26ng终于拿下TikTok MLE offer~ 这段找工路走得太不容易了!
我这人特别轴,一门心思要转MLE,现在回头看,这条路的难度是真的高。前期完全没公司抛橄榄枝,整个找工过程就像在悬崖边走钢丝,全靠硬撑。挂了再面、面了再挂,总算熬到了上岸的时刻。
总结下来,这段经历真的特别折磨人,焦虑、抑郁的状态持续了整整两个月。还好有Kanye的歌一直陪着我,《Come to Life》《Runaway》都快被我听烂了,算是精神支柱一样的存在。
有意思的是,拿下TikTok offer后,其他的机会全找上门了。这也算是对我这段煎熬找工路的认可吧~
🔔简单总结下面试重点:
👉第一轮 ML 基础 + 编程首轮核心就是ML fundamentals。HR会让你讲解逻辑回归的决策边界,接着聊 XGBoost 和随机森林的差异,还有数据不平衡的常见处理方法。后面还会抛来经典场景提:模型部署后 AUC 指标下滑,该如何排查问题,整体都特别侧重实际应用。编程提是 “最长和为 K 的子数组” 的变体,提目本身不算难,但会一直追问边界情况,比如包含负数、空数组等场景,重点考察代码的稳定性。
👉第二轮 Deep Learning + System。围绕 Transformer 展开,比如编码器和解码器的区别、自注意力机制为何能捕捉长距离依赖,还会顺带问到 LayerNorm 和 BatchNorm 的差异,以及常见的推理加速方案。系统设计完全站在生产环境视角,比如在线学习流水线怎么设计、模型上线后如何监控数据漂移。还有道超 TikTok 风格的提:一天只能重新训练一次模型,但用户行为是实时变化的,你会怎么处理?
👉篇幅有限,三四轮就简单说下:第三轮侧重编程 + ML 案例分析,最后一轮是 BQ 面试,TikTok 一直很看重这部分。整体面下来最大的感受是,不用太偏向学术研究,但一定要能把模型和真实业务、线上系统的关联讲透彻。
整/理好的BQ提目、MLE编程提和八股知识点,需/要的话📧【T】~