【學長姊帶路】Taboola 、台達研究院、工研院、群聯、仁寶、英業達、永豐 資料科學工程師 面試經驗

原標《資料科學面試經驗（ Taboola 、台達研究院、工研院、群聯、仁寶、英業達、永豐商業銀行）》

文／Z.E.Y.

壹、背景

⒈　國立清華大學－工學院學士班 　　

第一專長：化學工程學系 　　

第二專長：工業工程與工廠管理學系

⒉　國立成功大學－工業與資訊管理研究所

⒊　國立成功大學－統計學課程助教

貳、自學資源 ㄧ、數學相關知識

⒈　線上課程

①　高婌蓉教授－微積分

②　莊重教授－線性代數

③　鄭少為教授－機率論 、鄭少為教授－統計學、鄭少為教授－數理統計

⒉　教科書

①　S. L. Salas , G. J. Etgen , E. Hille – Calculus: One and Several Variables ②　S. H. Friedberg, A. J. Insel, L. E. Spence – Linear Algebra ③　K. Hoffman and R. Kunze – Linear Algebra ④　K. Hrbacek, T. Jech – Introduction to Set Theory, Revised and Expanded

二、資料科學相關知識

⒈　線上課程

①　林軒田教授－機器學習基石 、林軒田教授－機器學習技法

②　李宏毅教授－ Machine Learning (2016~2021)

⒉　教科書

①　P.-N. Tan, M. Steinbach, A. Karpatne, V. Kumar – Introduction to Data Mining

⒊　工具書

①　B. Lubanovic – Introducing Python

②　J. VanderPlas – Python Data Science Handbook

③　A. Géron – Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow

④　Beighley, Lynn – First Head SQL

⑤　洪維恩— C 語言教學手冊

⑥　程杰－大話資料結構 　　

參、準備方向

一、程式 　　

根據面試經驗，程式相關面試考題主要針對 Python 。因此，程式相關筆試題目大多為 Python 語法。程式設計方面，則是參考 LeetCode 考題，難度大概落在 Easy 、 Medium ，並且專注於非動態規劃問題。 　　

根據上述，我認為將 Python 作為主力程式語言以熟悉語法，並以 Top 100 Interview Questions 作為練習。如此一來，便可以應付大部分的面試問題。然而，對於比較偏重工程的公司，這樣的準備方式可能遠遠不足。因此，可能需要其他版友的心得分享了。

二、機器學習理論 　

關於機器學習理論，我將林軒田教授、李宏毅教授在課堂上教授的觀念，以及在研究所學到的資料探勘、機器學習所提到的概念精讀。包含模型的數學、統計學概念、概念間的關係等等。而在串接這些理論概念，所使用的數學工具，都可以在鄭少為教授統計學、莊重教授線性代數中學到。 　　

然而，我認為這些理論不需要太深入地研究。主要原因是所花費的時間成本過高。再者，實際在面試時，對於機器學習的概念講解得太深入，可能會面臨兩個問題：面試官可能不那麼在乎數學理論，僅以任務完成為優先；太過理論會讓面試官認為你對工程沒有興趣，甚至擔心是否只對理論感興趣，無法適應業界。因此，我認為對理論背後的數學，可以稍加研究即可，不需要完全記憶模型的推導過程、統計理論的支持等等。唯在推導過程中，使得推論成立的條件必需稍加注意。

三、數學 　　

在面試過程中，可以發現統計學的重要。甚至某些公司對於統計學的要求，不是理工科所開設的統計課程能夠支撐。因此，我認為如果想要將統計學運用在工作中，數理統計是基本要求，機率論則是理解統計學重要的理論，因此建議如果希望透徹了解模型背後的意義，機率論與統計學必須有一定的掌握。 　　線性代數在面試過程中，出現的頻率不高。比較重要的部分，我想是矩陣分解、逆矩陣相關概念。學習線性代數，我很推薦參考 K. Hoffman 與 R. Kunze 所著的教科書。研讀完這本書，能夠以較高的觀點理解這些理論。

最後，我推薦 K. Hrbacek 與 T. Jech 所著的集合論。這本書大大地改變了我對於數學理論的想法，也讓我更理解數學理論是怎麼被建立、發展的，對於學習理論有很大的幫助。 肆、面試經驗 　　碩士論文與集成演算法相關，因此面試官提問大多集中於集成演算法之上。

一、程式測驗

⒈　 Python ：

語法。 例如：類別、 map 函數、 zip 、迭代生成式、各個內建資料型別比較。

⒉　程式設計： LeetCode Easy 、 Medium 、 Hard 。 例如：迴圈與遞迴生成數列級數、排列、組合、快速找出連續數列中任意移除的一個數值、迴文判定、 N 個 Skip List 所構成串列找出同時出現 K 次的元素、串列中找出差值為給定數值之資料對、 N 皇后。

⒊　 SQL ： LeetCode Data Base Easy 。

二、數學測驗

⒋　數學：離散數學、線性代數、機率論、數理統計。 例如：基本矩陣乘法、重複組合、期望值與變異數之間關係、條件期望值、條件變異數、各色數理統計概念。 三、機器學習測驗

⒌　機器學習：資料探勘、機器學習、深度學習。 例如：集成學習基本模型與多樣性測度之間關係、多樣性測度監督集成學習之意義、狄氏先驗引入貝氏分類器之意義、介紹決策樹、隨機森林、 LSTM 及其所解決之問題、 XgBoost 與 LightGBM 之差異、 Dropout 意義、如何從無標記資料中萃取資訊、資料探勘關聯分析、如何驗證實驗結果中提升的顯著性、資料量與特徵數量之間的關係、 L1/L2 regularization 差異與選擇、何謂 Bert 、何謂反向傳播。

四、各公司面試經驗

⒈　 Taboola 　　

一開始會是由人資進行聊天，之後會與台灣研發中心的工程師進行基本能力的確認。之後，便進入測驗。測驗時間可以自行決定，拿到題目之後會有五天的時間進行作答。題目包含兩題統計、兩題演算法、一題推薦系統。統計問題包含第一題的期望值與變異數之間的關係、第二題的條件期望值與條件變異數。其中，第二題統計題會存在某些狀況，是在條件屬於某個數值時，沒有資料被搜集到，因此必須要想辦法解決此問題。另一個細節，則是如何使用統計方法進行資料的分群，這些資料的期望值為分段函數，因此必須使用統計檢定進行判定。第三題則為 N 個 Skip List 所構成的串列，找出同時 K 個同時出現的元素。第四題則為快取的設計。最後一題則為推薦系統的設計，在給定文章之下，預測推薦商品點擊率。完成作業後，便會約作業討論。面試官會在你講解完題目後，開始問更多細節問題，例如：推導變異數之間的關係等等。最後，則是介紹公司的主要工作，以及請你給予面試的回饋。 　　

雖然這間公司很強調數學，不過對於工程能力更要求。因此，我想此職缺比較適合電資學院畢業，又擅長統計的版友挑戰。主要工作為推薦系統架設、自然語言處理等等。工作分配方面，是依照個人能力分配。整體來說，是一個極具挑戰性的公司，很適合對自己有期許，又剛好對推薦系統有興趣的高手們挑戰。

時程：

Ｄ＋　０：面試邀約 Ｄ＋　１：人力資源部門面試 Ｄ＋　２：台灣研發部門面試 Ｄ＋　７：作業 Ｄ＋１４：作業面談邀約 Ｄ＋１６：美國研發部門作業面談 Ｄ＋１９：面試結果

⒉　台達研究院 　　

一開始是由工程師面試，自我介紹與碩士論文、專案報告等等。此部門是針對作業研究的研究院，非資料科學的研究院，所使用的人工智慧技術僅為強化學習。 　　

工作內容也是針對台達電子進行服務，偶爾接外部的研究題目。工作主要就是大家一起討論解方，並且實作概念。

時程：

Ｄ＋０：履歷投遞 Ｄ＋３：面試邀約 Ｄ＋５：面試 Ｄ＋６：面試結果

⒊　工業技術研究院／綠能與環境研究所 　　

一開始便進行自我介紹、碩士論文報告與專案報告，之後便會針對內容提問。包含如何驗證實驗結果、技術與模型的選擇依據。提問完後，便開始聊背景、學習歷程等等，並且聊到機器學習、統計學之間的概念。此部門主管是一個沈穩的長者，對於面試者，我想他們更期待找到一個具備學習能力的人。 　　

根據部門主管所提，本部門是接台電的計畫，進行一些預測、決策等任務。感覺工作內容相對比較單純，而進行專案時，也會是部門拉人進來一起解決問題，而非分組進行個別專案的開發。可以感受到此部門風氣相當好，在這裡工作我想壓力應該會相對低許多。

時程：

Ｄ＋　０：履歷投遞 Ｄ＋　５：面試邀約 Ｄ＋１１：面試 Ｄ＋１１：面試結果

⒋　群聯電子 　　

一開始會測驗 Python 語法、機器學習概念與 SQL 情境題。接著就是自我介紹、碩士論文報告與專案報告。會針對報告內容提問，也會滿仔細的確認每一個概念的正確性。接著是小主管面試，包含一些人格特質問題、壓力排解等等。最後則是大主管面試，包含對於這份職缺的熱誠等等。我認為本部門相當注重面試者的感受，也希望員工都可以有好的狀態。值得注意的是，面試題目都會以簡單的點切入，然後深入的問問題。並且，面試官都會在回答後，加上一句：「對於此問題還有什麼需要補充的嗎？」，我覺得這樣的測驗方式相當高端，因為對想法很多的面試者，可以在此補充。這樣相對沒有標準答案的問題，更容易檢測出面試者是否有把整個機器學習的知識架構建立好。

時程：

Ｄ＋　０：內薦 Ｄ＋１３：面試邀約 Ｄ＋２３：第一次面試 Ｄ＋２４：面試結果 Ｄ＋３１：第二次面試 Ｄ＋３９：面試結果 Ｄ＋４２：電子錄取通知書

⒌　仁寶電腦 　　

一開始也是自我介紹、碩士論文報告、專案報告。接著會針對內容提問，包含使用各項技術的原因、演算法中某項選擇設計的原因。接著，則是報告測驗題目。該題目為競賽題目，要在一週內完成，因此難度不低。並且，因為資料量不小，如何處理這樣大量資料的問題，是一個困難點。此測驗主要目的還是檢驗你對陌生資料的掌握，以及如何處理大量資料。 本職缺主要的工作是做異常偵測，另外還有自然語言處理、影像辨識的團隊。此部門就專注在解決公司問題，不像研究院有對內與對外兩種任務來源，對於想專心做好資料科學的版友，應該是一個選擇。

時程：

Ｄ＋　０：履歷投遞 Ｄ＋　５：面試邀約 Ｄ＋１３：面試

⒍　英業達 　　

此部門為數位長新成立部門，更加專注在資料上的處理。技術長認為資料有好的處理，才可以有好的結果。此部門為研究單位，也是針對內部的問題進行解決，但也會花部分時間進行研究。主要的工作內容，是每一個員工都主持一個計畫，然後再與數據長進行討論。數據長非常希望可以幫助到每一位員工，因此計畫部分只要能夠幫助到公司，基本上都不會阻攔。但是，因為每一個人都需要主持一個計畫，因此研究能力、實作能力、數學能力都十分要求。這也對應到此部門的面試方式，此部分留待後面說明。整體來說，此部門真的很推薦想要學到技術的人進來，當初與我面試的面試官就是數學背景出身，也有在大學教課。在他身上真的可以看到很多值得學習的技術，如果對於增強自己有期待，或許可以來看看。 　　

面試過程十分地長，包含與數據長聊天的一小時，總共會需要四個小時的時間進行面試。

①　數據長面談 　

數據長會與你留你過去的經歷，然後要你提出一兩個自己最自豪的經歷。我選擇我的碩士論文。在聊天過程中，數據長會當場為你的碩士論文提出建議，但卻不失尊重、禮貌。也很能體諒身為作者，對於自己作品的保護心態。整體來說，只要你對自己的作品有信心，而且也具有一定的價值，第一關面試應該會比較輕鬆、愉快。

②　程式測驗 　　

第二關是由工程師面試，工程師會當場貼 LeetCode 題目給你，題目難度從 Easy 到 Hard 各一題。這一關壓力相對提高，因爲要當場寫題目，並且確保通過所有測資，會相對比較慌張。但是，面試過程中，面試官不會剁剁逼人，而是會在你沒有想法時出聲引導。我建議可以在撰寫程式的過程中，也提出自己的想法，以激起面試官的回應，得到更多的資訊幫助解題。

③　機器學習概念討論 　　

第三關為機器學習概念的聊天，幾乎沒有考試。從何為機器學習、為何機器學習成功、機器學習成功的關鍵、機器學習與函數之間的關係與差異、決策樹、隨機森林、梯度提升決策樹、各個神經網路簡介與之間關係、卷積神經網路與特徵萃取之間關係。基本上都是在聊天，只是在過程中會帶你檢視一遍機器學習的整個大架構，是一個非常有趣、收穫良多的面試經驗。

④　統計概念討論 　　

此面試官十分強大，是數學背景出身的博士，也有在大學教課。面試官會針對統計學的概念進行提問，包含缺失值補植的選擇依據與所使用的統計學概念、離群值的判定、如何設計一個不必然輸出離群值的檢測法、移動平均與常態分配之間的關係、探討各個估計量、共軛先驗的概念、收斂的概念等等。面試前，可能需要把這些知識複習回來。由於我在做研究時，沒有用到太過深入的統計學知識，因此這些重要而基本的概念掌握度不高。或許對於統計系畢業的版友相對輕鬆，但是對於一般工科畢業的學生，可能會相對吃力。

時程：

Ｄ＋　０：履歷投遞 Ｄ＋　１：面試邀約 Ｄ＋　８：第一次面試 Ｄ＋１７：面試結果 Ｄ＋２４：第二次面試 Ｄ＋３２：面試結果

⒎　永豐商業銀行 　　

一開始會請你介紹背景、碩士論文。技術長會深入提問，並且對於所有用到的理論，都仔細提問。因此，簡報上最好只放上有把握的技術。接著，則是程式測驗。技術長會當場定義一個概念，並且請你當場實作。由於我提供的程式碼比較簡單，所以也無法有太大的鑑別度。 本職務有七成時間在進行工程相關的工作，僅有三成時間進行研究。如果，對於研究比較感興趣的話，推薦英業達 Data Scientist 職缺。工程相關的工作，就是在解決銀行所需的功能，並將其實作。研究方面，則是研究最新模型，並想辦法實作等等。印象中，技術長有提到會有 paper 報告、讀書心得報告的活動，如果對最新技術感興趣的版友，或許可以去看看。

時程：

Ｄ＋　０：履歷投遞 Ｄ＋　７：書面審核 Ｄ＋１０：面試邀約 Ｄ＋１９：面試

伍、附件 　　

由於非電資學院畢業，所以提供主動邀約、投遞有效的公司，讓同樣背景的版友參考。 一、主動邀約 ⒈　 A10 Networks – Software Engineers ⒉　 International Business Machines Corporation – Associate Application Consultant ⒊　 NTT Data Taiwan – InsurTech Data Engineer ⒋　 Taboola – Algorithm Engineer ⒌　 Teradyne – Field Application Engineer ⒍　台灣積體電路製造－ F14A 智慧製造工程師、 Fab PC Planner 、 Supervisor 、 Supply Chain Logistic Management Engineer ⒎　麟點科技－量化研究與交易員 (Fresh Grad) 二、主動投遞、邀約面試 ⒈　永豐商業銀行－儲備 AI 科學家 ⒉　仁寶電腦－資料科學家 ⒊　台達研究院－ Al Optimization/Operations Research Scientist ⒋　英業達－ Data Scientist ⒌　工業技術研究院綠能與環境研究所－人工智慧工程師 ⒍　群聯電子－資料科學工程師 三、錄取 ⒈　禾多移動多媒體－資料探勘工程師 ⒉　帝濶智慧科技－ Machine Learning Engineer ⒊　英業達－ Data Scientist ⒋　工業技術研究院綠能與環境研究所－人工智慧工程師 ⒌　群聯電子－資料科學工程師

本文由 DCARD 網友 授權轉載， 原文《資料科學面試經驗（ Taboola 、台達研究院、工研院、群聯、仁寶、英業達、永豐商業銀行）》

你也有經驗想分享嗎？快來投稿賺稿費吧！

瀏覽 2,734 次