🤡 Cómo arruinar una entrevista técnica en ML en 3 minutos

Llega un candidato para un puesto junior o incluso mid-level. Le preguntan sobre su stack — tiene de todo, el tipo casi ha entrenado su propio Claude en tarjetas gráficas caseras.

Le dan una tarea sencillísima de regresión lineal. El tipo importa alegremente scikit-learn, escribe .fit(), luego .predict(). Le toma exactamente 20 segundos. Está contento.

Y entonces empiezo a hacerle preguntas:
— ¿Por qué usaste MSE para evaluar la calidad y no R2?
— En nuestro dataset hay un outlier grande. ¿Cómo reaccionará tu modelo y por qué?
— ¿Qué significa ese coeficiente para la característica X si no la normalizamos?

Y silencio... La persona conoce la API de la biblioteca, pero no tiene ni idea de cómo funciona todo bajo el capó.

Herramientas como sklearn fueron creadas por personas inteligentes para personas inteligentes, para ahorrar tiempo en tareas rutinarias. No para que alguien pueda ocultar la falta de una base fundamental con dos líneas de código. Al algoritmo le importan un comino tus datos, se tragará cualquier basura que le metas y te dará una predicción. Garbage in — garbage out.

Estos fundamentos comenzaremos a estudiar en la próxima temporada del Master Group. En el programa:
🟢 5 transmisiones: desde los fundamentos del aprendizaje automático hasta la construcción y validación de modelos lineales básicos.
🟢 1 transmisión — práctica en equipo. Basta de solo ver conferencias. Resolverán un problema práctico en equipos, y luego analizaremos los resultados todos juntos (y veremos quién metió la pata).
🟢 Las grabaciones y mis archivos con código, por supuesto, se quedan con ustedes. Tómenlos y úsenlos como chuleta en el trabajo.

🗓 Les recuerdo que empezamos el 25 de abril a las 11:00 hora de Moscú. Ya deben saber Python y pandas.

👉 Si quieren dejar de ser un mono fit-predict — escríbanme al privado @obulygin91, les contaré los detalles.