🤡 Cara Gagal dalam Wawancara Teknis ML dalam 3 Menit

Seorang kandidat datang untuk posisi junior atau bahkan mid-level. Mereka bertanya tentang tumpukan teknologinya — semuanya lengkap, orang itu seolah-olah tidak melatih Claude sendiri di kartu grafis rumahan.

Mereka memberinya tugas sederhana tentang regresi linier. Orang itu dengan senang hati mengimpor scikit-learn, menulis .fit(), lalu .predict(). Hanya butuh 20 detik. Puas.

Lalu mereka mulai mengajukan pertanyaan:
— Mengapa kamu menggunakan MSE untuk mengevaluasi kualitas, bukan R2?
— Dalam dataset kami ada outlier besar. Bagaimana modelmu akan bereaksi terhadapnya dan mengapa?
— Apa arti koefisien pada fitur X jika kita tidak menormalisasinya?

Dan hening... Orang itu tahu API perpustakaan, tetapi tidak tahu bagaimana semuanya bekerja di balik layar.

Alat seperti sklearn diciptakan oleh orang pintar untuk orang pintar, untuk menghemat waktu pada hal-hal rutin. Bukan agar seseorang bisa menyembunyikan kurangnya dasar fundamental di balik dua baris kode. Algoritma tidak peduli dengan data Anda, ia akan memakan sampah apa pun yang Anda masukkan dan memberikan prediksi. Sampah masuk — sampah keluar.

Dasar-dasar seperti inilah yang akan mulai kita pelajari di musim berikutnya dari Master Group. Dalam program:
🟢 5 siaran: dari dasar-dasar pembelajaran mesin hingga membangun dan memvalidasi model linier dasar.
🟢 1 siaran — praktik tim. Cukup hanya menonton kuliah. Anda akan bekerja dalam tim untuk memecahkan masalah praktis, lalu kita akan bersama-sama membahas hasilnya (dan melihat siapa yang membuat kesalahan di mana).
🟢 Rekaman dan file kode saya, tentu saja, tetap pada Anda. Ambil dan gunakan sebagai contekan di tempat kerja.

🗓 Saya ingatkan bahwa kami mulai pada 25 April pukul 11:00 waktu Moskow. Anda seharusnya sudah bisa menggunakan Python dan pandas.

👉 Jika Anda ingin berhenti menjadi monyet fit-predict — kirim pesan pribadi ke @obulygin91, saya akan memberi tahu detailnya.