全网首发！AI大佬手把手整理的AI/ML面试全攻略（附最新面试题库）_ai数据标注 如何面试

文末给大家准备了自学AI/ML的系统学习资料！看完有份！

现在无论是计算机专业还是其他的实体行业（机械、制造等等）对于人工智能的需求都还是蛮大的。所以现在也有很多人想入门人工智能。所以，下面我将带大家详细说明AI/ML面试究竟该如何准备。

一、面试准备

一般来说，公司面试MLE是在传统的SWE面试上额外加面机器学习系统面试，准备的内容有算法、系统设计、机器学习、BQ

二、算法刷题

MLE 的面试中基本 coding 大部分 medium 难度，即使是 hard也都是 lc 高频题。

有的公司，Wework，Landing AI，Square，etc的难度就相对简单，只有LeetCode medium的难度，但是对于答案的要求比较高：

要求 Bug free: 也就是 coding 的时候可以出错，但是要在IDE(Phone)，白板（Onsite）里面跑 test case，把发现的bug 修好。

有的公司，Uber，Stripe, etc 题目相对较难，LeetCode hard水准，但是相对要求比较低。也许 General 的 SDE 必须是最优解，MLE/DS/RS 做出次优解就可以。

语言没太大关系。Python，Java，C++都可以。但是用 Python 一定要写的很 clean。千万不要写的特别 fansy 的 Pythontrick，因为面你算法题的人，大概率是非 ML 组的人，他可能不认识那些 Python 的 trick。

综上所述，比较稳妥的准备方式是：LintCode Medium 的题，甚至 Hard 偏简单点的题，要会最优解。其他更难的题，应该知道次优解。语言无所谓，code clean 就好。

三、系统设计

大多数公司会问机器学习的系统设计，而不是普通系统设计。毕竟普通的系统设计还是不能 cover 很多机器学习的考查内容。

问的题，目前来看分两种：

• 经典题：比如。设计一个推荐系统，

• 非经典题：一般都是面试官工作上的问题。设计一个classification 系统。

但不排除，面试官想跟新 candidate 聊聊，看看自己的问题有什么新解法。

不同 Level 的候选人，考点不同。New grad问知识，Experienced问细节。具体的区别可以戳这里领取完整版面试攻略

四、ML knowledge

有的公司会有专门的 ML knowledge 轮，有的 ML knowledge会在 design 中连带问道。绝大多数公司 MLE 面试对 MLKnowledge 并 不 深 ， 相 对 来 说 如 果 你 面 试 的 title 是Scientist 的情况会更加注重一些。

这也非常好理解，MLE 本质更在乎 engineering 所以对hands-on 的要求更高一些。当时实际上不同 title 做的东西不会有很大差异。

对于ML knowledge，具体需要准备哪些方面，可以戳这里获取！

五、Behavior questions

BQ 往往 level 越高的面试越重要。因为这反映了你处理问题的方式，有没有 leadership，怎么跟人 collaborate，etc。不同的面试者由于背景不一样，所以 tech 面试可能会有差异。而一个好的 Sr. level 的面试者，基本上都是非常能够很好的回答 BQ 的问题的。

于经验有限的小伙伴，一个 BQ 问题答好答的高级往往非常不容易。比如说：你有没有项目受到挫折的经历。

• 低级的回答：我有个项目做的挺好的，后来被de-prioritize 了就没做下去了。

• 中级的回答：我有个项目刚开始 performance 不好，然后我就各种尝试不同的模型，后来就成功了；

• 高级的回答：我的项目 launch A/B test 发现 performance不好。然后我 dive deep into it，首先 check 有没有engineering bugs；然后 check 模型 performance 是不是和offline metrics match；然后 check feature distribution有没有 shift。然后我发现了问题所在。然后我做了这几个change，然后重新上线了，performance improve x%。高级的回答：我的项目 launch A/B test 发现 performance不好。然后我 dive deep into it，首先 check 有没有engineering bugs；然后 check 模型 performance 是不是和offline metrics match；然后 check feature distribution有没有 shift。然后我发现了问题所在。然后我做了这几个change，然后重新上线了，performance improve x%。

这里面低级的回答显示了你没有 problem solving/projectplanning 之类的能力，非常糟糕。

中级的回答虽然解决了问题，但没有显示出一个系统性逻辑性的解决问题方法。

而高级的回答显示出了面试者 quantitative and criticalthinking 的 mindset。而往往你问题的回答其实对应于你自己平时解决问题的方法，所以平时工作的时候就应该多注意提升自己的软实力。

好啦，以上就是关于AI/ML面试的五个环节详解内容。此外，这里还整理了最新的人工智能面试题合集，戳这里即可免费获取！