机器学习技术面试 :robot:

:newspaper: 新闻：2025年更新：我新增了一个名为Agentic AI Systems的仓库，其中包含了最新的AI工程以及代理式系统设计与开发方面的趋势，供感兴趣的朋友参考。你可以在这里找到丰富的资源、系统设计概要、动手编码示例、项目等内容。

本仓库旨在为准备大型科技公司（尤其是FAANG）相关职位的机器学习（AI）工程面试提供指导。内容基于作者个人经验及面试准备笔记整理而成，他曾先后收到Meta（ML Specialist）、Google（ML Engineer）、Amazon（Applied Scientist）、Apple（Applied Scientist）和Roku（ML Engineer）的录用通知。

以下是不同公司在技术类机器学习岗位面试中最为常见的模块。我们将逐一介绍，并分享相应的备考方法：

章节	内容
第1章	通用编程（算法与数据结构）
第2章	机器学习编程
第3章	机器学习基础/广度
第4章	机器学习系统设计（2023年更新）
第5章	代理式AI系统（2025）
第6章	行为面试

注意事项：

• 在撰写这些笔记时，各公司的机器学习面试尚未形成像软件工程面试那样统一的结构。不过，我发现其中一些模块虽然名称不同，但内容却非常相似。

• 本指南主要针对大型企业中的机器学习工程师（以及应用科学家）岗位。尽管“数据科学”或“机器学习研究员”等其他相关岗位的面试结构有所不同，但此处所涵盖的部分模块仍然具有参考价值。

• 作为补充资源，你还可以参考我的生产级深度学习仓库，以深入了解如何设计用于生产的深度学习系统。

贡献

• 欢迎大家提出反馈和贡献 :blush: 如果你想参与贡献，请提交包含你建议修改的拉取请求）。

Machine-Learning-Interviews 快速上手指南

本项目并非传统的可安装软件包，而是一个结构化的面试准备知识库与学习指南。它汇集了作者在大厂（Meta, Google, Amazon 等）机器学习岗位面试中的经验，涵盖算法、ML 编码、基础理论、系统设计及行为面试等核心模块。

以下是获取并开始使用本资源的步骤：

环境准备

本项目主要由 Markdown 文档、Python 代码片段和 Jupyter Notebook 组成，无需复杂的系统依赖。

• 操作系统：Windows / macOS / Linux 均可
• 必备工具：
  • Git：用于克隆仓库
  • 浏览器：推荐 Chrome 或 Edge，用于在 GitHub 网页端直接阅读，或在本地使用 VS Code 预览 Markdown
  • Python 3.8+（可选）：仅当你需要运行 ML Coding 或 System Design 章节中的具体代码示例时需要
• 推荐编辑器：VS Code（安装 Markdown Preview Enhanced 插件可获得最佳阅读体验）

安装步骤

通过 Git 将仓库克隆到本地，以便离线阅读和运行代码示例。

# 克隆仓库
git clone https://github.com/alirezadir/Machine-Learning-Interviews.git

# 进入项目目录
cd Machine-Learning-Interviews

# (可选) 如果需运行代码示例，安装基础依赖
# 建议先查看具体章节下的 requirements.txt (如果有)
pip install -r requirements.txt 
# 注意：若根目录无 requirements.txt，请根据 src/MLC 或 src/MLSD 子目录中的具体需求安装

国内加速提示：如果克隆速度较慢，可使用国内镜像源加速：

git clone https://gitee.com/mirrors/Machine-Learning-Interviews.git

(注：若镜像源同步滞后，请以官方 GitHub 源为准)

基本使用

本项目按章节组织，你可以根据目标岗位的面试流程选择对应的模块进行学习。

1. 浏览目录结构

核心内容位于 src 目录下：

Machine-Learning-Interviews
├── src
│   ├── lc-coding.md          # Chapter 1: 通用算法与数据结构
│   ├── MLC
│   │   └── ml-coding.md      # Chapter 2: ML 专项编码 (手写模型/算法)
│   ├── ml-fundamental.md     # Chapter 3: ML 基础理论与广度知识
│   ├── MLSD
│   │   └── ml-system-design.md # Chapter 4: ML 系统设计 (重点)
│   └── behavior.md           # Chapter 6: 行为面试题
└── README.md

2. 开始学习（示例）

方式 A：在线直接阅读

直接在 GitHub 仓库中点击对应的 .md 文件链接即可阅读。例如，准备系统设计面试时，直接访问： src/MLSD/ml-system-design.md

方式 B：本地运行代码示例

以 Chapter 2 (ML Coding) 为例，假设你需要练习手写 K-Means 算法：

1. 打开 src/MLC/ml-coding.md 找到相关代码块。
2. 在本地创建测试文件 test_kmeans.py。
3. 复制代码并运行：

# test_kmeans.py (示例伪代码，具体内容请参考原文档)
import numpy as np

def k_means(X, k):
    # ... 复制 src/MLC/ml-coding.md 中的实现逻辑 ...
    pass

if __name__ == "__main__":
    # 构造简单数据进行测试
    X = np.random.rand(100, 2)
    labels = k_means(X, k=3)
    print("Clustering completed.")

3. 核心学习路径建议

面试阶段	推荐章节	文件路径
初试 (筛选)	通用编程	src/lc-coding.md
技术面 (核心)	ML 编码 & 基础	src/MLC/ml-coding.md src/ml-fundamental.md
终试 (架构)	系统设计	src/MLSD/ml-system-design.md
HR 面	行为面试	src/behavior.md

提示：对于关注最新 Agentic AI (智能体系统) 趋势的开发者，作者已单独开源了新仓库，请访问 Agentic-AI-Systems 获取 2025 年最新内容。