Machine Learning Interviews
1.0.0
Это репошет, посвященная инженерному интервью для подготовки к подготовке к инженерным интервью для машинного обучения (ИИ) для соответствующих ролей в крупных технологических компаниях (в частности FAANG). Он был составлен на основе личного опыта автора и примечаний от его собственной подготовки к интервью, когда он получил предложения от Meta (ML -специалист), Google (инженер ML), Amazon (Applied Scientist), Apple (Applied Scientist) и Roku (ML Engineer).
Следующие компоненты являются наиболее часто используемыми модулями интервью для технических ролей ML в разных компаниях. Мы пройдем через них один за другим и поделимся тем, как можно подготовить:
| Глава | Содержание |
|---|---|
| Глава 1 | Общее кодирование (алгоиз и структуры данных) |
| Глава 2 | ML кодирование |
| Глава 3 | ML System Design (обновлен в 2023 году) |
| Глава 4 | ML Основы/ширина |
| Глава 5 | Поведенческий |
Примечания:
В то время, когда я собираю эти заметки вместе, интервью машинного обучения в разных компаниях не следуют уникальной структуре, в отличие от интервью с программным обеспечением. Тем не менее, я обнаружил, что некоторые компоненты очень похожи друг на друга, хотя и при различном именовании.
Руководство здесь в основном сосредоточено на роли инженера машинного обучения (и прикладного ученого) в крупных компаниях. Хотя соответствующие роли, такие как «наука данных» или «Ученый ML -исследователь», имеют разные структуры в интервью, некоторые из рассмотренных здесь модулей все еще могут быть полезны. Для получения дополнительной информации о различных технических ролях в зонтике ML вы можете обратиться к [ссылке]
В качестве дополнительного ресурса вы также можете обратиться к моему уровню производства глубокого обучения для дальнейшего понимания того, как разработать системы глубокого обучения для производства.
