<!-- [](https://twitter.com/intent/tweet?text=Machine%20Learning%20Interview%20Guide&url=https://github.com/alirezadir/machine-learning-interview-enlightener&via=alirezadira&hashtags=artificialintelligence,machinelearning,interviews,design) [](https://twitter.com/alirezadira) [](https://travis-ci.com/username/projectname) [](https://codecov.io/gh/cam-barts/ObeyTheTestingGoat) [](https://github.com/ambv/black) [](https://github.com/alirezadir/machine-learning-interview-enlightener/blob/main/LICENSE) -->

机器学习技术面试 :robot:

<p align="center"> <img width="720" src="https://yellow-cdn.veclightyear.com/35dd4d3f/a8d93d28-48a8-4315-9a63-f8f17cebf41c.png"> </p>

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：

<center>

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

</center>

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。