机器学习的兴起

机器学习（ML）是发展最快的领域之一，市场规模预计将从2020年的73亿美元增长到2024年的306亿美元。机器学习致力于解决大量复杂问题，在语音理解、视觉识别、搜索排序、信用卡欺诈检测等多个领域取得了快速进展。

由于这些重大发展，近年来机器学习的应用和相关岗位需求大幅增长，并预计在未来几年将以更快的速度持续扩张。

机器学习面试会考察哪些内容？

招聘机器学习岗位的公司通常通过面试来评估候选人在多个方面的能力。你可以在面试中预期以下几类考察内容：

问题求解与编程

这一部分的面试与其他软件工程岗位的编码面试类似：面试官会给出一个编程题目，例如“实现中序遍历二叉树”，候选人需要在大约半小时内完成解答。关于如何准备这类问题，已有大量资料可供参考。

机器学习基础知识理解

这部分主要考察候选人对基本机器学习概念的理解，例如监督学习与无监督学习的区别、强化学习、分类与回归任务、深度学习、优化函数以及各类机器学习算法的学习过程等。市面上有许多课程和书籍系统讲解这些基础概念，有助于掌握机器学习的核心知识，为面试做好准备。

职业经历讨论

机器学习系统设计讨论

该环节重点考察候选人解决端到端机器学习问题的能力，通常以开放式问题的形式出现。这是面试中的关键组成部分，但目前针对这一部分的备考资源非常有限。因此，本课程旨在帮助你建立应对机器学习系统设计问题所需的思维方式。

机器学习系统设计面试

机器学习系统设计类问题是评估候选人是否胜任机器学习岗位的重要环节。尽管目前已有大量关于机器学习概念和技术的课程与书籍，但很少有资料从系统设计的角度出发来探讨机器学习问题，更少有内容指导如何准备此类面试。本课程正是为了填补这一空白，深入剖析谷歌、Netflix、Twitter、微软、特斯拉和Facebook等顶尖科技公司实际解决的经典机器学习问题。

在机器学习系统设计面试中，候选人会被提出开放性的机器学习问题，并要求设计一个完整的端到端机器学习系统来解决问题。典型的问题包括：

• 构建一个向用户推荐相关产品的推荐系统；
• 为自动驾驶汽车构建一个视觉理解系统；
• 构建一个搜索排序系统。

为了有效回答这些问题，候选人应遵循以下方法：

下一课将详细阐述这一方法的具体步骤。我们将依据该框架，针对各类机器学习系统设计问题提出完整的端到端解决方案。

📝 在“实用机器学习技术”章节中，我们还将介绍一些在设计机器学习系统时非常有用的关键实践方法和技术，涵盖性能与容量考量、嵌入表示（embeddings）、在线实验、模型调试与测试等内容。

希望本课程能为你提供设计端到端机器学习系统的深刻洞见，从而装备你应对任何机器学习系统设计挑战。祝你学习愉快，面试准备顺利！