🤡 Wie man ein technisches ML-Interview in 3 Minuten vermasselt

Ein Kandidat kommt für eine Junior- oder sogar Mid-Level-Position. Man fragt ihn nach seinem Tech-Stack – da ist alles dabei, der Typ hat fast seinen eigenen Claude auf heimischen Grafikkarten trainiert.

Man gibt ihm eine einfache Aufgabe zur linearen Regression. Der Kandidat importiert freudig scikit-learn, schreibt .fit(), dann .predict(). Dauert genau 20 Sekunden. Zufrieden.

Dann fange ich an, Fragen zu stellen:
— Warum hast du MSE zur Bewertung der Qualität genommen und nicht R2?
— In unserem Datensatz gibt es einen dicken Ausreißer. Wie reagiert dein Modell darauf und warum?
— Was bedeutet dieser Koeffizient für Merkmal X, wenn wir es nicht normalisiert haben?

Und Stille... Der Kandidat kennt die API der Bibliothek, aber hat keine Ahnung, wie alles unter der Haube funktioniert.

Werkzeuge wie sklearn wurden von klugen Leuten für kluge Leute entwickelt, um Zeit bei Routineaufgaben zu sparen. Nicht, damit jemand das Fehlen einer fundamentalen Basis hinter zwei Zeilen Code verstecken kann. Dem Algorithmus sind deine Daten egal, er frisst jeden Müll, den du ihm reinsteckst, und spuckt eine Vorhersage aus. Garbage in – garbage out.

Genau solche Grundlagen werden wir in der nächsten Staffel der Master-Gruppe lernen. Im Programm:
🟢 5 Sendungen: von den Grundlagen des maschinellen Lernens bis zum Aufbau und der Validierung grundlegender linearer Modelle.
🟢 1 Sendung – Team-Praxis. Hört auf, nur Vorlesungen zu schauen. Ihr werdet in Teams eine praktische Aufgabe lösen, und dann besprechen wir gemeinsam die Ergebnisse (und schauen, wer wo Fehler gemacht hat).
🟢 Aufzeichnungen und meine Code-Dateien bleiben natürlich bei euch. Nehmt sie und nutzt sie als Spickzettel bei der Arbeit.

🗓 Ich erinnere daran, dass wir am 25. April um 11:00 Uhr Moskauer Zeit starten. Ihr solltet bereits Python und pandas können.

👉 Wenn ihr aufhören wollt, ein Fit-Predict-Affe zu sein – schreibt mir eine PN an @obulygin91, ich erzähle euch die Details.