📚 课程目录第1章岗位能力画像与简历优化模板

第一章岗位能力画像与简历优化模板

本章帮你拆解机器学习模型训练工程师的核心能力维度，掌握简历写法和面试高频问题。先通过能力画像图建立全局认知，再学习简历结构、关键词清单、量化成果句式，最后用3个典型面试问答巩固实战技巧。

能力维度	核心要求	面试考察重点
工程实现	熟练使用 PyTorch/TF，掌握分布式训练、混合精度、模型量化	聊聊你常用的训练加速技巧？怎么排查 loss 不下降？
算法选型与调参	理解 CNN/RNN/Transformer/GBDT 原理，能根据场景选择模型	为什么选这个模型？LR、batch size 如何调整？
数据与特征工程	处理缺失值、异常值，特征构造、归一化、数据增强	样本不平衡怎么处理？特征重要性怎么评估？
业务理解与落地	从业务指标到模型目标，实验设计，上线后监控	模型效果与业务指标不一致怎么办？

常用关键词：分布式训练、混合精度、模型蒸馏、知识蒸馏、剪枝、量化、AUC提升、召回率、F1、线上效果、A/B实验、特征工程、数据管道、自动调参、早停、学习率衰减、迁移学习、多任务学习。

量化成果句式模板：

面试问题：请介绍一下你最满意的一个机器学习项目。

面试官考察点：是否能用STAR表达；是否理解业务价值；技术选型是否合理；结果是否量化。

回答框架：
1. 一句话说清业务背景（什么场景、什么瓶颈）。
2. 我负责的角色和技术方案（模型、特征、训练策略）。
3. 量化成果（离线指标+线上效果）。

示例回答：
“在推荐场景中，老模型CTR长期不涨。我负责离线特征工程+模型升级，采用DeepFM，利用用户行为序列构建新特征，通过A/B实验CTR提升2.3%，人均时长+5%。核心收获：特征设计比模型架构更重要。”

可能追问：为什么选DeepFM而不是XGBoost？特征工程具体做了哪些？线上效果波动如何排查？

避坑提醒：不要只讲技术名词，要强调业务结果；不要模糊数字；如果项目未上线，可说明离线指标与预期。

面试问题：你的简历写了“提升模型训练速度30%”，具体是怎么做到的？

面试官考察点：是否真做过手优？对框架底层是否了解？方法是否可迁移？

回答框架：
1. 说明原始瓶颈（单卡训练慢/数据加载慢）。
2. 具体方法：混合精度训练、DataLoader num_workers调优、梯度累积、使用AMP。
3. 效果对比：从X小时→Y小时，同时保证精度不变。

示例回答：
“原始模型单卡训练需12小时。我启用PyTorch的AMP混合精度，配合8卡分布式，显存占用降低40%，训练时间缩短至3.5小时，同时通过loss对比确认精度不降。另外优化了DataLoader使用多进程+prefetch，IO等待减少60%。”

可能追问：混合精度的原理？FP16梯度过小怎么办？分布式用过哪种策略（DDP/FSDP）？

避坑提醒：不要只给出结论；要体现排查和解决问题的思路；如果实际并非亲手实现，要诚实说明协作部分。

面试问题：你觉得自己在模型训练方面最大的强项是什么？

面试官考察点：自我认知是否匹配岗位；是否有突出亮点；能否给团队带来补足。

回答框架：
1. 选择一个具体能力（如分布式训练、调参技巧、特征工程）。
2. 用1-2个例子证明（最好有量化结果）。
3. 说明该能力如何帮助团队或项目。

示例回答：
“我最大的强项是快速定位训练问题。比如在BERT训练中loss震荡，我通过梯度直方图分析发现某层梯度爆炸，改用梯度裁剪+warmup后收敛。类似问题我总结了一套排查流程，分享给团队后解决多次线上异常。”

可能追问：你总结的排查流程具体有哪些步骤？遇到过loss为NaN吗？怎么处理？

避坑提醒：不要泛泛而谈“我很强”，需要具体案例；不要虚构没有的能力；建议选择与目标岗位最相关的强项。

第一章 岗位能力画像与简历优化模板