Pinterest 机器学习工程师（MLE）面试经验分享

面试流程概览

Pinterest MLE 面试总时长 1 小时，分为 三个部分：

1. 简历讨论（10 分钟）
2. 机器学习基础知识（10 分钟）
3. 算法编码（40 分钟）

---

1. 简历讨论（Resume Discussion）

• 介绍 最近的工作项目，包括：
  • 项目背景（Project Background）。
  • 在团队中的角色（Your Role）。
  • 高层次讨论（High-Level Questions），涉及项目目标、影响力、挑战等。

---

2. 机器学习基础知识（ML Basic Knowledge）

面试官原计划考察 3 个问题，实际共 4 题：

1. ReLU vs. Sigmoid：哪种激活函数更适合解决 Vanishing Gradient 问题？为什么？

   • 考点：ReLU 在正区间的梯度不会消失，而 Sigmoid 在极端值区域梯度趋近于 0。

2. L1 正则化 vs. L2 正则化：哪个对参数分布更具离散性（dispersive）？

   • 考点：L1 会导致 稀疏性（Sparsity），从而使部分权重变为 0，更具分散性。

3. 决策树（Decision Tree）计算梯度时，分子和分母分别是什么？

   • 考点：梯度计算涉及 信息增益 / Gini 不纯度 的计算。

4. Random Start：是什么？解决什么问题？

   • 考点：在 优化问题（如 K-Means）中，随机初始化可避免局部最优解。

---

3. Coding 轮 - Hike Optimization 问题（40 分钟）

题目描述

• 你在安排一次远足（Hike），需要选择 K 晚 停留的位置。
• 目标是 最小化最长的一天行程。
• 输入：
  • K: int —— 可停留的晚数。
  • T: list[int] —— 可停留的地点（递增顺序），T[-1] 为最终目的地。
• 输出：在停留 K 晚 的情况下，使得最长的一天的行程最短，返回该最大行程距离。

示例

min_longest_day_hike(1, [0,4,7,11,12])  # 输出: 7

解释：

• 选择在 7 停留，行程分布如下：
  • 第一天走 7，第二天走 5，最长的行程为 7。
• 任何其他停留方案都会导致最长的一天超过 7。

考察点

• 二分查找（Binary Search）+ 贪心（Greedy） 解法。
• Time / Space Complexity 分析。

Follow-up 问题

1. 在已知 K, T 和 min_longest_day_hike 输出情况下，返回具体停留的位置。

   determine_stops(7, 1, [0,4,7,11,12])  # 输出: [7]

2. 如果 T 是 list[float]，如何修改代码？（不需要写代码）

   • 可能需要调整二分查找的步长。

3. T 为 float 时，时间和空间复杂度是多少？

   • 需要考虑浮点数计算的精度误差及搜索优化策略。

---

面试总结与建议

1. 简历讨论环节 重点在于 清晰表达项目背景，突出个人贡献。
2. ML 基础知识考察较深入，建议掌握 激活函数、正则化、决策树梯度计算、优化方法。
3. Coding 轮考察二分查找 + 贪心，建议掌握 优化问题的动态规划或二分策略。
4. Follow-up 问题涉及代码扩展性，需要对 数据结构、算法复杂度分析 有深入理解。
5. Pinterest MLE 偏向实际应用，建议结合 真实机器学习项目经验 来回答面试问题。