Chapitre 1 : Se préparer à un entretien d'embauche en apprentissage automatique

Écran téléphonique technique
Entretien sur les connaissances de base en apprentissage automatique
entretien de codage en apprentissage automatique
Entretien de conception de systèmes d'apprentissage automatique
Autres interviews
Éléments essentiels d'une bonne réponse

Chapitre 2 : Notions de base du ML

Q2.1 Étape de collecte des données
Q2.2 Problèmes liés à la collecte de données
Q2.3 Considérations relatives à la collecte de données
Q2.4 Gestion du déséquilibre des étiquettes
Q2.5 Gestion des étiquettes manquantes
Q2.6 Type de caractéristique d'entrée
Q2.7 Sélection et importance des fonctionnalités
Q2.8 Méthode de sélection des caractéristiques
Q2.9 Valeurs manquantes des caractéristiques
Q2.10 Algorithme de modélisation
Q2.11 Fonctionnement de la régression logistique
Q2.12 Fonction de perte de la régression logistique
Q2.13 Optimisation par descente de gradient
Q2.14 Optimisation des hyperparamètres
Q2.15 Surajustement du modèle de gestion
Q2.16 Techniques de normalisation
Q2.17 Régression linéaire et régression logistique
Q2.18 Fonction d'activation du réseau neuronal
Q2.19 Arbres de décision, forêts aléatoires et arbres de décision à gradient boosté
Q2.20 Boost et Bagage
Q2.21 Techniques d'apprentissage non supervisé
Q2.22 Comment fonctionne l'algorithme des k-moyennes ?
Q2.23 Techniques d'apprentissage semi-supervisé
Q2.24 Types de fonctions de perte
Q2.25 Convexité de la fonction de perte
Q2.26 Indicateurs d'évaluation du modèle de classification
Q2.27 Indicateurs d'évaluation du modèle de régression
Q2.28 Optimisation du modèle
Amélioration des performances du modèle Q2.29

Chapitre 3 : Codage ML

Q3.1 k-moyennes
Q3.2 k plus proches voisins
Q3.3 Arbre de décision
Q3.4 Régression linéaire
Critères d'évaluation Q3.5
Q3.6 Échantillonnage des réservoirs
Q3.7 Problème de probabilité
Q3.8 Tables de hachage et problèmes de programmation distribuée
Q3.9 Problème de graphique
Q3.10 Problème de chaîne
Q3.11 Problème de tableau

Chapitre 4 : Conception de systèmes d’apprentissage automatique 1 - Systèmes de recommandation

Q4.1 Objectif du système
Q4.2 Indicateurs du système
Q4.3 Types de contenu recommandés
Q4.4 Composition recommandée
Q4.5 Paramètres de fonctionnement du système
Q4.6 Composants du système
Q4.7 Problème de démarrage à froid
Q4.8 Type d'ensemble de données
Q4.9 Techniques de collecte de données
Biais de l'ensemble de données Q4.10
Q4.11 Atténuer les biais de service
Q4.12 Atténuer le biais de position
Q4.13 Source des candidats recommandés
Q4.14 Étape de génération des candidats recommandés
Q4.15 Algorithme de génération de candidats à la recommandation
Q4.16 Technologie d'intégration
Q4.17 Évaluation des candidats pour les systèmes de recommandation à grande échelle
Indexation des nouveaux contenus du 4e trimestre 2018
Q4.19 Fusion et organisation des candidats recommandés
Q4.20 Formation au modèle de pré-classement
Indicateurs d'évaluation du modèle de pré-classement Q4.21
Q4.22 Algorithme du modèle de pré-classement
Q4.23 Optimisation du modèle de pré-classement
Q4.24 Principales caractéristiques du modèle de classement
Q4.25 Fonctionnalités basées sur du texte ou un identifiant
Q4.26 Fonctionnalités basées sur le comptage
Q4.27 Entraînement d'un modèle de classement lourd
Q4.28 Algorithme du modèle de classement lourd
Architecture du modèle de classement Q4.29
Correction de la valeur prédite du modèle de classement du 30e trimestre
Indicateurs d'évaluation du modèle de classement Q4.31
Q4.32 Modèle multitâche et modèle individuel
Système de service modèle Q4.33
Q4.34 Mise en cache
Mise à jour du modèle Q4.35
Q4.36 Expérience en ligne
Charge du modèle Q4.37
Q4.38 Considérations relatives à l'expérience modèle
Q4.39 Indice d'évaluation hors ligne
Q4.40 Dégradation des performances en ligne

Chapitre 5 : Conception de systèmes d’apprentissage automatique 2 - Applications

Q5.1 Analyse de documents
Q5.2 Analyse des sentiments
Q5.3 Techniques de modélisation thématique
Q5.4 Résumé du document
Q5.5 Compréhension du langage naturel
Q5.6 Étiquettes d'apprentissage supervisé
Q5.7 Fonctionnalités d'apprentissage non supervisé
Q5.8 Caractéristiques discriminantes du problème
Q5.9 Fonctionnalités du modèle génératif
Q5.10 Construction d'un modèle d'extraction d'informations
Q5.11 Indice d'évaluation de l'extraction d'informations
Q5.12 Construction d'un modèle de classification
Q5.13 Construction d'un modèle de régression
Q5.14 Attribution du sujet
Q5.15 Indicateurs d'évaluation de la modélisation thématique
Q5.16 Construction d'un modèle de regroupement de documents
Q5.17 Indicateurs d'évaluation du regroupement
Q5.18 Construction d'un modèle de génération de texte
Q5.19 Indice d'évaluation de la génération de texte
Q5.20 Flux de travail de modélisation
Prévisions hors ligne pour le T5.21

Chapitre 6 : Conception de l’infrastructure d’apprentissage automatique

Q6.1 Accélérer le développement du modèle
Q6.2 Accélérer l'apprentissage du modèle
Q6.3 Distribution de l'entraînement du modèle
Q6.4 Évaluation du pipeline de formation des modèles
Q6.5 Erreur d'apprentissage distribué
Mise à jour du modèle Q6.6
Q6.7 Optimisation du modèle
Q6.8 Composants du système de service
Q6.9 Problèmes lors du service
Q6.10 Amélioration de la langue des signes
Q6.11 Amélioration de la latence
Q6.12 Gestion de plusieurs requêtes
Q6.13 Mise à jour du modèle pendant le service
Q6.14 Déploiement et restauration du modèle
Q6.15 Surveillance du serveur
Q6.16 Dégradation des performances pendant le service

Chapitre 7 Problèmes avancés d'apprentissage automatique

Q7.1 Étiquette retardée
Q7.2 Apprendre sans étiquettes
Modèle de tarification Q7.3

Annexe A Modèles génératifs : des modèles de canaux bruités aux LLM
A.1 Traduction automatique (TA)
A.2 Reconnaissance vocale automatique (ASR)
A.3 Convergence vers les transformateurs
A.4 Mise au point pour les défis du monde réel

Références
Recherche

Un recruteur chevronné ayant travaillé chez Amazon, Twitter et dans des startups spécialisées en intelligence artificielle.
Conseils d'un ingénieur en apprentissage automatique pour réussir un entretien d'embauche dans ce domaine

Les candidats qui se présentent aux entretiens d'embauche en apprentissage automatique auront probablement de nombreuses préoccupations, telles que les compétences à développer, les sujets à privilégier et les éléments à prendre en compte pour répondre aux questions.
Ce livre offre un aperçu complet des compétences nécessaires pour travailler dans le domaine de l'apprentissage automatique, ainsi que des stratégies de résolution de problèmes robustes et pratiques, des annexes et des documents de référence reflétant les technologies les plus récentes.

Premièrement, les connaissances pratiques essentielles en matière de flux de travail requises pour travailler dans le domaine de l'apprentissage automatique.
Contient 194 questions fréquemment posées lors d'entretiens d'embauche en apprentissage automatique dans de grandes entreprises technologiques, y compris les GAFA.
Il se compose de questions concises et de réponses claires, basées sur des mots-clés, ce qui le rend utile pour organiser le contenu avant l'entretien.
Pour faciliter la compréhension, nous avons ajouté de nombreuses notes de bas de page aux concepts difficiles ou aux expressions ambiguës.

Deuxièmement, des instructions étape par étape pour se préparer aux problèmes de base et avancés.
Il se compose de cinq sessions d'entretien (Bases du ML - Codage ML - Conception de systèmes ML - Conception d'infrastructures ML - Problèmes ML avancés), ce qui facilite la recherche de contenu en fonction du poste pour lequel vous postulez, du niveau de difficulté et des besoins.

Troisièmement, une stratégie pour construire une réponse percutante centrée sur des mots-clés essentiels.
Nous présenterons des stratégies de structuration des réponses pour obtenir de bons résultats aux entretiens d'embauche en apprentissage automatique, notamment l'extraction des mots-clés clés de la question, la comparaison de différentes approches et la discussion des avantages, des inconvénients et des compromis.

Quatrièmement, une approche pratique de résolution de problèmes basée sur des scénarios réels.
Couvrant des concepts et des scénarios pratiques tout au long du cycle de vie du ML, il aide à la fois les demandeurs d'emploi se préparant à des entretiens et les praticiens expérimentés à consolider leurs connaissances fondamentales.

Les lecteurs qui ont besoin de ce livre

- Les personnes en recherche d'emploi souhaitant faire carrière dans le domaine de l'apprentissage automatique
- Les professionnels qui souhaitent accroître leur compétitivité dans le domaine du ML