Machine Learning Interviews
1.0.0
repo นี้มีวัตถุประสงค์เพื่อทำหน้าที่เป็นแนวทางในการเตรียมตัวสำหรับการสัมภาษณ์ ทางวิศวกรรมการเรียนรู้ของเครื่อง (AI) สำหรับบทบาทที่เกี่ยวข้องที่ บริษัท เทคโนโลยีขนาดใหญ่ (โดยเฉพาะอย่างยิ่ง FAANG) มันได้รวบรวมตามประสบการณ์ส่วนตัวของผู้เขียนและบันทึกย่อจากการเตรียมการสัมภาษณ์ของเขาเองเมื่อเขาได้รับข้อเสนอจาก Meta (ผู้เชี่ยวชาญ ML), Google (วิศวกร ML), Amazon (นักวิทยาศาสตร์ประยุกต์), Apple (นักวิทยาศาสตร์ประยุกต์) และ Roku (วิศวกร ML)
ส่วนประกอบต่อไปนี้เป็นโมดูลสัมภาษณ์ที่ใช้กันมากที่สุดสำหรับบทบาท ML ทางเทคนิคใน บริษัท ต่าง ๆ เราจะผ่านพวกเขาทีละคนและแบ่งปันวิธีการเตรียมความพร้อม:
| บท | เนื้อหา |
|---|---|
| บทที่ 1 | การเข้ารหัสทั่วไป (Algos และโครงสร้างข้อมูล) |
| บทที่ 2 | การเข้ารหัส ML |
| บทที่ 3 | การออกแบบระบบ ML (อัปเดตในปี 2023) |
| บทที่ 4 | ML พื้นฐาน/ความกว้าง |
| บทที่ 5 | เกี่ยวกับพฤติกรรม |
หมายเหตุ:
ในขณะที่ฉันรวบรวมบันทึกเหล่านี้เข้าด้วยกันการสัมภาษณ์การเรียนรู้ของเครื่องจักรใน บริษัท ต่าง ๆ ไม่ได้ทำตามโครงสร้างที่เป็นเอกลักษณ์ซึ่งแตกต่างจากการสัมภาษณ์ทางวิศวกรรมซอฟต์แวร์ อย่างไรก็ตามฉันพบว่าส่วนประกอบบางอย่างคล้ายกันมากแม้ว่าจะอยู่ภายใต้การตั้งชื่อที่แตกต่างกัน
คู่มือที่นี่ส่วนใหญ่มุ่งเน้นไปที่บทบาท วิศวกรการเรียนรู้ของเครื่อง (และนักวิทยาศาสตร์ประยุกต์) ที่ บริษัท ใหญ่ แม้ว่าบทบาทที่เกี่ยวข้องเช่น "วิทยาศาสตร์ข้อมูล" หรือ "นักวิทยาศาสตร์การวิจัย ML" มีโครงสร้างที่แตกต่างกันในการสัมภาษณ์ แต่โมดูลบางอย่างที่ตรวจสอบที่นี่อาจยังคงมีประโยชน์ สำหรับความเข้าใจเพิ่มเติมเกี่ยวกับบทบาททางเทคนิคที่แตกต่างกันภายในร่ม ML คุณสามารถอ้างถึง [ลิงก์]
ในฐานะที่เป็นทรัพยากรเสริมคุณยังสามารถอ้างถึง Repo การเรียนรู้อย่างลึกซึ้งในระดับการผลิตของฉันสำหรับข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับวิธีการออกแบบระบบการเรียนรู้ลึกสำหรับการผลิต
