AI工程师怎么练成？机器学习学习清单+面试真题

AI工程师机器学习方向怎么练成，这个问题我有两个视角。第一个视角是求职者：五年前我从后端开发转AI，自学八个月，被拒了五次，第六次上岸。第二个视角是面试官：后来我在两家公司参与AI岗招聘，看过几百份简历、主持过几十场技术面。两个视角拼在一起，能看到很多单视角看不到的东西——比如简历上写什么会被秒拒，面试里哪句话一出口面试官就在心里给你加分。今天就把这两部分经验倒出来：一份技能清单（我个人的，不是百科全书式的）、一批真实面试题（都出自我亲历的面试现场）、加一条被验证过的准备周期。丑话说前头：这条路能走通，但比培训机构宣传的苦得多，也不止八个月那么简单。

先定方向：AI工程师和机器学习工程师不是同一个岗

原子答案：算法岗调模型、追求指标；工程岗把模型变成稳定服务、追求延迟和可用性。两个岗的技能清单七成重叠，核心三成完全不同，入行前必须选边。

我转行时犯的第一个错就是没分清这两个岗，简历海投，两个岗都用同一份，结果两头碰壁。后来才明白：算法岗面试追着数学和模型细节问，bagging和boosting的区别答不深基本没戏；工程岗关心你怎么部署服务、显存不够了怎么办、接口挂了怎么降级。我一个做后端出身的，明明工程岗胜算大，却把两个月时间浪费在啃数学证明上。

选边的土办法：你享受调参数看指标涨跌，选算法；你享受把东西跑起来、扛住流量，选工程。我是后者，认清楚之后，第三个月开始所有学习都围着"落地"转，面试通过率肉眼可见地变好。别两头都想要，面试官一深挖就穿帮。

机器学习基础概念还没捋顺的，先补这篇不写公式的机器学习白话版，再看学AI到底学什么的四层拆解，方向感会清晰很多。

我的技能清单：AI工程师机器学习栈的极简版

原子答案：三块——Python加数据处理的硬功夫、经典机器学习模型加评估方法、模型部署和调优的工程能力。深度学习是加分项，不是入场券。

第一块是地基：Python要写得顺，NumPy和Pandas要熟到能盲打。我当年的练法很笨：用Pandas把一份五十万行的日志数据做清洗聚合，反复做了三遍，从查文档到不查文档。这功夫后来在面试现场做题环节直接兑现了。

第二块是经典机器学习。别小看"经典"两个字，面试考得最凶的就是这块：逻辑回归、树模型、集成方法，加上过拟合怎么判断、交叉验证怎么做、类别不平衡怎么处理。我的清单里每个模型只回答三个问题——它解决什么问题、怎么调、什么时候会翻车。三个问题都答得上，比背十个模型的公式有用。

第三块是工程落地：会把训练好的模型包成API服务、懂基本的容器使用、知道怎么监控线上模型的效果衰减。这块是转行者的护城河，纯科班出身的人未必比你强。深度学习我放最后，学到一个图像分类小项目能跑通的程度就够应付多数工程岗了。

系统化的路线参考，可以看我之前写的六个月机器学习计划表和AI编程学习路径，把顺序和坑都标了。

真实面试题：我在考场两边都坐过

原子答案：问题分三层——项目深挖、原理拷问、场景设计。每层都有送命题和送分题，下面全是真题原样。

项目深挖层的标准开局："这个项目里最难的一个技术决策是什么，为什么这么选？"这题我当面试官时问过不下三十次，八成候选人答成项目介绍复述。正确姿势是挑一个真实的取舍讲，比如我当年讲"训练数据不足时，我选择用规则补齐而不是硬上模型，因为测试后规则方案的准确率反超了七个百分点"——有取舍、有数据、有结果。面试官要听的就是这个。

原理层的高频题我记下的有这些：为什么树模型不需要特征归一化而线性模型需要？类别不平衡除了重采样还有什么招？AUC的含义是什么，如果一个模型AUC是0.5说明什么？这些题都不难，但追问到第三层就见真章。AUC那题的第三层追问是"AUC对样本分布敏感吗"，我当时卡了足足十秒，凭直觉答了个方向，面试官没深究，事后查资料发现答对了一半。运气。

场景设计层是我觉得最实用的："现在要给一个电商网站做商品推荐冷启动，你怎么办？"没有标准答案，考的是你怎么把业务问题翻译成技术问题。我后来面试别人时也爱出这题，最欣赏的答案不是技术名词最多的，而是先反问"冷启动指的是新用户还是新商品"的那个候选人。先问清约束再动手，这是工程师和调包侠的分水岭。

插一段被拒五次的复盘，这段比成功上岸的干货更值钱。第一次被拒，败在简历：项目描述全是"参与""负责"，没有量化结果，我后来把每条都改成了"做了什么加数字变化"，比如把"优化数据处理流程"改成"用分批处理把特征工程的耗时从40分钟压到7分钟"。改完之后面试邀约明显变多。第二次败在基础，bagging和boosting的方差偏差问题答不上。第三次败在心态，被追问急了开始编，面试官后来善意提醒我：不会就说不会，编是最扣分的。这句话我记到今天，也原样送给你们。

第四第五次挂在场景题上，暴露的是没做过真实业务。补的办法也笨：我去开源项目里认领了两个数据处理的小任务，做完写进简历。真实的协作经历，比任何模拟项目都经得起追问。

准备周期怎么排：AI工程师转行的四阶段实录

原子答案：我的八个月切四段——两个月基础、三个月项目、一个月面试准备、两个月边投边补。每段的目标和验收标准如下表。

这个表有两个地方我想强调。一是项目期占了大头，因为转行者最缺的就是"真做过"的证据；二是实战期被拒很正常，我的复盘笔记写了五份，每份都逼自己写下"这次暴露的盲区是什么"。第五次和第六次面试之间的那一个月，我把前四次挂掉的题全部重新推导了一遍——第六次面试遇到的原理题，六成都在我复盘清单上。这不是玄学，是概率。

面试题想再刷一批的，这篇我被拒五次的面试复盘里有更完整的题目清单，机器学习论文的阅读能力可以配着论文入门阅读顺序慢慢练。

上岸之后才知道的三件事

原子答案：工作里用到的模型知识不到面试的三成；业务理解比模型选型更值钱；学习不能停但节奏变了。

第一件，入职头三个月，我干的活基本是数据清洗和管道维护，面试里背得滚瓜烂熟的模型知识极少用到。组长说得直白："模型这块有平台兜底，先把数据流摸熟。"落差是有的，但想通就好：工程岗的本职就是让整个链条跑起来。

第二件，做了两年后我最大的竞争力不是会调多少模型，而是听懂业务方说话：他们说"推荐不准"，你得翻译成"召回层太窄还是排序层排序偏了"。这个翻译能力，是我后来当面试官时最想在候选人身上找的东西。

第三件，学习节奏从"大块啃新知"变成"按需查加每周精读一篇"。这行更新快是真的，但没人要求你什么都会，要求的是需要什么你能多快学会。想清楚了这一点，反而没那么焦虑了。

常见问题

非科班转AI工程师机器学习方向，现实吗？

现实，我本人就是后端转过来的，工程岗对转行者最友好。但要对周期诚实：零基础到拿offer，业余时间学习，八到十二个月是常态，宣传"三个月上岸"的机构基本在夸大。你的编程底子能直接迁移，这是相对科班反而的优势。

面试真题去哪里找靠谱的？

我的来源三个：面经社区里同岗位的回忆帖、开源的面试题库项目、以及找做过面试的朋友模拟面。提醒一句，背题意义不大，面试官追问两层就见底。把每道题背后的原理吃透，一道题能顶十道。

一定要有论文或竞赛成绩吗？

算法岗有用，工程岗不是硬门槛。两个拿得出手的完整项目加一段开源贡献，比一张竞赛证书更能打。项目的关键在"完整"：从数据到部署的链路都碰过，追问才不慌。

大模型火了，传统机器学习还值得学吗？

值得。大模型应用落地时，检索、排序、小样本评估这些活，用的还是经典机器学习的底子。而且工程岗面试里经典模型依然是主力考题。基础不牢直接扑大模型，面试里两头都悬。

这篇写到这，把家底基本交完了：一份三块式技能清单、三层面试真题、四阶段周期表、加五次被拒换来的复盘。想再往下挖的，学习心法看一个AI工程师的学习心得和学习曲线的爬坡时间表，两条链接是我不同阶段写的，对照着读能看出变化。系统学课程的话，Coursera上吴恩达的机器学习课是我当年的起点，arXiv是现在查论文的日常去处。

正在转行路上或者打算上路的朋友，这条路的正确打开方式不是"我能不能行"，而是"这八个月我具体每周干什么"。把那张四阶段表抄走，改成你自己的版本。觉得这篇实在，转给跟你一样在犹豫要不要转AI的朋友，少走一段弯路，就值回阅读时间。