算法。

15）聚類算法中的距離度量有哪些？

16）如何進行實體識別？

17）解釋貝葉斯公式和樸素貝葉斯分類。

18）寫一個 Hadoop 版本的 wordcount。

……

5、開放問題

1）給你公司內部群組的聊天記錄，怎樣區分出主管和員工？

2）如何評估網站內容的真實性（針對代刷、作弊類）？

3）深度學習在推薦系統上可能有怎樣的發揮？

4）路段平均車速反映了路況，在道路上布控采集車輛速度，如何對路況做出合理估計？采集數據中的異常值如何處理？

5）如何根據語料計算兩個詞詞義的相似度？

6）在百度貼吧里發布 APP 廣告，問推薦策略？

7）如何判斷自己實現的 LR、Kmeans 算法是否正確？

8）100億數字，怎么統計前100大的？

……

答題思路

1、用過什么算法？

最好是在項目/實習的大數據場景里用過，比如推薦里用過 CF、LR，分類里用過 SVM、GBDT；

一般用法是什么，是不是自己實現的，有什么比較知名的實現，使用過程中踩過哪些坑；優缺點分析。

2、熟悉的算法有哪些？

基礎算法要多說，其它算法要挑熟悉程度高的說，不光列舉算法，也適當說說應用場合；

面試官和你的研究方向可能不匹配，不過在基礎算法上你們還是有很多共同語言的，你說得太高大上可能效果并不好，一方面面試官還是要問基礎的，另一方面一旦面試官突發奇想讓你給他講解高大上的內容，而你只是泛泛的了解，那就傻叉了。

3、用過哪些框架/算法包？

主流的分布式框架如 Hadoop，Spark，Graphlab，Parameter Server 等擇一或多使用了解；

通用算法包，如 mahout，scikit，weka 等；

專用算法包，如 opencv，theano，torch7，ICTCLAS 等。

4、基礎知識

個人感覺高頻話題是 SVM、LR、決策樹（決策森林）和聚類算法，要重點準備；

算法要從以下幾個方面來掌握：

1）產生背景，適用場合（數據規模，特征維度，是否有 Online 算法，離散/連續特征處理等角度）；

2）原理推導（最大間隔，軟間隔，對偶）；

3）求解方法（隨機梯度下降、擬牛頓法等優化算法）；

4）優缺點，相關改進；

5）和其他基本方法的對比；

6）不能停留在能看懂的程度，還要對知識進行結構化整理，比如撰寫自己的 cheet sheet，我覺得面試是在有限時間內向面試官輸出自己知識的過程，如果僅僅是在面試現場才開始調動知識、組織表達，總還是不如系統的梳理準備；

7）從面試官的角度多問自己一些問題，通過查找資料總結出全面的解答，比如如何預防或克服過擬合。

5、開放問題

由于問題具有綜合性和開放性，所以不僅僅考察對算法的了解，還需要足夠的實戰經驗作基礎；

先不要考慮完善性或可實現性，調動你的一切知識儲備和經驗儲備去設計，有多少說多少，想到什么說什么，方案都是在你和面試官討論的過程里逐步完善的，不過面試官有兩種風格：引導你思考考慮不周之處 or 指責你沒有考慮到某些情況，遇到后者的話還請注意靈活調整答題策略;

和同學朋友開展討論，可以從上一節列出的問題開始。

準備建議

1、基礎算法復習兩條線
材料閱讀 包括經典教材（比如 PRML，模式分類）、網上系列博客（比如 研究者July的“結構之法，算法之道”），系統梳理基礎算法知識；

面試反饋 面試過程中會讓你發現自己的薄弱環節和知識盲區，把這些問題記錄下來，在下一次面試前搞懂搞透。

2、除算法知識，還應適當掌握一些系統架構方面的知識，可以從網上分享的阿里、京東、新浪微博等的架構介紹 PPT 入手，也可以從 Hadoop、Spark 等的設計實現切入。

3、如果真的是以就業為導向就要在平時注意實戰經驗的積累，在科研項目、實習、比賽（Kaggle，Netflix，天貓大數據競賽等）中摸清算法特性、熟悉相關工具與模塊的使用。

總結

如今，好多機器學習、數據挖掘的知識都逐漸成為常識，要想在競爭中脫穎而出，就必須做到：
保持學習熱情，關心熱點；

深入學習，會用，也要理解；

在實戰中歷練總結；

積極參加學術界、業界的講座分享，向牛人學習，與他人討論。

最后，希望自己的求職季經驗總結能給大家帶來有益的啟發。