Machine Learning Interviews S. Chang.pdf
Привет, друзья!
Попалась любопытная книга для тех, кто готовится к интервью - "Machine Learning Interviews" от Susan Shu Chang. Автор - Principal Data Scientist в Elastic (это одна из самых высоких экспертных ролей выше senior), которая прошла процесс найма с обеих сторон📘
Главная особенность книги в том, что это не сборник вопросов, а разбор всего пути целиком: ОТ выбора роли в ML и составления резюме ДО оффера и первых месяцев на работе. Пособие не замыкается только на теории, а с практикой проводит через каждый этап: с разборами, чего ждать и как готовиться.
Что внутри по главам:
❤️ Как устроен процесс найма - разбор ML-ролей (ML Engineer, Applied Scientist, Data Scientist) и чем они отличаются. Полезно тем, кто ещё не определился, в какую сторону копать + есть глава про резюме и отклики, в т.ч. про системы, через которые работодатели автоматически фильтруют резюме по ключевым словам.
❤️ Технический блок - здесь всё необходимое: классический ML, NLP, CV, рекомендательные системы + в общем про обучение и оценку моделей.
❤️ Кодинг - рассказывают, как готовиться с нуля: Python, SQL, подход через LeetCode и даже готовые роадмапы ("4 недели для студента", "6 месяцев на смену карьеры").
❤️ Деплой и MLOps - весь цикл от модели до прода: деплой, мониторинг, облака, System Design.
❤️ Поведенческое интервью и международная специфика - целая глава про то, как отвечать на вопросы о себе и опыте: популярный метод STAR (схема ответа "ситуация - задача - действие - результат"), как быть, если релевантного опыта нет, и отдельные разборы, как готовиться под Amazon, Meta, Google и Netflix. А в конце про этап после интервью: как читать оффер, вести переговоры и пережить первые 30/60/90 дней.
Про плюсы и минусы:
➕ Широченный охват - один раз раскладывает по полочкам всю кухню ML-найма от резюме до оффера. Теоретическая база, материалы по кодингу и поведенческому интервью не устаревают.
➖ Книга конца 2023 года, и свежего LLM/GenAI тут нет:( RAG, агенты, prompt engineering, новшества в LLM тут не ищите. Трансформеры и GPT разобраны как классические алгоритмы, а не в контексте того, что сейчас спрашивают на LLM-ролях.
Словом, отличный вариант, если хочется один раз системно разобраться, как вообще устроен ML-найм.
PDF в оригинале на английском во вложении (перевода пока нет)🌿
#карьера@data_easy
Попалась любопытная книга для тех, кто готовится к интервью - "Machine Learning Interviews" от Susan Shu Chang. Автор - Principal Data Scientist в Elastic (это одна из самых высоких экспертных ролей выше senior), которая прошла процесс найма с обеих сторон📘
Главная особенность книги в том, что это не сборник вопросов, а разбор всего пути целиком: ОТ выбора роли в ML и составления резюме ДО оффера и первых месяцев на работе. Пособие не замыкается только на теории, а с практикой проводит через каждый этап: с разборами, чего ждать и как готовиться.
Что внутри по главам:
❤️ Как устроен процесс найма - разбор ML-ролей (ML Engineer, Applied Scientist, Data Scientist) и чем они отличаются. Полезно тем, кто ещё не определился, в какую сторону копать + есть глава про резюме и отклики, в т.ч. про системы, через которые работодатели автоматически фильтруют резюме по ключевым словам.
❤️ Технический блок - здесь всё необходимое: классический ML, NLP, CV, рекомендательные системы + в общем про обучение и оценку моделей.
❤️ Кодинг - рассказывают, как готовиться с нуля: Python, SQL, подход через LeetCode и даже готовые роадмапы ("4 недели для студента", "6 месяцев на смену карьеры").
❤️ Деплой и MLOps - весь цикл от модели до прода: деплой, мониторинг, облака, System Design.
❤️ Поведенческое интервью и международная специфика - целая глава про то, как отвечать на вопросы о себе и опыте: популярный метод STAR (схема ответа "ситуация - задача - действие - результат"), как быть, если релевантного опыта нет, и отдельные разборы, как готовиться под Amazon, Meta, Google и Netflix. А в конце про этап после интервью: как читать оффер, вести переговоры и пережить первые 30/60/90 дней.
Про плюсы и минусы:
➕ Широченный охват - один раз раскладывает по полочкам всю кухню ML-найма от резюме до оффера. Теоретическая база, материалы по кодингу и поведенческому интервью не устаревают.
➖ Книга конца 2023 года, и свежего LLM/GenAI тут нет:( RAG, агенты, prompt engineering, новшества в LLM тут не ищите. Трансформеры и GPT разобраны как классические алгоритмы, а не в контексте того, что сейчас спрашивают на LLM-ролях.
Словом, отличный вариант, если хочется один раз системно разобраться, как вообще устроен ML-найм.
PDF в оригинале на английском во вложении (перевода пока нет)🌿
#карьера@data_easy