本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。
亞馬遜，全球首富貝佐斯之下的巨頭，全球市值最高的科技公司。
也是目前技術(shù)人才發(fā)展前景最被看好的組織。
那么問題來了：如果你是算法工程師，加入亞馬遜這樣的公司，會(huì)經(jīng)歷一個(gè)怎樣的面試過程？
最近這則詳實(shí)面經(jīng)，獲得高贊，或許可能給你一些參考和借鑒。
滿滿干貨，建議先收藏后看~
崗位要求
首先，我們先來看看最刺激的——崗位要求。
數(shù)學(xué)、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)科學(xué)或類似專業(yè)的本科學(xué)位以上 5年以上相關(guān)領(lǐng)域的工作經(jīng)驗(yàn) 具有豐富的預(yù)測(cè)和決策模型和數(shù)據(jù)挖掘技術(shù)的工作經(jīng)驗(yàn)，以及能夠使用開發(fā)此類模型的工具。
是不是覺得還好？那我們?cè)賮砜纯磧?yōu)先條件：
構(gòu)建以及操作高可行性的分布式數(shù)據(jù)提取、收集和處理大型數(shù)據(jù)集的系統(tǒng)的經(jīng)驗(yàn) 使用Linux/UNIX處理大型數(shù)據(jù)集的經(jīng)驗(yàn) 熟悉AWS技術(shù)，如Redshift、S3、EC2、Data Pipeline和EMR等。 具備深厚的技術(shù)能力和足夠的業(yè)務(wù)知識(shí)，能夠與客戶組織內(nèi)的各個(gè)層面和各個(gè)領(lǐng)域的人員進(jìn)行溝通。 有哪些崗位可以選擇？
看完崗位要求，是不是深吸一口氣
別急，我們?cè)賮砜纯丛趤嗰R遜，算法工程師們有哪些崗位可以選擇。
就目前來看，主要有4種，分別是數(shù)據(jù)科學(xué)家、機(jī)器學(xué)習(xí)工程師、研究科學(xué)家以及應(yīng)用科學(xué)家。
這些崗位大體上相似，都是使用大量數(shù)據(jù)來為各種客戶構(gòu)建機(jī)器學(xué)習(xí)（ML）和深度學(xué)習(xí)（DL）模型。
但還是有些區(qū)別的。
首先在亞馬遜，數(shù)據(jù)科學(xué)家要有對(duì)數(shù)據(jù)驅(qū)動(dòng)的洞察力。
他們是連接業(yè)務(wù)和技術(shù)的紐帶，負(fù)責(zé)分析大數(shù)據(jù)集，并對(duì)其進(jìn)行建模。
機(jī)器學(xué)習(xí)工程師則是構(gòu)建機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型的專家。
不僅需要為亞馬遜本司構(gòu)建模型，也為AWS上的其他大型企業(yè)構(gòu)建模型。
除了構(gòu)建模型之外，還有實(shí)現(xiàn)模型，然后將其投入生產(chǎn)。
研究科學(xué)家呢，顧名思義，就是要搞研究。
這個(gè)崗位通常是具有較高的教育水平，往往是碩士或博士。
研究型科學(xué)家需要突破知識(shí)技術(shù)的局限，擴(kuò)展可能的極限。簡(jiǎn)單來說，就是對(duì)新舊技術(shù)進(jìn)行研究，以確定這些技術(shù)在實(shí)踐中是否有益。
應(yīng)用科學(xué)家也需要較高的教育水平，這是比亞馬遜的研究型科學(xué)家略高的角色。
這個(gè)崗位專注于提升亞馬遜客戶體驗(yàn)的項(xiàng)目，如亞馬遜的自動(dòng)語(yǔ)音識(shí)別（ASR）、自然語(yǔ)言理解（NLU）、音頻信號(hào)處理、文本到語(yǔ)音（TTS）和對(duì)話管理等。
看到這里，你覺得OK嗎？
不管OK不OK，先投著簡(jiǎn)歷試試唄~
投之前，先來看看基本的面試流程。
面試流程
亞馬遜的面試流程有2步到3步不等。
但是對(duì)于算法工程師，主要有電話面試、技術(shù)面試、以及現(xiàn)場(chǎng)面試3個(gè)步驟。
首先，第一步，電話面試。
跟大多數(shù)公司的第一次面試差不多，這一步驟主要是由公司的HR負(fù)責(zé)。
主要是了解應(yīng)聘者的基本情況，例如簡(jiǎn)歷、過去的經(jīng)歷，希望看到你想要加入亞馬遜的興趣以及職位匹配的能力。
這一步只要你保持謙虛真誠(chéng)，實(shí)事求是就好，就能夠安穩(wěn)度過。
那么就來到第二步——技術(shù)面試，這一面試是由來自公司的算法工程師來負(fù)責(zé)。
首先，詢問一些專業(yè)知識(shí)，包括ML的一些基本概念，比如不同ML模型的解釋、偏置-方差取舍、過擬合等。
主要是你對(duì)這塊知識(shí)的了解情況。
接著，就會(huì)是一些編碼問題，你可以使用任何語(yǔ)言來解答。
當(dāng)然根據(jù)你所應(yīng)聘的崗位，問題也會(huì)有所不同。
要不先來提前了解一下有哪些問題？
舉幾個(gè)例子：
(Coding) Given an Array of numbers & a target value, return indexes of two numbers such that their Absolute difference is equal to the target.(給出一個(gè)數(shù)組和一個(gè)目標(biāo)值，返回兩個(gè)數(shù)字的索引，使其絕對(duì)值與目標(biāo)值的絕對(duì)差值相等) (Coding) Given two dates D1 & D2. count number of days, months?(給定兩個(gè)日期，算出天數(shù)、月數(shù)?) (Machine Learning) How do to find thresholds for a classifier?(如何為分類器找到閾值？) (Machine Learning) What’s the difference between logistic regression and support vector machines? What’s an example of a situation where you would use one over the other?(邏輯回歸和支持向量機(jī)有什么區(qū)別？在什么情況下，您會(huì)使用其中一種而不是另一種？) (Modeling) What is the interpretation of an ROC area under the curve as an integral?(如何解釋曲線下的ROC面積的積分？)
如果你前面兩輪面試都過了，那么恭喜你，來到了現(xiàn)場(chǎng)面試。
現(xiàn)場(chǎng)面試大概會(huì)有5輪到6輪，主要是技術(shù)面試和行為面試。
首先，技術(shù)面試不多言，就是刷題。大概會(huì)有幾輪，主要是關(guān)于ML和編程這兩個(gè)方面，面試官喜歡詢問面向?qū)ο蟮脑O(shè)計(jì)問題，所以一定要好好刷題！
舉一個(gè)例子：
Let’s say you have a categorical variable with thousands of distinct values, how would you encode it?(假設(shè)你有一個(gè)有成千上萬(wàn)個(gè)不同值的分類變量，你會(huì)如何編碼？)
行為面試，就需要你提前去了解一下亞馬遜的14條領(lǐng)導(dǎo)力原則、崗位的具體職能、以及公司文化等一些知識(shí)。
據(jù)了解，Amazon的問題喜歡圍繞著Customer為中心來提問，需要你提前準(zhǔn)備好經(jīng)歷故事，整理好話術(shù)，結(jié)合著那14條的原則來答就可以啦。
好了，以上就是亞馬遜的面經(jīng)指南，希望能夠?qū)δ阌兴鶐椭?/p>
或許對(duì)于其他大廠的相似崗位，也有可用之處。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
