大数据/机器学习面试技巧（下）

 

书接上文，昨天我们了解了大数据学员面对HR时该如何应对，今天我给你支几招，让你轻松搞定未来上司，成功拿到大数据offer。 先从心理层面分析一下你未来的上司。你未来的上司很大概率上是你的同行，他面试你主要是要看你是否够专业，能否胜任他要安排给你的工作，同行往往会有许多共同点，你不善言辞，同为IT出身的领导可能比你还不善言辞。这时候，你可以从所学专业的角度和他进行探讨。记住，最好先不要急于表现你会什么，因为你会的不一定是他需要的，你可以反客为主，问问公司现在正在做什么，正在面临哪些问题，了解了公司情况，你应该就能大概猜到领导招你过来是来做什么的了。 来一波大数据相关职位的岗位职责： A.算法研究类算法研究类的职位还分为几小类：·排序：搜索结果排序、广告排序等·推荐：题目推荐、APP推荐、新闻推荐、广告推荐等·文本挖掘：垃圾短信过滤、领域知识图谱构建等·其他：如广告投放效果分析，图像识别、理解，互联网信用评价等 B.数据挖掘类·商业智能，如统计报表等·用户体验分析、预测流失用户等 C.平台搭建类·数据计算平台搭建、基础算法实现等，要求支持大样本量、高维度数据，因此还需要底层开发、并行计算、分布式计算等方面的知识。 面试问答：1.你用过的算法，最熟悉的算法是什么这里最好要说一些你在项目中应用过的。推荐中可以有CF、LR等，分类中可以有SVM，GBDT。要说得具体点，才会提高你说的话的真实性，比如优缺点分析。即使不是自己实现的用法，也可以借鉴一下那些比较知名的实现，使用中都踩过哪些坑等。在说你熟悉的算法时，还可以列举一下它的应用场合。最好以基础算法为主，不要太高大上，避免未来领导再进一步提出你解决不了的问题。 算法可以从这几个方面掌握产生背景：适用场合：特征维度、数据规模，是否有Online算法，离散/连续特征处理等原理推导：对偶、软间隔、最大间隔求解方法：拟牛顿法、随机梯度下降等优缺点、如何改进和避免与其他基本方法的对比 2.你用过的框架、算法包列举一些，你可以在下面挑选几种进行了解：主流分布式框架：Hadoop，Spark，Graphlab，Parameter Server等通用算法包：mahout，scikit，weka等专用算法包：opencv，theano，torch7，ICTCLAS等 3.高频话题LR、决策树、SVM、聚类算法 4.开放性问题开放性问题最考察一个人的项目实战经验，也是经验较少的应届毕业生需要攻克的难点。如：深度学习在推荐系统上可以怎样发挥？在百度贴吧发布APP广告的推荐策略？怎样评估网站内容的真实性等 遇到这类问题，不要慌张，不要怕出错，只要尽可能把你想到的说出来即可。你的未来上级可能你回答的时候引导你，也可能无情披露你的错处。但是，这都不要紧，因为你是应届毕业生，只要你能表现出足够的学习热情，对大数据的兴趣以及解决这些问题的决心就可以了。你还可以虚心的向对方求教，讨论，让对方看出你的可造性。 最后提醒广大的大数据学员，几次的面试失败并不能代表什么，重要的是要在每次的失败后，反思自己的不足，总结经验，把面试中回答得不太好的问题进行总结，想出更好的回答方式，争取不在一个地方跌倒两次，那么，高薪的offer迟早都会到你碗里来。 顺便说一句，光环大数据的大数据培训班可是配备了专业的就业老师哦，包就业的大数据培训班，一切问题都不是问题。