AI机器学习面试考什么？被拒五次后总结

去年春天到夏天，我在ai机器学习面试这条路上投了二十来份简历，拿到六次面试机会，前五次全挂，第六次才上岸。挂掉的那五次，每一次结束我都写了一份复盘笔记，长度加起来比这篇文章长得多。这篇就按五次失败的顺序讲，每个环节被问了什么、我答砸在哪、后来怎么补的。先说结论性的感受：机器学习面试是我经历过的最"连环"的面试形态，你说的每一句话都可能成为下一个问题的入口。会什么说什么，不会的坦白，比硬撑体面得多。

AI机器学习面试的固定流程长什么样

原子答案：多数公司两到三轮。第一轮技术面考基础和代码，第二轮考项目为主加场景题，第三轮主管面看沟通和匹配度。小公司会压缩成一轮全聊完，节奏更快。

我面的六家（五家互联网、一家做零售数字化的中型公司）流程大体一致。一面60到90分钟，自我介绍五分钟后直接进基础题，后半段写代码。二面通常是组长或资深工程师，项目追问占大头，会给出业务场景让你设计方案。三面有的公司没有，有的就是聊聊职业规划。面试官风格差异很大：有一面从头到尾冷脸的，也有二面聊到兴起白板画架构的。唯一不变的是项目环节的深挖深度，这个后面细说。

准备节奏上我是错开的：接到面试通知先刷一遍该公司的技术博客和业务模式，晚上把简历里每个项目的数据、指标、方案重新过一遍。有一家就是因为我提前看了他们的业务介绍，场景题答的时候用上了他们行业的术语，面试官明显来了兴致。

高频基础题清单：我被实际问到的

原子答案：基础题围绕五个主题打转——过拟合与正则化、树模型与梯度提升、评估指标、特征工程、偏差方差权衡。把这五块讲到能推导、能举例，基础环节就稳了。

把我五次面试被问的基础题归堆之后，重复率最高的就这几类。第一梯队（五场里至少三场问到）：L1和L2正则化的区别和各自适用场景、随机森林为什么不容易过拟合、XGBoost和随机森林的差异、精确率和召回率在什么业务下更看重哪个、AUC的物理含义。第二梯队（两场左右问到）：类别不均衡怎么处理、交叉验证怎么做才不泄漏、卡方分箱和等频分箱的取舍、梯度爆炸和消失怎么回事。

印象最深的一道："AUC等于0.75，具体说说这个数是怎么算出来的。"我第一次被问到时只会背"分类器排序能力"，面试官追问"那给你一堆预测概率和真实标签，手算AUC怎么算"，我当场卡住。后来我回去用两小时推了一遍：AUC等价于随机抽一个正样本和一个负样本，正样本预测概率大于负样本的概率，可以从 pairwise 角度数出来。第二次被问到同类题时我从原理讲到工程实现，面试官点了头。那种感觉，很解气。推导和原理的权威讲法可以对照维基百科ROC曲线词条，面试前把AUC和ROC的关系彻底理顺。

还有个偷懒技巧。准备基础题时我用AI陪练：把目标岗位的职位描述喂给它，让它扮演面试官连环追问。问完一圈你会发现自己的知识漏洞比想象中多。这个方法的具体玩法在用AI模拟面试实测那篇里写得详细，秋招前我靠它续过命。

手撕代码环节：题目难度和翻车现场

原子答案：机器学习岗的手撕代码偏数据场景，LeetCode中等难度为主，常考数组、哈希表、字符串处理，偶尔现场实现简化版算法（比如手写kmeans的一步迭代）。纯hard题很少。

五次面试的手撕题我全记着。第一次：两数之和变体（哈希）。第二次：给一个日志文件路径，统计每个用户的访问次数topK（字典加排序）。第三次：实现滑动窗口求均值。第四次：手写kmeans的单轮迭代（这个最有意思，考的是你懂不懂算法本身）。第五次：字符串去重保序。难度都不高，但要求边写边讲思路。

我的翻车在第二次。题目本身不难，我十来分钟写完了，面试官临时加了个条件——数据量放大到十亿行怎么办。我懵了，支支吾吾说了"分治"，他追问具体怎么分、结果怎么合并，我答得稀碎。复盘时才明白他考的是海量数据下哈希分片加归并的基本功，我在LeetCode里刷到过类似的思路，但没串起来。刷题刷的是肌肉记忆，追问考的是理解深度，这两件事中间隔着刻意总结。后来我把每道刷过的题都加一条"如果数据量放大1000倍"的自问，硬造习惯。

我被问崩的那道题：项目深挖到底多狠

原子答案：项目环节的追问有固定套路——为什么这么设计、别的方案为什么不行、数据怎么来的、指标提升多少且怎么归因、上线后怎么监控。答不上任何一层，整个项目的可信度就塌了。

第三次面试是我输得最惨的一次，被问崩的题到现在还记得。我简历上写着"用户流失预测项目，AUC从0.71提升到0.79"。面试官的追问链条是这样的：这个提升主要来自哪个改动？我说主要加了三个行为特征。他问：三个特征分别贡献多少？我说没单独测。他问：那你怎么确定是这三个特征的功劳，而不是调参带来的？我卡住。他又问：训练和真实线上数据的分布差异评估过吗？我彻底哑火。

那次出来我在楼下坐了半小时。说白了，我做项目时的心态是"把它做出来"，而面试官考察的是"你是不是真的理解它"。三个问题，问的全是我没做过的消融实验。回家后我花了一周把那个项目的三个特征逐个做单独对照，重新跑出分特征贡献，把那个项目真正吃透了。第五、六次面试再被追问类似问题，我甚至能主动说出"这个提升里有个坑，我一开始误判了归因"，面试官反而更感兴趣。

这里想给转行的朋友提个醒：项目不在多在深。我简历上三个项目，聊得最久的恰恰是最小的那个，因为每个决策我都能说出为什么。

顺便说个题外话。第四次挂掉那家，二面聊得特别好，技术问题基本都接住了，最后还是没过。我托朋友打听，反馈是"业务理解偏弱"——他们做风控，聊到坏账率季节性波动时我明显接不上话。这次失败让我意识到，技术准备之外，目标公司的业务常识也得补。之后每次面试前我会花一小时搜目标行业的核心指标和商业模式，第六次面试的场景题正好押在推荐系统冷启动上，那周我刚好看过相关资料。运气这东西，有时候是准备换了个名字。

五次被拒的原因复盘：一张对照表

原子答案：五次失败各有主因——基础不牢、海量数据题崩、项目经不起追问、业务理解弱、薪资匹配失败。对着下表你能看到一条清晰的进步曲线，也能看到哪类问题最致命。

第5次其实不算技术失败，两个候选人水平接近，对方有推荐场景的直接经验。这种输法最没脾气，也提醒我：投递方向和项目方向的匹配度，值得在投简历之前就规划，而不是面完才懊悔。

给准备ai机器学习面试的人的四条建议

原子答案：一是把简历上每个项目做到能答三层追问，二是基础题按主题成体系复习而不是零散刷，三是代码题练"边写边讲"，四是面试前摸清目标业务。四条里第一条权重最高。

展开说两句。项目这块的自我检测标准：找朋友（或者AI）扮演杠精面试官，围绕你项目的每个技术决策问"为什么"，任何一层答不满两分钟就算不过关。基础题的复习我按主题打包，比如"正则化"一个主题把L1L2、dropout、早停、数据增强一起过，面试时才能横向对比着说，面试官最喜欢听横向对比。写代码时大声讲思路这个习惯是第六次面试前一周练出来的，紧张感会明显下降——嘴在动，脑子就没空慌。

如果你还在更早的阶段，先别急着研究面试。机器学习本身的基础要打牢，推荐从机器学习到底是什么这种白话版建立框架，再上强度。想系统排学习进度的，那份六个月学习计划表就是我面试前的底子。算法模型按什么顺序啃，可以参考从线性回归到神经网络的通关顺序。

常见问题

没有大厂项目经验，机器学习面试能过吗？

能，我自己就是靠三个个人项目过的。关键是项目的完整度和深度，不是平台。Kaggle竞赛、开源数据集的完整分析、给朋友公司做的小型预测服务，都够聊。前提是每个决策你都说得出为什么，指标你都说得出怎么来的。面试官见惯了包装出来的大项目，真扎实的小项目反而稀缺。

数学要准备到什么程度？

比想象中浅，比刷题班宣传的深。实际被问到的数学都嵌在基础题里：推导一下逻辑回归的梯度、解释一下为什么L1产生稀疏解。不用啃大部头，把出现频率最高的几个推导亲手写两遍就够。我五次面试没有一次被单独考过数学证明。

面试官问到完全不会的题怎么办？

策略就八个字：承认不会，展示思路。我第六次面试被问到一个没接触过的流式计算概念，我直接说不熟，然后讲了下按我的理解会怎么设计、有什么风险。面试官后来说，这一段比前面背得很熟的部分加分更多。硬编的答案在追问下三秒就穿帮。

转行身份会被歧视吗？

会难一些，但不致命。五次面试里我感觉到明显阻力的是一次，对方反复纠结我为什么转行。我的应对是把转行动机讲成一个具体的决策过程（做前端时遇到了什么、为什么选机器学习、做了哪些验证），而不是表达热爱。逻辑自洽比热情动人管用。转行全程的时间线和心态，我写在前端转岗记录里了。

五次被拒、四个月、三十多页复盘笔记，这是我这轮ai机器学习面试的全部成本。写出来不是为了诉苦，是想告诉你：面试这场考试的信息不对称没那么可怕，每挂一次就等于免费买了一份真题。把每次的追问记下来，回去补，下一场你就是拿着答案进考场的人。正在准备的朋友，也可以看看机器学习新手七问扫清基础疑虑。这篇如果对你有点用，转给那个面试挂了两回就说要放弃的朋友——告诉他第五次挂掉的我，第六次拿了两个offer。