機器學習面試中會遇到哪些問題？

機器學習面試流程通常比一般軟體職位包含更多輪次，而且每一輪會測試不同層面。了解該層面，就能知道面試官期待什麼樣的回答。

• 基礎知識。關於學習、泛化與最佳化的理論問題。面試官想聽出你理解某項技術為何有效，而不是背誦定義。
• 評估與實驗。指標選擇、驗證策略、離線與線上結果的比較，以及你會如何設計實驗來證明模型確實帶來幫助。
• 應用建模。特徵工程、資料洩漏、類別不平衡，以及真實資料集中的棘手部分。這些問題經常圍繞你自己的某個專案來提問。
• ML 系統設計。模型如何取得資料、如何訓練與重新訓練、如何提供預測服務，以及你會如何察覺模型在正式環境中的表現退化。
• 程式設計。一道 pandas 或純 Python 題目，有時也會要求從頭實作 k-means 或邏輯斯迴歸等小型演算法。

面試中也會出現行為題，而且規則與其他職位相同；題庫主題會另行介紹這類問題。

各公司的提問措辭不盡相同，但背後的問題會一再重複。請練習到能以淺白語言自然說明。

• 偏差與變異：你會如何判斷模型是過度擬合還是擬合不足，又會先改變什麼？正則化會如何影響模型？你會在什麼情況下選擇 L1 而非 L2？
• 驗證：為什麼隨機切分訓練集與測試集，可能會對時間序列資料產生誤導性的分數？什麼時候需要分層或分組交叉驗證？
• 指標：什麼情況下準確率不是合適的指標？請向產品經理解釋精確率、召回率與 ROC 曲線。你會為詐欺偵測最佳化哪個指標，又會同時監控什麼？
• 資料問題：什麼是目標洩漏？你曾如何發現它？如何在不憑空製造資料的情況下處理嚴重的類別不平衡？如何處理遺漏值，避免模型意外學到資料遺漏本身的模式？
• 模型：面對表格資料時，梯度提升樹何時會勝過神經網路？Transformer 的注意力機制實際計算了什麼？為什麼嵌入向量有助於處理高基數類別特徵？
• 最佳化：學習率過高或過低時會發生什麼事？為什麼批次正規化能讓訓練更容易？
• 系統設計：為市集設計一套推薦系統。部署後要如何偵測資料漂移？如何重新訓練模型，同時避免提供過時的預測？
• 實驗：離線指標有所改善，但 A/B 測試結果持平；你會檢查什麼？

如果你能針對每一題，舉出自己工作中的一個具體例子，就已涵蓋基礎知識面試輪次可能考察的大部分內容。

即使熟悉內容，在視訊通話中被要求解釋時仍然卡住，是很正常的事。本節提供一種組織口頭回答的方法；簡要架構是：定義、決策、例子、限制。

• 定義先用一句淺白的話說明，再提任何公式。
• 決策：說明你會在何時使用它，以及會改選什麼方法，因為面試官測試的是判斷力，而不是詞彙量。
• 例子取自真實專案：資料集是什麼、出了什麼問題、你改了什麼，以及哪些結果有所變化。
• 限制：說明該技術會在哪裡失效，這能顯示你曾充分使用它，並看過它失敗的情況。

一位應徵市集公司 ML 職位的資料科學家，被問到為什麼她的排序模型在線下表現出色，卻未對 A/B 測試產生任何影響。她依照四個步驟回答：什麼是離線與線上結果的落差、為何日誌資料中的位置偏差造成她遇到的問題、她新增了哪種反事實評估，以及這種評估只在日誌記錄具備足夠隨機性時才成立的限制。這樣的回答比完美的推導更有價值。練習口頭回答正是模擬面試工具的用途；它會像真正的面試官一樣追問。

在對話形式的面試輪次中可以，但有其限制。SubcueAI 的原生 macOS 與 Windows 桌面應用程式會擷取通話的系統音訊和你的麥克風聲音，在 Zoom、Google Meet 或 Microsoft Teams 上聆聽面試官的問題，並透過只會顯示在你螢幕上的浮動覆蓋層，提供簡短的建議回答架構。如果通話是在 Chrome 或 Edge 瀏覽器分頁中進行，瀏覽器擴充功能的側邊面板只會擷取會議分頁的音訊，因此會聽見面試官，但絕不會轉錄你的聲音。兩種介面都不會以機器人身分加入通話，也不會在會議頁面中注入任何內容。如果你已上傳履歷，建議內容便能引用你自己的專案，而這正是 ML 回答取得高分的關鍵。

其限制與所有技術面試相同。受監考的程式測驗、居家作業，或在公司管理的裝置上進行的面試，都不在 SubcueAI 的用途範圍內；而共享畫面上的白板推導必須由你親自完成，因為分享整個螢幕會讓所有人看見覆蓋層。SubcueAI 創辦人 Aaron Cao 打造這個覆蓋層，是為了提示回答架構與詞彙，而不是逐字指示答案，因為 ML 面試官會追問每一項說法，借來的答案到了第二個問題就會露出破綻。兩種介面的設定方式都在教學頁面中；桌面應用程式與擴充功能之間的實際差異，則說明於比較頁面。