Hangi makine öğrenmesi mülakat sorularıyla karşılaşmalıyım?

Bir makine öğrenmesi mülakat süreci genellikle genel bir yazılım mülakatından daha fazla tur içerir ve her tur farklı bir katmanı sınar. Katmanı bilmek, mülakatçının nasıl bir yanıt istediğini anlamanızı sağlar.

• Temeller. Öğrenme, genelleme ve optimizasyon hakkında teori soruları. Mülakatçı, ezberlenmiş bir tanım değil, bir tekniğin neden işe yaradığını anladığınızı duymak ister.
• Değerlendirme ve deneyler. Metrik seçimi, doğrulama stratejisi, çevrimdışı ve çevrimiçi sonuçlar ile bir modelin fayda sağladığını kanıtlayacak deneyi nasıl tasarlayacağınız.
• Uygulamalı modelleme. Özellik mühendisliği, veri sızıntısı, sınıf dengesizliği ve gerçek bir veri kümesinin karmaşık yönleri. Bu sorular çoğu zaman kendi projelerinizden biri üzerinden sorulur.
• ML sistem tasarımı. Modelin verilerini nasıl aldığı, nasıl eğitilip yeniden eğitildiği, tahminlerin nasıl sunulduğu ve üretimde performansı düştüğünde bunu nasıl fark edeceğiniz.
• Kodlama. Bir pandas veya sade Python alıştırması; bazen k-means ya da lojistik regresyon gibi küçük bir algoritmanın sıfırdan uygulanması.

Davranışsal sorular da sorulur ve bunlar diğer tüm rollerle aynı kuralları izler; soru bankaları konusu bunları ayrıca ele alır.

İfade biçimi şirketten şirkete değişir, ancak temel sorular tekrarlanır. Açıklamayı sade bir dille rahatça yapabilene kadar bunları çalışın.

• Yanlılık ve varyans: Bir modelin aşırı mı yoksa yetersiz mi uyum sağladığını nasıl teşhis ederdiniz ve önce neyi değiştirirdiniz? Düzenlileştirme modele ne yapar ve ne zaman L1 yerine L2 tercih ederdiniz?
• Doğrulama: Rastgele bir eğitim-test ayrımı, zaman serisi verilerinde neden yanıltıcı bir puan verebilir? Ne zaman katmanlı veya gruplandırılmış çapraz doğrulamaya ihtiyaç duyarsınız?
• Metrikler: Doğruluk ne zaman yanlış metriktir? Kesinlik, duyarlılık ve ROC eğrisini bir ürün yöneticisine açıklayın. Dolandırıcılık tespiti için hangi metriği optimize eder ve yanında neyi izlerdiniz?
• Veri sorunları: Hedef sızıntısı nedir ve bunu daha önce nasıl yakaladınız? Veri uydurmadan ciddi sınıf dengesizliğini nasıl ele alırsınız? Modelin eksikliği yanlışlıkla öğrenmemesi için eksik değerleri nasıl işlersiniz?
• Modeller: Gradyan artırmalı bir ağaç, tablo biçimindeki verilerde ne zaman bir sinir ağından daha iyi performans gösterir? Bir dönüştürücüdeki dikkat mekanizması gerçekte ne hesaplar? Gömme temsilleri, yüksek kardinaliteli kategorik özelliklerde neden yardımcı olur?
• Optimizasyon: Öğrenme oranı çok yüksek veya çok düşük olduğunda ne olur? Toplu normalizasyon eğitimi neden kolaylaştırır?
• Sistem tasarımı: Bir pazar yeri için öneri sistemi tasarlayın. Dağıtımdan sonra veri kaymasını nasıl tespit ederdiniz? Eski tahminleri sunmadan bir modeli nasıl yeniden eğitirdiniz?
• Deneyler: Çevrimdışı metrik iyileşti ancak A/B testi değişmedi; neyi kontrol edersiniz?

Bunların her birini kendi çalışmalarınızdan somut bir örnekle yanıtlayabiliyorsanız, bir temel bilgiler turunda sorulabileceklerin çoğuna hazırlanmışsınız demektir.

Konuyu bilmenize rağmen görüntülü görüşmede açıklamanız istendiğinde bocalamanız normaldir. Bu bölüm, sözlü yanıtları yapılandırmanın bir yolunu sunar; kısa formülü şudur: tanım, karar, örnek, sınır.

• Tanım: Herhangi bir formülden önce, sade sözcüklerle tek cümlelik bir tanım yapın.
• Karar: Ne zaman kullanacağınızı ve yerine neyi seçeceğinizi açıklayın; çünkü mülakatçılar sözcük bilginizi değil, muhakemenizi sınar.
• Örnek: Gerçek bir projeden söz edin: veri kümesi, neyin yanlış gittiği, neyi değiştirdiğiniz ve hangi sonucun değiştiği.
• Sınır: Tekniğin nerede işe yaramadığını belirtin; bu, tekniği başarısızlığını görecek kadar kullandığınızı gösterir.

Bir pazar yeri şirketindeki ML rolü için görüşen veri bilimciye, sıralama modelinin çevrimdışı ortamda harika görünmesine rağmen A/B testinde neden hiçbir etki yaratmadığı sorulur. Dört adımla yanıt verir: çevrimdışı ve çevrimiçi sonuç farklarının ne olduğu, günlük verilerindeki konum yanlılığının kendi sorununa nasıl yol açtığı, eklediği karşıolgusal değerlendirme ve bunun yalnızca günlükleme yeterince rastgele olduğunda geçerli olduğu uyarısı. Böyle bir yanıt, kusursuz bir türetmeden daha değerlidir. Sözlü yanıtları prova etmek tam olarak deneme mülakatı aracının amacıdır; gerçek bir mülakatçı gibi takip soruları sorar.

Sohbet biçimindeki turlarda, belirli sınırlar içinde evet. SubcueAI'ın yerel macOS ve Windows masaüstü uygulaması, görüşmenin sistem sesini ve mikrofonunuzu yakalar; mülakatçının Zoom, Google Meet veya Microsoft Teams üzerinden sorduğu soruyu duyar ve yalnızca sizin ekranınızda görünen, kayan bir katmanda kısa bir yanıt yapısı önerir. Chrome veya Edge tarayıcı sekmesinde gerçekleşen görüşmelerde tarayıcı uzantısının Side Panel bölümü yalnızca toplantı sekmesinin sesini yakalar; böylece mülakatçıyı duyar fakat sizi hiçbir zaman metne dökmez. İki arayüz de görüşmeye bot olarak katılmaz veya toplantı sayfasına herhangi bir şey yerleştirmez. Öz geçmişinizi yüklediyseniz öneriler kendi projelerinize atıfta bulunabilir; ML yanıtlarının değer kazandığı nokta da budur.

Sınırlar, her teknik mülakat için geçerli olanlarla aynıdır. Gözetimli bir kodlama sınavı, ev ödevi veya şirket tarafından yönetilen bir cihazdaki oturum SubcueAI'ın kullanım amacı dışındadır; paylaşılan ekrandaki beyaz tahta türetmesini ise kendiniz yapmalısınız, çünkü tüm ekranınızı paylaşmak katmanı herkese gösterir. SubcueAI'ın kurucusu Aaron Cao, katmanı yanıtları dikte etmek yerine yapı ve terimler konusunda ipucu vermek için geliştirdi; çünkü bir ML mülakatçısı her iddiayla ilgili takip sorusu sorar ve ödünç alınmış bir yanıt ikinci soruda çöker. Her iki arayüzün kurulumu eğitim sayfasında yer alır; masaüstü uygulaması ile uzantı arasındaki pratik farklar karşılaştırma sayfasında açıklanır.