访问官网
Github机器学习技术面试 :robot:
这个仓库旨在为准备大科技公司（特别是FAANG）与机器学习（AI）工程相关职位的面试提供指南。该指南基于作者个人的面试准备经验和笔记编写，当时他收到了来自Meta（ML专家）、谷歌（ML工程师）、亚马逊（应用科学家）、苹果（应用科学家）和Roku（ML工程师）的录用通知。
以下是不同公司中技术ML职位最常用的面试模块。我们将逐一介绍它们，并分享如何准备：
| 章节 | 内容 |
|---|---|
| 第1章 | 一般编码（算法和数据结构） |
| 第2章 | ML编码 |
| 第3章 | ML系统设计（2023年更新） |
| 第4章 | ML基础/广度 |
| 第5章 | 行为面试 |
注意事项：
-
在我整理这些笔记时，不同公司之间的机器学习面试结构不像软件工程面试那样统一。然而，我发现一些组件尽管命名不同，但非常相似。
-
本指南主要针对大公司的机器学习工程师（和应用科学家）职位。虽然相关的职位如“数据科学”或“ML研究科学家”的面试结构不同，但这里评审的一些模块仍然有用。关于ML范畴内不同技术职位的更多理解，请参阅[链接]
-
作为补充资源，您也可以参考我的生产级别深度学习 仓库，进一步了解如何设计生产环境下的深度学习系统。
贡献
- 欢迎反馈和贡献 :blush: 如果您想贡献，请提交拉取请求（PR），并附上您的改动建议。
