🤡 Comment rater un entretien technique en ML en 3 minutes

Un candidat se présente pour un poste junior ou même mid-level. On lui demande sa stack technique — c'est un festival, le gars a presque entraîné son propre Claude sur des cartes graphiques maison.

On lui donne un problème tout simple de régression linéaire. Le candidat importe joyeusement scikit-learn, écrit .fit(), puis .predict(). Cela prend exactement 20 secondes. Il est content.

Mais ensuite, on commence à lui poser des questions :
— Pourquoi as-tu choisi MSE plutôt que R2 pour évaluer la qualité ?
— Notre jeu de données contient une valeur aberrante importante. Comment ton modèle va-t-il réagir et pourquoi ?
— Que signifie ce coefficient pour la caractéristique X, si nous ne l'avons pas normalisée ?

Et silence... Le candidat connaît l'API de la bibliothèque, mais n'a aucune idée de comment tout fonctionne sous le capot.

Des outils comme sklearn ont été créés par des gens intelligents pour des gens intelligents, afin de gagner du temps sur les tâches répétitives. Pas pour que quelqu'un puisse cacher un manque de base fondamentale derrière deux lignes de code. L'algorithme se moque de vos données, il engloutira n'importe quelle ordure que vous lui donnerez et vous fournira une prédiction. Garbage in — garbage out.

C'est ce genre de bases que nous allons commencer à étudier lors de la prochaine saison du Master-groupe. Au programme :
🟢 5 diffusions : des bases de l'apprentissage automatique à la construction et la validation de modèles linéaires de base.
🟢 1 diffusion — pratique en équipe. Assez de regarder passivement des cours. Vous résoudrez un problème pratique en équipe, puis nous analyserons ensemble les résultats (et verrons qui a fait des erreurs).
🟢 Les enregistrements et mes fichiers de code restent bien sûr avec vous. Vous les récupérez et les utilisez comme aide-mémoire dans votre travail.

🗓 Je rappelle que nous commençons le 25 avril à 11h00 heure de Moscou. Vous devez déjà savoir coder en Python et pandas.

👉 Si vous voulez arrêter d'être un singe fit-predict — écrivez en privé à @obulygin91, je vous donnerai les détails.