کتاب Machine Learning Interviews

کتاب Machine Learning Interviews: Kickstart Your Machine Learning and Data Career (مصاحبه‌های یادگیری ماشینی: یادگیری ماشینی و شغل داده خود را شروع کنید) در مورد مسائل مهم در رابطه با مصاحبه‌ی کاری در رابطه با مشاغل مرتبط با یادگیری ماشین توضیحات مفید و قابل توجهی را ارائه می‌دهد.

در ادامه مقدمه‌ای از کتاب Machine Learning Interviews را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Machine Learning Interviews:

یادگیری ماشین (ML) بخشی جدایی‌ناپذیر از زندگی روزمره ما است، چه از آن آگاه باشیم یا نه. هر بار که به سایت‌هایی مانند YouTube و Amazon.com مراجعه می‌کنید، در حال تعامل با ML هستید که توصیه‌های شخصی‌شده را تقویت می‌کند.

این به این معنی است که نحوه نمایش محصولات در سایت‌ها بر اساس آنچه الگوریتم‌های ML فکر می‌کنند مطابق با سلیقه و علایق شما است. و نه فقط این – تعدیل نظر مبتنی بر ML برای پرچم‌گذاری هرزنامه یا نظرات سمی، بررسی نظارت و موارد دیگر وجود دارد. در سایت‌هایی مانند یوتیوب، زیرنویس‌ها و ترجمه‌های ایجاد شده توسط ML وجود دارد.

ML همچنین در جنبه‌های زندگی ما فراتر از خرید و سرگرمی وجود دارد. به عنوان مثال، زمانی که شما یک انتقال پول به صورت آنلاین ارسال می‌کنید، الگوریتم‌های ML در حال بررسی هستند که آیا تقلبی است یا خیر. ما در عصر نرم‌افزاری زندگی می‌کنیم که بر پایه داده‌ها و الگوریتم‌های ML ساخته شده است.

همه این نرم‌افزار‌ها برای طراحی و ساخت نیاز به استعداد‌های تخصصی دارند که باعث ایجاد تقاضا برای مهارت‌های نرم‌افزاری شده و در سال‌های اخیر مشاغل ML را ارتقا داده است. در نتیجه، دستمزد نقش‌های فناوری نیز افزایش یافته است.

این‌ها تنها برخی از عوامل متعددی هستند که شغل ML را فریبنده می‌کنند: ساختن محصولات و ویژگی‌های محصولی که در زندگی ما ضروری هستند. از آنجایی که تکنیک‌های ML به پیشرفت‌های هوش مصنوعی کمک می‌کنند، این بحث به طور مشابه در مورد «شغل‌های هوش مصنوعی» نیز صدق می‌کند.

با این حال، ورود به حوزه ML چالش برانگیز است. مشاغل ML به دلیل نیاز به مدارک تحصیلی بالاتر شهرت دارند، به طوری که اکثر مشاغل در دهه ۲۰۱۰ به مدرک دکترا نیاز داشتند.

حتی اگر از اواخر دهه ۲۰۱۰ الزامات اعتباری در آگهی‌های شغلی کاهش یافته باشد، توصیه‌ای که معمولاً به صورت آنلاین مشاهده می‌کنم این است که حداقل مدرک کارشناسی ارشد داشته باشید. حتی کسانی که دارای اعتبار کافی هستند می‌توانند برای یافتن نقشی در زمینه‌های داده و ML تلاش کنند. آیا توصیه‌های آنلاین اشتباه است یا خیلی کلی و مبهم است؟

من برای چندین شغل ML مصاحبه کرده‌ام و در سطوح ابتدایی، ارشد، و کارکنان + ۱ و Prinripal۲ موفق بوده‌ام. در طول این فرآیند، من همان مشکلات و ناامیدی‌هایی را که داوطلبان مشتاق در طول مصاحبه‌های ML با آن مواجه می‌شوند، از نزدیک تجربه کرده‌ام.

من رزومه‌های بی‌پایانی را ارسال کرده‌ام تا پاسخی دریافت نکنم. من صفحه نمایش تلفن را خراب کردم، از اضطراب انتظار برای پاسخ رنج بردم، و حتی بعد از اینکه آن‌ها مرا از تورنتو به سانفرانسیسکو بردند، در محل شکست خوردم. من برای شغل‌های دانشمند داده و مهندس یادگیری ماشین (MLE) درخواست داده‌ام تا زمانی که به نظر می‌رسید مصاحبه‌کنندگان بیشتر به دنبال یک مهندس داده یا تحلیلگر داده بودند، گیج می‌شدم.

جدا از تجربه من به عنوان یک مصاحبه شونده، سال‌ها تجربه به عنوان مصاحبه‌کننده را ایجاد کرده‌ام. به عنوان بخشی از مشاغل خود در زمینه ML، صد‌ها رزومه را بررسی و فیلتر کرده‌ام، مصاحبه‌های متعددی انجام داده‌ام و در بسیاری از کمیته‌های تصمیم‌گیری خدمت کرده‌ام.

به عنوان بخشی از رهبری فنی (سطح اصلی در دو شرکت)، من شرح وظایف را بررسی کرده و با همکاران، کارآموزان، و نامزد‌های سطح ابتدایی و همچنین استخدام‌های ارشد و کارکنان + مصاحبه کرده‌ام.

من نکاتی را در کتاب Machine Learning Interviews بر اساس اشتباهاتی که نامزد‌های شغلی مرتکب شده‌اند، آورده‌ام که منجر به تصمیم من و همکارانم در مصاحبه شد تا آن‌ها را به دور بعدی منتقل نکنم.

گفتیم: «اگر نامزد این کار را انجام می‌داد. \”آن‌ها در غیر این صورت کاملاً‌امیدوار بودند. \” کتاب Machine Learning Interviews به شما کمک می‌کند تا از برخی از این اشتباهات آشکار جلوگیری کنید.

حقیقت این است که معیار‌های ناگفته زیادی برای جویندگان کار وجود دارد. به عنوان مثال، داشتن مهارت‌های ارتباطی و کار تیمی خوب ممکن است در برخی از شرح وظایف گنجانده نشود.

انتظاراتی مانند این‌ها به دلیل سوء نیت از شرح وظایف حذف نمی‌شوند، بلکه به این دلیل که افراد در صنعت آن‌ها را به عنوان حداقل الزامات می‌دانند. اخیراً مشاهده کرده‌ام که آگهی‌های شغلی ML از شرکت‌های بزرگ به وضوح «مهارت‌های ارتباطی» را در بالای فهرست الزامات خود در تلاش برای بهبود وضوح شرح شغل فهرست می‌کنند.

علاوه بر این انتظارات پنهان برای جویندگان کار جدید و با تجربه، فرآیند مصاحبه می‌تواند گیج‌کننده باشد، زیرا از نقشی به نقش دیگر و از شرکتی به شرکت دیگر متفاوت است. حتی رندی او، نویسنده‌ای که سال‌ها در زمینه داده‌ها در گوگل کار می‌کرد، زمانی که از روی کنجکاوی، به آگهی‌های شغلی کنونی دانشمند داده و ML نگاه کرد، گفت: «چیز‌ها… متفاوت است».

بسیاری از مردم آرزوی یک نقشه راه، گام به گام کامل برای نحوه ورود به حوزه ML، تضمین شده را دارند. مثلاً بهترین رشته‌های دانشگاهی و کارآموزی کدامند؟ بهترین پروژه‌های جانبی کدامند و چه کتابخانه‌های پایتون را باید یاد بگیرید؟ من می‌توانم با این موضوع ارتباط برقرار کنم – از بسیاری از دوستان در طول هر مرحله از سفر مصاحبه شغلی خود تا حد امکان اطلاعات بیشتری درخواست کرده‌ام.

من نگران این بودم که آیا باید بعد از مصاحبه یک‌ایمیل بعدی ارسال کنم یا خیر و در چندین انجمن آنلاین نگاه کردم تا ببینم آیا باید این کار را انجام دهم. آیا من مصاحبه‌کنندگان را آزار خواهم داد یا آن‌ها انتظار آن را داشتند؟ چنین چیز کوچکی باعث نگرانی من شد و آرزو می‌کردم به جای «بستگی دارد» یا «احتمالاً ضرری نداشته باشد» فقط یک پاسخ واضح وجود داشت. این همان کتابی است که آرزو می‌کردم در آن زمان برای همه آن سؤالات به آن مراجعه کنم!

اکنون که من به عنوان مصاحبه‌کننده در طرف مقابل بودم، آموخته‌ام که طرف استخدام‌کننده در سناریو‌های مختلف چه چیزی را در کاندیدا‌های شغلی ترجیح می‌دهد. من اکنون به بسیاری از سؤالاتی که در گذشته داشتم پاسخ‌های دست اولی دارم و بیشتر نقشه‌ای برای ورود به حوزه ML دارم. اگرچه حتی اگر چنین نقشه راه تضمینی وجود داشته باشد، آن چیزی که شما تصور می‌کنید نخواهد بود.

زمانی که در مورد رشته‌های ML و علم داده یاد گرفتم، مدت‌ها پیش رشته دانشگاهی خود را انتخاب کرده بودم، فارغ التحصیل شده بودم و در مقطع کارشناسی ارشد در اقتصاد بودم. در دوران دانشگاه هیچ دوره کارآموزی نداشتم. در عوض، من بازی‌های ویدیویی ساختم و بازی کردم و در اوقات فراغت خود معاشرت می‌کردم. در هر صورت، نقشه راه برای یک کار ML کاملاً منعطف است، و حتی اگر کمی دیرتر شروع کنید، چیزی به نام دیر رسیدن وجود ندارد.

وقتی به دنبال اولین شغل ML خود بودم، همه ساده‌ترین کار‌ها را انجام ندادم، اما به نوعی توانستم به عنوان دانشجویی که هرگز کارآموزی نکرده بودم، از طریق مصاحبه‌های شغلی راه خود را باز کنم. من احتمالاً نسبت به بسیاری از افراد در مورد فرآیند مصاحبه اطلاعات کمتری داشتم، اما به همین دلیل است که می‌توانم از دیدگاه شخصی بنویسم که همه کار‌ها را درست انجام نداده و همچنان می‌تواند در زمینه ML پیشرفت کند. در واقع، هیچ چیز درستی وجود ندارد، فقط چیز‌هایی وجود دارد که برای موقعیت شما مناسب است.

من چیز‌هایی مانند این را به شما نمی‌گویم: \”فقط در [SUBJECT] در دانشگاه خود تحصیل کنید و سپس در [COMPANY] کارآموزی بگیرید، و شما آماده خواهید شد. \” من باید یک کتاب جداگانه برای هر نوع آدم مختلف بنویسم.

وقتی با نقطه‌ای روبرو می‌شوید که قبلاً روی نقشه نیست، یک نقشه راه تجویزی یک‌اندازه برای همه با شکست مواجه می‌شود. اگر یاد بگیرید که چگونه بدون چسباندن به نقشه پیمایش کنید، می‌توانید بدون توجه به موقعیت، نقشه‌های خود را ایجاد کنید.

در کتاب Machine Learning Interviews، من به شما نشان خواهم داد که چگونه یک ناوبر باشید و نقشه راه خود را ایجاد کنید، خواه شما یک رشته غیر STEM۴ باشید، یک رشته STEM بدون تجربه کارآموزی، هیچ تجربه کاری مرتبطی ندارید، تجربه کاری ML دارید یا غیر ML. سابقه کار و غیره تا زمانی که به آن پایبند باشید، اگر در چیزی تخصص داشته باشید که اغلب توصیه نمی‌شود، خوب خواهد بود.

اگر تجربه شغلی قبلی دارید که فکر نمی‌کنید مستقیماً با ML مرتبط باشد، اشکالی ندارد. من شما را در مورد چگونگی تقویت و استفاده از تجربیات گذشته خود و همچنین نحوه کسب تجربه مرتبط بیشتر راهنمایی خواهم کرد.

بیشتر بخوانید: کتاب Distributed Machine Learning with PySpark

من از نقشه‌های راه شغلی منعطف و متناسب بر اساس سناریوی خودتان دفاع می‌کنم، زیرا در حرفه‌ام با سناریو‌های زیادی روبرو شده‌ام که در آن یک نقشه راه واحد وجود نداشته است:

• استخدام یک دانشمند داده سطح پایه (ML) به عنوان دانشجوی کارشناسی ارشد اقتصاد در یک شرکت بزرگ و دولتی
• زمانی که من به عضویت من درآمدم، شغلی با نقش بالاتر در یک استارت آپ با حدود ۲۰۰ کارمند و در اوج حدود ۴۰۰ کارمند
• استخدام در یک شرکت عمومی جدید و متوسط به عنوان دانشمند اصلی داده

بسته به صنعت، اندازه شرکت، اندازه تیم ML، و مرحله چرخه حیات شرکت (به عنوان مثال، راه‌اندازی)، کارفرمایان انتظارات متفاوتی داشتند که من باید در مورد آن‌ها بیاموزم. اگر فقط از توصیه‌های آنلاین یا توصیه‌های افرادی که در شرکت‌هایی که از فرآیند مصاحبه شغلی متفاوتی استفاده می‌کردند مصاحبه می‌کردند، پیروی می‌کردم، ممکن بود شکست می‌خوردم (نه، شکست می‌خوردم).

هر بار، برای موفقیت مجبور شده‌ام نحوه آماده‌سازی و روش مصاحبه را تغییر دهم. از طریق تمام تجربیات شخصی خود و (به معنای واقعی کلمه) صد‌ها مصاحبه ML، الگو‌هایی را برای چگونگی انجام مصاحبه‌های شغلی ML و علوم داده و کاندیدایی موفق پیدا کرده‌ام. با تجربیات و درس‌هایی که آموخته‌ام، اکنون می‌توان کتاب Machine Learning Interviews را برای کمک به کاندیدا‌های شغلی مشتاق نوشت.

نامزد‌های شغلی موفق می‌دانند که هر مرحله از فرآیند مصاحبه در حال بررسی چه چیزی در سناریوی خود است. متأسفانه، صرف ظاهر شدن و داشتن مهارت‌های فنی همیشه کافی نیست. این مانند امتحانات در مدرسه است – افرادی که به برنامه درسی با دقت نگاه می‌کنند و دامنه هر امتحان را درک می‌کنند، احتمال موفقیت بیشتری دارند. در این مورد، شما سعی می‌کنید برای هر یک از مشاغلی که درخواست می‌کنید یک برنامه درسی مهندسی معکوس کنید.

با کسب تجربه بیشتر و بیشتر در ML، سؤالات بیشتری از افراد مشتاق جویای کار نیز دریافت کردم. من در بسیاری از گفتگو‌های قهوه (در این مرحله ۱۰۰+) شرکت کرده‌ام و برای کمک به افراد بیشتر، سال‌ها برای وبلاگم susanshu.com راهنمای شغلی نوشته‌ام. وقتی فرصت کمک به افراد بیشتری با این کتاب پیش آمد، تصمیم برای من روشن بود.

چرا مشاغل یادگیری ماشینی؟

من در مورد چگونگی شیوع ML در زندگی روزمره ما صحبت کرده‌ام، چه آن را بدانیم یا نه، و آیا آن را دوست داریم یا نه. ممکن است تجربه‌هایی در زندگی خود داشته باشید که باعث شده است کنجکاو شوید و این کتاب را بردارید! من همچنین تجربیات خود را بیان خواهم کرد، که ممکن است انگیزه‌های شما را تقویت کند یا جنبه‌های جذاب‌تری از زمینه ML را مورد توجه شما قرار دهد.

به عنوان فردی که در زمینه فناوری کار می‌کند، فکر می‌کنم ML یک حوزه عالی برای توسعه محصولات با ارزش است که می‌تواند میلیون‌ها کاربر را تحت تأثیر قرار دهد. من این شانس را داشتم که در اولین کار خارج از مدرسه‌ام روی چنین پروژه‌ای کار کنم، و فکر می‌کنم اگر در یادگیری ماشین مهارت نداشتم ممکن بود در اوایل کارم این مسئولیت و فرصت را نداشتم.

به نظر من، ML یک منطقه سرگرم‌کننده و رضایت بخش است. من از یادگیری در مورد فن‌آوری‌ها و تحقیقات جدید لذت می‌برم، و اگر با آن ارتباط برقرار کنید، از جنبه کار در ML نیز لذت خواهید برد. نوآوری‌های سریع در حوزه ما جنبه دیگری دارد. برای مثال، یادگیری مداوم در مورد پیشرفت‌های جدید هنگام تلاش برای تمرکز بر خانواده یا سایر جنبه‌های مهم زندگی‌مان می‌تواند خسته‌کننده باشد.

امروزه، حتی اگر روی فعالیت‌های دیگری مانند معاشرت یا نوشتن کتاب Machine Learning Interviews در آخر هفته‌ها تمرکز زیادی داشته باشم، باز هم از فرصت استفاده می‌کنم تا بدون صرف زمان زیاد یاد بگیرم. همچنین در ساعات کاری مدتی را برای گوش دادن به سخنرانی‌های آنلاین یا خواندن کتاب اختصاص می‌دهم. این منحصر به ML نیست، اما من از بسیاری از افراد شنیده‌ام که سرعت یادگیری مداوم برای ML کمی سریعتر از سایر مشاغل مرتبط با فناوری است که نیازمند یادگیری چارچوب‌های جدید هستند.

البته جنبه پرداخت هم هست. به طور متوسط، مشاغل ML به خوبی جبران می‌شوند. من توانسته‌ام زندگی خود را تأمین کنم و حتی به اهداف مالی زیادی برسم که زندگی من و عزیزانم را بهبود می‌بخشد.

این چیزی است که من از حرفه‌ام در ML برای فعال کردن آن بسیار سپاسگزارم. در نکته دیگر، من به دلیل حوزه و جامعه ML توانسته‌ام به دستاورد‌های زیادی برسم: من به سرتاسر جهان پرواز کرده‌ام تا در کنفرانس‌ها سخنرانی کنم (بسیاری از آن‌ها که مجبور شدم برای سال‌های آینده چک باران کنم). ملاقات با افراد باحالی که در مکان‌های جالبی در ML کار می‌کنند و مشاهده پیشرفت‌ها در فضای ML و هوش مصنوعی، همگی از مزایای کار در این صنعت هستند.

مهم نیست که انگیزه شما برای انتخاب کتاب Machine Learning Interviews چیست، ‌امیدوارم بتوانم با موفقیت مهارت‌ها و ابزار‌هایی را برای موفقیت در مصاحبه‌های شغلی ML و غلبه بر موانع در این راه با شما به اشتراک بگذارم.

در کتاب Machine Learning Interviews به شما کمک می‌کنم تا موارد زیر را درک کنید:

• انواع مختلف نقش‌های ML و اینکه در کدام یک از آن‌ها به احتمال زیاد موفق خواهید شد
• بلوک‌های سازنده مصاحبه‌های ML

چگونه شکاف‌های مهارتی خود را شناسایی کنید و آمادگی مصاحبه خود را به طور مؤثر هدف قرار دهید

چگونه در مصاحبه‌های فنی و رفتاری موفق شویم؟

من سؤالات متداول را از آموزش زنده آنلاین که در O\’Reilly تدریس کرده‌ام نیز اضافه خواهم کرد. آن را یک گفتگوی قهوه با من و منابع مختلفی که بینش‌های حمایتی از آن‌ها به دست آورده‌ام در نظر بگیرید:

• چگونه به عنوان یک نامزد با پیشینه تحصیلی یا شغلی کمتر «معمولی» موفق شویم
• چگونه می‌توان شانس این را که رزومه شما غربالگری اولیه را پاک می‌کند بسیار افزایش داد
• مصاحبه‌های ML برای نقش‌های ارشد و بالاتر چگونه است
• و بیشتر.

کتاب Machine Learning Interviews برای چه کسی است؟

قبل از اینکه به فصل‌ها بپردازم، می‌خواهم سناریو‌های زیر را که ممکن است برای شما قابل ربط هستند، بیان کنم. این مخاطبانی هستند که من کتاب Machine Learning Interviews را برایشان نوشته‌ام:

• شما یک فارغ التحصیل اخیر هستید و مشتاق هستید که یک متخصص ML/AI در صنعت شوید.
• شما یک مهندس نرم‌افزار، تحلیلگر داده، یا دیگر حرفه‌ای در زمینه فناوری/داده هستید که در حال تبدیل شدن به نقشی هستید که بر روی ML تمرکز دارد.
• شما یک حرفه‌ای با تجربه در زمینه دیگری هستید که علاقه‌مند به انتقال به حوزه ML هستید.
• شما یک دانشمند باتجربه داده یا پزشک ML هستید که در حال بازگشت به بحث مصاحبه هستید و به دنبال نقشی متفاوت یا افزایش عنوان و مسئولیت هستید، و مایلید یک بازنگری جامع از مطالب ML داشته باشید.

اگر سناریو‌های زیر شما را توصیف می‌کند، می‌توانید از این کتاب نیز بهره‌مند شوید:

مدیرانی که می‌خواهند برای نحوه انجام مصاحبه‌های ML خود الهام بگیرند یا افراد غیر فنی که می‌خواهند بدون اتلاف وقت زیاد در منابع آنلاین پراکنده، یک دید کلی از روند داشته باشند.

خوانندگانی که دانش پایه‌ای از برنامه‌نویسی پایتون و تئوری ML دارند و کنجکاو هستند که بدانند آیا ورود به حوزه ML می‌تواند انتخاب شغلی آینده باشد یا خیر.

آنچه کتاب Machine Learning Interviews نیست:

• این کتاب یک کتاب درسی آمار یا ML نیست.
• این کتاب یک کتاب درسی کدنویسی یا کتاب آموزشی نیست.

در حالی که نمونه سؤالات مصاحبه وجود دارد، این کتاب بانک سؤال نیست. قطعات کد کوتاه و مختصر خواهند بود زیرا به سرعت قدیمی می‌شوند.

از آنجایی که نمی‌توانم هر مفهومی را از ابتدا پوشش دهم، فرض می‌کنم که خوانندگان آشنایی ابتدایی با ML دارند (درک سطح بالا کافی است). اما نگران نباشید، زیرا من تعاریف اولیه را به عنوان یک یادآوری سریع پوشش خواهم داد.

من همچنین فرض می‌کنم که مخاطبان تا حدودی با زبان برنامه‌نویسی پایتون مانند اجرای اسکریپت‌ها در نوت‌بوک‌های Jupyter آشنایی دارند، زیرا پایتون در مصاحبه‌های ML و در محل کار محبوب است. با این حال، اگر اتفاقاً با آن آشنایی ندارید، یک بخش مختصر در مورد یادگیری پایتون از ابتدا اضافه می‌کنم.

علاوه بر این، کتاب Machine Learning Interviews یک کتابخانه قابل توجه از پیوند‌ها به منابع تمرین خارجی برای کمک به شما در آماده شدن برای مصاحبه‌های ML فراهم می‌کند. اما ابتدا، من به شما کمک خواهم کرد که تشخیص دهید چه چیزی برای تمرین و یادگیری فراتر از سطح دانش و مهارت فعلی شما مفیدتر است.

بنابراین، به جای فهرست کردن یک سری پرسش و پاسخ برای حفظ کردن، با کتاب Machine Learning Interviews قصد دارم ماهیگیری را به شما آموزش دهم. به عنوان یک مصاحبه‌کننده، بسیاری از کاندیدا‌هایی که من دیده‌ام که در مصاحبه قبول نشده‌اند، اگر فقط چند سؤال دیگر را تمرین می‌کردند، نجات نمی‌یافتند.

بلکه حتی نمی‌دانستند شکاف‌هایشان چیست. من به شما یاد خواهم داد که چگونه نقاط قوت و شکاف خود را شناسایی کنید و دقیقاً چگونه می‌توانید از منابع موجود در این کتاب برای رفع این شکاف‌ها استفاده کنید.

سرفصل‌های کتاب Machine Learning Interviews:

• Preface
• 1. Machine Learning Roles and the Interview Process
• 2. Machine Learning Job Application and Resume
• 3. Technical Interview: Machine Learning Algorithms
• 4. Technical Interview: Model Training and Evaluation
• 5. Technical Interview: Coding
• 6. Technical Interview: Model Deployment and End-to-End ML
• 7. Behavioral Interviews
• 8. Tying It All Together: Your Interview Roadmap
• 9. Post-Interview and Follow-up
• Epilogue
• Index
• About the Author

جهت دانلود کتاب Machine Learning Interviews می‌توانید پس از پرداخت، دریافت کنید.