ML 面试的考察框架
Machine Learning 面试分为四个层次，不同公司和岗位的侧重点不同：
| 层次 | 考察内容 | 代表公司/岗位 | |------|----------|---------------| | 算法原理 | 模型数学推导、偏差-方差权衡、正则化 | 所有 ML 岗位 | | 编程实现 | 从零实现经典算法（NumPy）、调参 | Google、Meta、DeepMind | | 系统设计 | ML Pipeline 设计、特征工程、模型部署 | Senior DS、ML Engineer | | 产品分析 | 指标设计、A/B Test、业务影响评估 | Meta DS、Google DS |
UK 市场特点：英国的 ML 岗位（DeepMind、Waymo UK、Palantir London、Bloomberg）更注重算法原理和编程实现，系统设计的考察深度低于美国 Senior 岗位。对于应届毕业生，重点备考算法原理和基础编程实现即可。
核心算法原理考察点
线性模型：从线性回归到逻辑回归
面试中最高频的算法推导题：推导逻辑回归的梯度下降更新公式。
推导过程（这是面试官最想看到的）：
逻辑回归的损失函数（Binary Cross-Entropy）：
$$L = -\frac{1}{n}\sum_{i=1}^{n}[y_i \log(\hat{y}_i) + (1-y_i)\log(1-\hat{y}_i)]$$
其中 $\hat{y}_i = \sigma(w^T x_i) = \frac{1}{1+e^{-w^T x_i}}$
对权重 $w$ 求梯度：$\frac{\partial L}{\partial w} = \frac{1}{n}X^T(\hat{y} - y)$
梯度下降更新：$w \leftarrow w - \alpha \cdot \frac{1}{n}X^T(\hat{y} - y)$
关键考察点：为什么逻辑回归用 Cross-Entropy 而不是 MSE？（因为 MSE 在逻辑回归中是非凸函数，存在局部最优；Cross-Entropy 是凸函数，保证全局最优。）
树模型：Random Forest vs Gradient Boosting
面试高频对比题：
| 维度 | Random Forest | Gradient Boosting (XGBoost/LightGBM) | |------|---------------|--------------------------------------| | 集成方式 | Bagging（并行） | Boosting（串行） | | 偏差-方差 | 降低方差，偏差不变 | 同时降低偏差和方差 | | 过拟合风险 | 较低 | 较高（需要调参控制） | | 训练速度 | 快（可并行） | 慢（串行依赖） | | 缺失值处理 | 需要预处理 | 原生支持（XGBoost/LightGBM） | | 适用场景 | 特征重要性分析、快速基线 | Kaggle 竞赛、高精度需求 |
面试追问：XGBoost 和 LightGBM 的主要区别？（LightGBM 使用 Leaf-wise 生长策略，XGBoost 使用 Level-wise；LightGBM 在大数据集上速度更快，但更容易过拟合。）
ML 系统设计面试
ML 系统设计是 Senior DS 和 ML Engineer 面试的核心环节，考察候选人能否设计一个完整的、可落地的 ML 系统。
经典题目：设计一个推荐系统
面试官期望的回答框架：
- 第一步：明确问题定义
- 推荐目标是什么？（点击率 CTR、购买转化率、用户留存？）
- 推荐场景是什么？（首页推荐、搜索结果、相关商品？）
- 数据规模？（用户数、商品数、交互数据量）
- 延迟要求？（实时推荐 < 100ms，还是离线批量推荐？）
- 第二步：数据和特征设计
- 用户特征：人口统计学特征、历史行为序列、实时上下文
- 商品特征：类目、价格、历史 CTR、库存状态
- 交互特征：用户-商品交叉特征、协同过滤 Embedding
第三步：模型架构选择
| 阶段 | 模型 | 目标 | |------|------|------| | 召回（Recall） | 双塔模型（Two-Tower）、ANN 近似最近邻 | 从百万商品中快速召回 1000 个候选 | | 粗排（Pre-ranking） | 轻量级 MLP | 从 1000 个候选中筛选 100 个 | | 精排（Ranking） | Wide & Deep、DCN、DIN | 对 100 个候选精确排序 | | 重排（Re-ranking） | 规则 + 多样性约束 | 最终展示 10-20 个结果 |
- 第四步：离线评估和在线 A/B Test
- 离线指标：AUC、NDCG、Recall@K
- 在线指标：CTR、CVR、GMV、用户留存率
- A/B Test 设计：用户随机分桶、流量分配、显著性检验
- 第五步：系统架构和工程考量
- 特征存储：Redis（实时特征）+ Hive/Spark（离线特征）
- 模型服务：TensorFlow Serving / TorchServe
- 监控：数据漂移检测、模型性能监控、自动重训练
模型评估深度考察
模型评估是 DS 面试中最容易失分的环节，很多候选人只会说 Accuracy 和 AUC，无法深入讨论评估指标的选择逻辑。
分类模型评估
混淆矩阵的四个象限（必须能从业务角度解释）：
| | 预测正 | 预测负 | |--|--------|--------| | 实际正 | TP（真正例） | FN（假负例，漏报） | | 实际负 | FP（假正例，误报） | TN（真负例） |
- 业务场景与指标选择：
- 欺诈检测：优先 Recall（宁可误报，不能漏报）
- 医疗诊断：优先 Precision（误报代价高）
- 推荐系统：用 NDCG、MAP（考虑排序质量）
- 不平衡数据集：用 F1-Score、PR-AUC（而非 ROC-AUC）
回归模型评估
| 指标 | 公式 | 优点 | 缺点 | |------|------|------|------| | MAE | 平均绝对误差 | 对异常值鲁棒 | 不可微分 | | MSE | 均方误差 | 可微分，数学性质好 | 对异常值敏感 | | RMSE | MSE 的平方根 | 与目标变量同量纲 | 对异常值敏感 | | MAPE | 平均绝对百分比误差 | 直观，可解释 | 目标值为 0 时无意义 | | R-squared | 决定系数 | 标准化，便于比较 | 随特征数增加而增大 |
AT&T Career Data Science Track 的 ML 备考支持
我们的 Tech Track（Data Science / ML 方向） 提供系统化的 ML 面试备考支持，包括：算法原理推导专项训练、ML 系统设计 Mock Interview、模型评估和 A/B Test 实战，以及 Google/Meta/DeepMind ML 岗位的完整面试模拟。我们的导师均来自 Bloomberg、DeepMind、Palantir 等顶级 AI 公司，能够提供最真实的 Insider 视角。如需了解详情，请访问 www.attcareer.com/tech 或扫描页面二维码联系我们。
常见问题 · FAQ
应届毕业生需要掌握 Transformer 和 LLM 吗？+
对于大多数 DS 岗位，不需要深入掌握 Transformer 架构。但了解基本概念（Attention Mechanism、Pre-training vs Fine-tuning）会加分。如果你申请的是 NLP 方向的 DS 岗位（如 Bloomberg NLP、Google Search），则需要深入掌握。
ML 系统设计面试需要写代码吗？+
通常不需要写完整代码，但需要能用伪代码或 Python 片段说明关键组件的实现思路。面试官更看重你的系统思维和权衡能力，而不是代码细节。
UK 的 ML 岗位和美国有什么薪资差异？+
UK ML 岗位的薪资普遍低于美国，但高于 UK 其他行业。应届 ML Engineer 在 UK 科技公司的薪资约为 £50-70k，在 DeepMind/Waymo 等顶级 AI 公司可达 £80-100k+。相比之下，美国 FAANG 的 ML Engineer 应届薪资约为 $150-200k（含 RSU）。
Free Resource
免费领取【Tech 求职全套资料包】
包含 CV 模板、面试题库、Networking 模板信及完整的求职 Timeline。已有 1,200+ 学员领取。
