MLエンジニアの技術面接対策【コーディングテストで聞かれる問題と解法】

はじめに

MLエンジニアの技術面接では、純粋なアルゴリズム問題よりもデータ分析・機械学習実装のコーディングが中心です。よく出る問題パターンと対策をまとめます。

頻出パターン①：pandasによるデータ処理

import pandas as pd
import numpy as np

# よく問われる処理
df = pd.read_csv('data.csv')

# 欠損値の確認と処理
print(df.isnull().sum())
df['age'].fillna(df['age'].median(), inplace=True)

# グループ別集計
result = df.groupby('category').agg(
    mean_value=('value', 'mean'),
    count=('value', 'count')
).reset_index()

# 条件フィルタリングと結合
high_value = df[df['value'] > df['value'].quantile(0.75)]
merged = pd.merge(df, high_value, on='id', how='left')

面接では「この処理の意図を説明しながらコードを書く」ことが重視されます。コードを書くだけでなく「なぜこのアプローチを選んだか」を言葉で説明できることが大切です。

頻出パターン②：機械学習パイプラインの実装

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score

# パイプライン構築
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('classifier', RandomForestClassifier(n_estimators=100, random_state=42))
])

# 交差検証
scores = cross_val_score(pipeline, X_train, y_train, cv=5, scoring='f1')
print(f'F1 Score: {scores.mean():.3f} (+/- {scores.std():.3f})')

「なぜStandardScalerが必要か」「交差検証の意図は何か」という概念的な質問とセットで問われることが多いです。

頻出パターン③：評価指標の選択と計算

不均衡データ（クラス比率が偏っている）の場合にAccuracyを使ってはいけない理由、Precision/Recall/F1の使い分け、ROC-AUCとPR-AUCの違いを説明できることが求められます。製造業の不良品検知では「見逃し（FN）のコストが高い」ため、RecallをPrecisionより重視すべき理由を説明できることが実務力の証明になります。

面接で評価されるポイント

完璧なコードより「思考プロセスを説明しながら書く」ことが評価されます。「まずデータの形を確認して→欠損値を確認して→特徴量を選んで→モデルを選ぶ」という流れを声に出して説明しながら実装することが重要です。エッジケース（空のデータ・欠損値・型の不一致）への意識を示すことも評価ポイントです。「実際の業務ではどんなデータでこれを使いましたか」という質問への回答として、具体的な製造業での事例を準備しておきましょう。

面接前の準備方法

LeetCodeのEasyレベルを20〜30問解いておくと、配列操作・辞書操作などの基本コーディングに自信が持てます。Kaggleの過去コンペで自分が提出したコードをGitHubに整理しておき、「これを説明できる状態」にしておきましょう。「よく使うpandasの処理10個」をノートにまとめて、手で書けるようにしておくことが自信につながります。

よくある質問

「コーディングテストで時間が足りなくなります」という悩みをよく聞きます。時間制限がある場合は完璧なコードより「動く最小のコード→その後の改善案を言葉で説明」という順序が効果的です。「Python以外の言語で解くべきですか」という質問については、MLエンジニアの面接はPythonで解くことが一般的です。Pythonに集中して準備しましょう。

まとめ

MLエンジニアの技術面接はpandasデータ処理・機械学習パイプライン・評価指標の理解が頻出パターンです。コードを書きながら「なぜこうするか」を説明できることが評価の核心です。まず自分のKaggleコードを見直して「説明できる状態」に整理することから面接準備を始めましょう。