t********e
发帖数: 344 | 1 准备去面两个组，都说他们heavily use machine learning， 一个是做rank, 一个是
做local相关的。我只是略懂machine learning，而且都是基础的，课上学的…… 心里
没底啊，不知道他们会问什么样的问题…… 或者其实大公司都一样，就考coding题 （
那样倒好，都一样准备就行了）
有没有好心人给些hints? |
f*****e
发帖数: 2992 | 2 PRML搞熟基本就行了吧。
【在 t********e 的大作中提到】
: 准备去面两个组，都说他们heavily use machine learning， 一个是做rank, 一个是
: 做local相关的。我只是略懂machine learning，而且都是基础的，课上学的…… 心里
: 没底啊，不知道他们会问什么样的问题…… 或者其实大公司都一样，就考coding题 （
: 那样倒好，都一样准备就行了）
: 有没有好心人给些hints?
|
t********e
发帖数: 344 | 3 什么叫PRML啊？ pattern recognition & machine learning?
【在 f*****e 的大作中提到】
: PRML搞熟基本就行了吧。
|
d**********x
发帖数: 4083 | 4 yes
【在 t********e 的大作中提到】
: 什么叫PRML啊？ pattern recognition & machine learning?
|
t********e
发帖数: 344 | 5 好奇面试会怎么问呢？“你知不知道xxx model?”, or "this is a concrete problem
, ...., which model do you try to apply?" |
m****t
发帖数: 2329 | 6 楼主，你是phd毕业吗。感觉做机器学习和神经网络这块的门槛挺高的。 |
t*********h
发帖数: 941 | 7 which companies? sometimes they ask pretty practical problems. usually they
start with what data they have and see how you approach
【在 t********e 的大作中提到】
: 准备去面两个组，都说他们heavily use machine learning， 一个是做rank, 一个是
: 做local相关的。我只是略懂machine learning，而且都是基础的，课上学的…… 心里
: 没底啊，不知道他们会问什么样的问题…… 或者其实大公司都一样，就考coding题 （
: 那样倒好，都一样准备就行了）
: 有没有好心人给些hints?
|
t********e
发帖数: 344 | 8 我是CS phd， 不过不是ML方向的，我觉得ML好难……
【在 m****t 的大作中提到】
: 楼主，你是phd毕业吗。感觉做机器学习和神经网络这块的门槛挺高的。
|
o***d
发帖数: 313 | 9 请教一下,难在哪?还没有仔细看过,不过当年差点走了这个方向
【在 t********e 的大作中提到】
: 我是CS phd， 不过不是ML方向的，我觉得ML好难……
|
t********e
发帖数: 344 | 10 微软……
请问这种practical problem如果以前没做过，怎么在面试时给approach呢？
they
【在 t*********h 的大作中提到】
: which companies? sometimes they ask pretty practical problems. usually they
: start with what data they have and see how you approach
|
|
|
f*****e
发帖数: 2992 | 11 有什么难的，不就是统计加优化。比起ECE里的robust control，SDP啥的还是要简单多
了。
【在 o***d 的大作中提到】
: 请教一下,难在哪?还没有仔细看过,不过当年差点走了这个方向
|
d****o
发帖数: 1055 | 12 你理解了基本的分类和聚类问题怎么做。
知道怎么建立feature，针对实际问题。
然后背一两个比较popular的model。比如SVM。你知道个大概意思。
然后就是吹牛。
【在 t********e 的大作中提到】
: 微软……
: 请问这种practical problem如果以前没做过，怎么在面试时给approach呢？
:
: they
|
w****x
发帖数: 2483 | 13
这个不需要鼓捣公式的话做应用应该不会很难吧
【在 t********e 的大作中提到】
: 微软……
: 请问这种practical problem如果以前没做过，怎么在面试时给approach呢？
:
: they
|
t********e
发帖数: 344 | 14 大牛真是举重若轻……
可否问一下,假如要rank webpages in a search results，怎么建立features? (我读
了些learning to rank的paper, 方法真是五花八门，如果在面试的时候应该怎么回答
呢？)
【在 d****o 的大作中提到】
: 你理解了基本的分类和聚类问题怎么做。
: 知道怎么建立feature，针对实际问题。
: 然后背一两个比较popular的model。比如SVM。你知道个大概意思。
: 然后就是吹牛。
|
t********e
发帖数: 344 | 15 我也觉得总不会让我背几个公式吧+证明吧……
【在 w****x 的大作中提到】
:
: 这个不需要鼓捣公式的话做应用应该不会很难吧
|
c******1
发帖数: 435 | 16 neural network 和 deep learning这块似乎开始热起来了。楼主，也许是个机会啊
请问，你读的学校是top20以内的吗？我倒很想做这块，感觉有前途啊。不知道有没有
机会。
【在 t********e 的大作中提到】
: 我是CS phd， 不过不是ML方向的，我觉得ML好难……
|
t********e
发帖数: 344 | 17 什么机会？：）楼主已经要毕业了……
你现在什么status啊？如果grad school那就选这个方向咯？
【在 c******1 的大作中提到】
: neural network 和 deep learning这块似乎开始热起来了。楼主，也许是个机会啊
: 请问，你读的学校是top20以内的吗？我倒很想做这块，感觉有前途啊。不知道有没有
: 机会。
|
c******1
发帖数: 435 | 18 做图形图像算法的。觉得没前途，没兴趣。
我说的机会，是去相关公司做这神经网络和机器学习，积累经验的意思。
智能化是个大趋势吧。
【在 t********e 的大作中提到】
: 什么机会？：）楼主已经要毕业了……
: 你现在什么status啊？如果grad school那就选这个方向咯？
|
t*********h
发帖数: 941 | 19 基本的model你总得知道把 classifier, cluster, etc.其他零零总总的 regression,
bias, viarance, regularization, deal with skewed distribution, big data,
hadoop, loss function, feature selection。。。其实就那么点东西
【在 t********e 的大作中提到】
: 微软……
: 请问这种practical problem如果以前没做过，怎么在面试时给approach呢？
:
: they
|
f*****e
发帖数: 2992 | 20 扯远了还有lasso，compressed sensing，几个东西就是一坨。
,
【在 t*********h 的大作中提到】
: 基本的model你总得知道把 classifier, cluster, etc.其他零零总总的 regression,
: bias, viarance, regularization, deal with skewed distribution, big data,
: hadoop, loss function, feature selection。。。其实就那么点东西
|
|
|
m*********n
发帖数: 119 | 21 我记得大概一两个月前有个统计phd面Google，拿到了offer，就是白板推公式，R编程
。当然人家是统计phd
【在 t********e 的大作中提到】
: 我也觉得总不会让我背几个公式吧+证明吧……
|
D***r
发帖数: 7511 | 22 现在ML其实就是统计的各种应用
跟统计系不同的是CS的人更善于把研究对象形式化，变为可计算类型
而统计系更注重数学上的严谨
据说面试常常还是给你一个实际问题，问你可以怎么解决
然后就针对你的回答追问细节
理论方面，可能会问一些基本概念
比如central limit theorem是啥，证明思路是怎样的
【在 t********e 的大作中提到】
: 准备去面两个组，都说他们heavily use machine learning， 一个是做rank, 一个是
: 做local相关的。我只是略懂machine learning，而且都是基础的，课上学的…… 心里
: 没底啊，不知道他们会问什么样的问题…… 或者其实大公司都一样，就考coding题 （
: 那样倒好，都一样准备就行了）
: 有没有好心人给些hints?
|
d****o
发帖数: 1055 | 23 这个方法很多
比如说你可以对query和文档建立一个向量模型，这个就是一个feature，
Learning to rank 的文章你背一两篇就行了，尤其是早期的。
比如adarank那篇，你仔细看看。
【在 t********e 的大作中提到】
: 大牛真是举重若轻……
: 可否问一下,假如要rank webpages in a search results，怎么建立features? (我读
: 了些learning to rank的paper, 方法真是五花八门，如果在面试的时候应该怎么回答
: 呢？)
|
t****a
发帖数: 1212 | 24 楼主，这一块可能问的问题会很泛，不好准备；不同的面试官背景不同可能就会倾向与
问你不同的问题。就我所知道的，统计背景和ML背景的面试官喜欢的问题就不一样。也
许楼主你可以搞搞清楚他们组到底在做什么，用哪一块的方法在做，有针对性的准备或
许成功性会高一些。
【在 t********e 的大作中提到】
: 准备去面两个组，都说他们heavily use machine learning， 一个是做rank, 一个是
: 做local相关的。我只是略懂machine learning，而且都是基础的，课上学的…… 心里
: 没底啊，不知道他们会问什么样的问题…… 或者其实大公司都一样，就考coding题 （
: 那样倒好，都一样准备就行了）
: 有没有好心人给些hints?
|
s*********0
发帖数: 89 | 25 没那么玄。不会ML在ranking team做的好的多得很。researcher 倒是被赶走了不少。
web ranking也挺乱的。
提醒一句，MS不是那么好混的，Bing是MS最忙的department。
在ranking组做了五年的人飘过。
【在 t****a 的大作中提到】
: 楼主，这一块可能问的问题会很泛，不好准备；不同的面试官背景不同可能就会倾向与
: 问你不同的问题。就我所知道的，统计背景和ML背景的面试官喜欢的问题就不一样。也
: 许楼主你可以搞搞清楚他们组到底在做什么，用哪一块的方法在做，有针对性的准备或
: 许成功性会高一些。
|
n*****3
发帖数: 1584 | 26 鼓捣公式 easy, 做应用难ba;
你的SYSTEM 得 比 别人 PERFORMANCE 好 吧
【在 w****x 的大作中提到】
:
: 这个不需要鼓捣公式的话做应用应该不会很难吧
|
t********e
发帖数: 344 | 27 谢谢大牛
不过我确实对relevance ranking很感兴趣 很想试试
请问一般面试会问具体用什么model做ranking吗
还有应该也会问infrustructure的东西吧？
【在 s*********0 的大作中提到】
: 没那么玄。不会ML在ranking team做的好的多得很。researcher 倒是被赶走了不少。
: web ranking也挺乱的。
: 提醒一句，MS不是那么好混的，Bing是MS最忙的department。
: 在ranking组做了五年的人飘过。
|
l******n
发帖数: 1250 | 28 请教，你非machine learning方向，怎么拿到的面试？
我machine learning方向，没有面试机会
当然我学校只是Top 50 |
t********e
发帖数: 344 | 29 university recruiting投的，我也不知道要machine learning的，是电面之后才知道的
你学这个的那机会更多了呀，无数招ML, IR, NLP的职位啊……
【在 l******n 的大作中提到】
: 请教，你非machine learning方向，怎么拿到的面试？
: 我machine learning方向，没有面试机会
: 当然我学校只是Top 50
|
w***g
发帖数: 5958 | 30 别逗了。那本书全都是贝叶斯方法，除了理论上能自圆其说，很难想想实际上有多大的
价值。对于公司来说，问题主要在于提feature，有了feature以后，剩下的SVM,
decision tree或者neural network，都有现成的东西可以用，效果好坏也没多大区别
。没什么时候需要去折腾贝叶斯方法的。
【在 f*****e 的大作中提到】
: PRML搞熟基本就行了吧。
|
|
|
j*****n
发帖数: 1545 | 31 yep, it is all about features and data cleaning. That's how industrial ML vs
. academic ML
【在 w***g 的大作中提到】
: 别逗了。那本书全都是贝叶斯方法，除了理论上能自圆其说，很难想想实际上有多大的
: 价值。对于公司来说，问题主要在于提feature，有了feature以后，剩下的SVM,
: decision tree或者neural network，都有现成的东西可以用，效果好坏也没多大区别
: 。没什么时候需要去折腾贝叶斯方法的。
|
