勵志！充滿乾貨的AI面經：純電力員工如何成功轉行NLP並薪資翻倍

七月線上實驗室發表於2019-03-21

640?wx_fmt=png

掃描上方二維碼關注：七月線上實驗室

後臺回覆：100 免費領取【機器學習面試100題】PDF版

導讀：“金三銀四”之季，都三月底了，金三也已過大半個月了，小夥伴們都找到心儀的工作了？拿到高薪offer了嗎？今天，小七和大家分享一篇AI面經，來自我們機器集訓營第五期童鞋寫的，絕對的勵志篇，乾貨滿滿！希望對大家有所幫助~
以下是面經原文

大家好，我是集五的學員，經過長時間的學習，我成功從電力行業轉行AI，薪酬翻倍。但需要要說明的是，作為電力行業的基層員工，工資本來就低，所以工資翻倍對於各位本就在IT行業內的朋友來說，沒有什麼參考價值，純粹貽笑大方，只能我自己偷偷竊喜一番。應July校長的邀請，我腆著臉來班門弄斧，和大家分享一下面經和經歷。

單刀直入，先分享我的面經，至於轉行的部分和我的經歷，我放在最後面，這樣有興趣的朋友，可以參考。

我選的方向是NLP。

通識部分（小編注：絕大部分面試題都可以在七月線上APP中通過搜尋相關關鍵詞搜到哦）：

1.LR

介紹一下？公式推導？損失函式及其影象？與線性迴歸的關係？你在什麼地方用過？怎麼用的？

2.正則化

解釋下正則化？

3.DT

ID3？C4.5？CART？區別，優點、缺點，計算公式？

為什麼DT不適合稀釋資料？

預剪枝？後減枝？

3.1 Adaboost

介紹一下Adaboost？手推Adaboost

3.2 GBDT

GBDT騰訊面試必問，因為我去的鵝廠現場面試的，被問到了GBDT的相關內容，而旁邊一個面試官在電話面試，也是在問GBDT的內容。

介紹下GBDT？GBDT的基模型是什麼，是分類樹還是迴歸樹？Gradient的體現？為什麼要使用多棵樹來不斷縮小殘差？而不是使用一棵擬合得更好的數？GBDT如何構建特徵？GBDT如何用於分類，寫出公式？

3.3 XGBoost

手推XGBoost必備的。

你在什麼地方用到了XGBoost？它和GBDT的區別在哪裡？你為什麼不用LightGBM？

XGBoost不手推一下，說的內容感覺會很蒼白。

3.4 隨機森林

解釋下隨機森林？

你用它做過什麼？為什麼可以用它？

解釋下bagging？

4.SVM

手推SVM，必備的。

SVM的損失函式是什麼，為什麼選擇它作為損失函式？

為什麼用對偶？

核函式是什麼，有什麼作用？你用過哪幾種核函式？這裡最好寫出來。

5.深度學習部分

解釋一下交叉熵、相對熵，它們的關係？互資訊呢？

Cross Entropy是什麼，它和log loss的區別？

Dropout防止過擬合的原理？

CNN如何用於NLP？CNN和RNN在NLP中能到達什麼效果，怎麼選擇用哪一個？

梯度消失？梯度爆炸？

解釋下LSTM，畫出結構？GRU？為什麼用LSTM不用RNN？

6.特徵工程

如何處理缺失值？異常值？為什麼這麼處理？

怎麼降維？遇到的資料最大多少維？你怎麼做？為什麼這麼做？

類別型資料的處理？連續性資料的處理？你怎麼分桶的？

資料不平衡怎麼做？要注意什麼？

7.聚類演算法

你用過什麼聚類演算法？解釋下原理？

K-means有什麼問題？如何解決這些問題？

說一說“中餐館問題”——抱歉，這個我現在還沒搞明白。

8.降維

解釋下PCA？LDA？SVD？區別？手推。

解釋下協同過濾？

9.模型評估

Accuracy、Precision、Recall、F1-score、ROC、AUC

以上，概念、公式？

資料不平衡用什麼評估指標？

P-R曲線和ROC的區別？

NLP方向的問題：

1.TF-IDF

原理、公式？為什麼用log？為什麼“+1”？缺點？

2.NNLM、Word2vec、Doc2vec、FastText

介紹一下，解釋一下模型？

怎麼選擇使用Word2vec、Doc2vec？

解釋下Huffman Tree或Negative Sampling？詳細說下Huffman Tree或Negative Sampling的過程？

Word2vec有什麼優點、缺點？

Word2vec的模型引數怎麼設定的？

餘弦相似度？為什麼使用餘弦相似度？

3.Seq2seq、attention機制、self-attention機制、Transformer、bert

介紹下模型？

attention機制、self-attention機制的計算過程？為什麼使用attention？它們的優點？

bert的結構和應用？bert的為什麼這麼厲害？

CNN→RNN→LSTM/GRU→seq2seq→seq2seq-Attention→Transformer-self Attention→bert

這是一條線，我在說RNN的部分時，就把這條線順著說完。

NNLM→Word2vec→Doc2vec→FastText→ELMO→GPT→Bert

這是另一條線，被問到Word2vec時我先退回去說NNLM，然後在Word2vec，要是面試官不反感，又繼續沿著線走。

其他：

1.根據簡歷上寫的專案來進行具體的提問？

資料量？資料來源？為什麼想到真麼做？這麼做優點、缺點？

Python迭代器和生成器？

2.演算法題

不說了，我面了那麼多，一道題都沒答上來。校長說的四大金剛之一：leetcode（小編注：校長的口頭禪四大金剛指的就是：課程題庫 OJ 競賽），因為自身原因，我戰略性放棄了，之後一定要補起來。

去某手機廠面試的時候，上來直接來3道題，把我幹懵了；

對於這方面能力和我不相伯仲的朋友，我建議電話面試優先！一般電話面試不會去問演算法題。

3.非技術面

為什麼轉行？

這是轉行的朋友肯定會被問到的問題，一定想好說辭，好好準備。

未來規劃？

薪資期望？

你遇到的最困難的事？你如何解決的？

評價下你自己？

你有什麼問題要問我們？

我的筆記全在印象筆記上，自己又根據七月線上的題庫對問題和答案進行了整理後，製作了Anki卡片，用來記憶各種知識點，如果有朋友需要，請看本文的置頂評論。（另外關於Anki和它的使用，自行百度即可，記憶知識點的神器。）

轉行的經歷

學歷本科，專業是動力，完全與IT無關，畢業後一直在電力系統做設計工作。後來工資實在太低了，活不下去了，得知我單位的一個好兄弟，轉行進了華為，年薪50W，目瞪口呆之下詢問了一波他的經歷，知道了七月線上和機器學習。再三權衡之後，也下定決心準備轉行，從事AI相關的工作。當然，他是清華核物理碩士，數學本來就很騷，大學期間學過Java，我和他沒有可比性。

我沒什麼程式設計基礎，大學裡學的C++早被門外的旺財吃了；因為是工科，對高數、概率論、線代還有點記憶；機器學習、深度學習相關演算法，在此之前從沒接觸過。

報名了集訓營第五期，是我的開端。不會就學唄，不懂就問、就查唄，CSDN、Github、stackoverflow、群裡提問，線下課有問題就問，沒什麼方法。看一遍不懂就看兩遍，不行就三遍以上，搞懂，能推導。沒什麼捷徑，真的。我是用了七八個月的時間，才達到了目前這個嘴炮菜雞水平，未來的路還很長，要學習和彌補的東西還很多，不過轉行了，做中學吧。我另一個兄弟，也是我的同事，集六的學員，在我之前拿到的offer。

推導公式，很重要，非常重要，就算面試官不讓你寫，你也搶過紙和筆，寫出來，不然我感覺真的太蒼白無力了。而且現在水漲船高，SVM和XGBoost的推導已經是常規操作了，不是特殊技能了。

Tensorflow必須掌握，別說自己會keras了，丟人，真的，不開玩笑，至少我遇到公司都是這樣。簡歷上最好把深度學習的知識具體的體現出來，比如你在某個專案上搭的模型是什麼樣子，這樣更容易獲得面試機會。

最好是會使用Hadoop和Spark，這也慢慢成了必備技能了，我目前還不會，雖然集訓營講了，得趕緊在入職前學習一波；最好會SQL，這個我就完全不知道了，後續又學習。

我覺得最重要的課程是七月線上的機器學習第八期或第九期；西瓜書、統計學習方法、花書，要是急你不看也行，但是我上面提到的問題，你必須都知道。

關於找工作，我是海投了一波，廣撒網，雙手合十，一切看天。真的得看運氣，說不好的。拿到Offer之前，少吹牛。我去年年終獎比別人少了一倍，怒火中燒，年會吃飯直接避開領導，當面回絕敬酒，只和身邊二三關係要好的同事酒到杯傾，一飲而盡，並篤定說年後自己要走。但是幾次面試折戟之後，心裡開始慌了，想到前路茫茫和自己之前恬不知恥的吹牛誇大，實在是羞愧難當。但是家境又確實不允許我辭掉工作去完全學習和等待面試，得斷糧餓死，所以又準備腆著臉繼續忍辱負重，希望守得雲開見月明。沒必要的牛皮給自己又添上了沉重的心裡壓力，真的沒必要。“悶聲發大財”，自己實力過硬是關鍵。

我現在還是孤陋寡聞的小菜雞，要學習的東西還非常多，不敢說分享成功經驗，只能說分享下自己的經歷。現在成功轉行了，我還是很開心的。當然，我能夠成功轉行，要感謝很多人：助教Yang，助教馬總，寒老師、July校長等，集五的波哥、成哥、飛哥、Miss Jiang、鋒哥、長林哥等等學員，還有甚者線下的Paul、安哥、瑞哥等，集四的九州、思佳，集六茂茂。你們對無知的我的給予的幫助，給了我非常大的助力，一直銘記於心，十分感謝。