Come sono diventato MACHINE LEARNING ENGINEER in GLOVO | Guida Step By Step

Summary

The video script discusses the transition from a data scientist to a machine learning engineer, offering advice for those considering a similar career change. It emphasizes the importance of understanding business problems, translating them into solvable AI challenges, and managing the machine learning model lifecycle. The speaker shares personal experiences and recommends focusing on behavioral, statistical, machine learning, system design, coding challenges, and SQL skills to succeed in interviews and the role itself.

Takeaways

• 🎓 The speaker transitioned from a data scientist to a machine learning engineer and shares insights on making a similar career change.
• 📈 The role of a machine learning engineer varies greatly depending on the company they work for, but generally involves addressing business problems using AI and machine learning techniques.
• 🤖 A machine learning engineer communicates with stakeholders to understand business problems and translates them into solvable AI problems.
• 🛠️ The engineer is responsible for deploying models, monitoring their performance, and ensuring they meet predefined constraints.
• 📊 Key competencies for a machine learning engineer include knowledge of statistics, machine learning, deep learning, and MLOps, as well as proficiency in Python and R.
• 🧠 Interview preparation involves focusing on behavioral questions, showcasing how you approach work, handle projects, and manage deadlines and conflicts.
• 📚 For technical interviews, expect questions on statistics, machine learning, deep learning, system design, and coding challenges.
• 💡 The speaker emphasizes the importance of practice, suggesting mock interviews and problem-solving exercises to improve interview skills.
• 📈 The speaker recommends several resources for learning and preparation, including books like 'Hands-On Machine Learning with Scikit-Learn' and 'Deep Learning' by Goodfellow et al.
• 🔍 Understanding the trade-offs between different models and knowing when to use each is crucial for a machine learning engineer.
• 🚀 The journey to becoming a machine learning engineer is challenging and requires dedication, discipline, and continuous learning.

Q & A

What is the main transition discussed in the transcript?

The main transition discussed is from working as a data scientist for a mobile gaming company to becoming a machine learning engineer.

What does the speaker describe themselves as?

The speaker describes themselves as 'mediocre but ambitious', highlighting their drive to improve despite their self-assessed average abilities.

What is the role of a machine learning engineer according to the speaker?

According to the speaker, a machine learning engineer is someone who communicates with business and product stakeholders to understand business problems and translate them into solvable AI or machine learning problems. They are also responsible for deploying models, monitoring them, and managing their lifecycle.

What are the key skills a machine learning engineer should have according to the speaker's experience?

Key skills for a machine learning engineer include statistical and probability knowledge, machine learning, deep learning, and MLOps competencies, as well as proficiency in Python, R, and other basic programming languages.

What are the six macro categories the speaker suggests focusing on to pass a machine learning engineer interview?

The six macro categories are behavioral phase, statistics, machine learning and deep learning, machine learning system design, code challenges, and SQL.

How does the speaker suggest practicing for behavioral interview questions?

The speaker suggests finding 15-30 behavioral questions online, writing down answers, and practicing responses using the STAR (Situation, Task, Action, Result) method. They also recommend conducting mock interviews with non-ideal companies to develop interview skills.

What book does the speaker recommend for understanding statistical concepts?

The speaker recommends 'Trustworthy Online Controlled Experiments: Practical Guide to A/B Testing' for understanding statistical concepts and their application in business.

Which books are suggested for gaining knowledge in machine learning and deep learning?

The speaker suggests 'Hands-On Machine Learning with Scikit-Learn' and 'Deep Learning' by Goodfellow, Bengio, and Courville for gaining knowledge in machine learning and deep learning.

What resources are recommended for learning about machine learning system design?

Resources recommended for machine learning system design include 'Machine Learning System Design Interview' by Ali Ammar and 'Design Patterns for Common Machine Learning Challenges'.

How does the speaker approach code challenges during interviews?

The speaker approaches code challenges by focusing on solving the problem optimally, aiming to use minimal space and ensure high performance. They emphasize the importance of practice and understanding the underlying concepts.

What advice does the speaker give for SQL code interview preparation?

The speaker advises practicing SQL code problems, focusing on understanding and optimizing SQL queries, and being prepared to handle various SQL-related challenges during interviews.

Outlines

00:00

🚀 Introduction to Machine Learning Engineering

The speaker introduces himself as a Machine Learning engineer and offers advice to those interested in transitioning from a data scientist role. He shares his personal journey from working as a data scientist in a mobile gaming company to becoming an ML engineer. He emphasizes the importance of understanding business problems and translating them into solvable AI problems, as well as the need to monitor and maintain models in production.

05:02

📚 Essential Skills for Machine Learning Engineers

The speaker discusses the essential skills required for a Machine Learning engineer, including a strong foundation in statistics, probability, machine learning, and deep learning. He also mentions the importance of understanding MLOps, Python, R, and other basic programming skills. The speaker provides a list of six macro categories to focus on for a successful job interview, including behavioral skills, statistical knowledge, ML and deep learning concepts, system design, coding challenges, and SQL proficiency.

10:03

📈 Statistics and Machine Learning Concepts

The speaker delves into the importance of statistical knowledge for Machine Learning engineers and Data Scientists. He emphasizes the need to understand the fundamentals of probability, different types of distributions, hypothesis testing, and statistical inference. He also discusses the application of these concepts in business and recommends resources for learning, including books and online materials.

15:03

🤖 Deep Learning and System Design

The speaker discusses the theoretical aspects of machine learning models, including classification, regression, cost functions, and optimization techniques. He advises on how to reduce overfitting and when to use different models. He also covers the basics of deep neural networks and recommends books for further reading. Additionally, he talks about the importance of understanding system design for Machine Learning, including architecture and production considerations.

20:05

💻 Coding Challenges and SQL Proficiency

The speaker addresses the importance of being able to solve coding challenges efficiently and effectively. He emphasizes the need to practice problem-solving skills, understanding time and space complexity, and working with data structures. He also stresses the significance of SQL proficiency, as it is often a part of job interviews and daily tasks in data-related roles. He suggests practicing on platforms like LeetCode and SQL exercises to improve these skills.

🌟 Conclusion and Future Outlook

The speaker concludes the video by encouraging viewers to focus on the outlined categories and to practice regularly to succeed in their career transition to Machine Learning engineering. He acknowledges the challenge of mastering so many areas but emphasizes the importance of discipline, setting clear goals, and making sacrifices. He ends with a teaser for future content, promising more insights and updates.

Keywords

💡Machine Learning Engineer

A professional who translates business problems into solvable machine learning problems, develops models, and ensures their production. In the video, the speaker shares their journey from being a data scientist to becoming a machine learning engineer, emphasizing the role's importance in bridging the gap between business needs and technical solutions.

💡Data Scientist

A data scientist is a professional who analyzes and interprets complex data sets to inform business decisions. In the context of the video, the speaker explains their previous role as a data scientist before transitioning to a machine learning engineer, highlighting the difference in responsibilities and skill sets required between the two roles.

💡Deep Learning

Deep learning is a subset of machine learning that uses artificial neural networks to model and solve complex problems. The video emphasizes the importance of understanding deep learning concepts for a machine learning engineer, as it is a key technique for creating advanced predictive models.

💡Mlops

MLOps, a portmanteau of Machine Learning and Operations, refers to the practices and tools for deploying, monitoring, and maintaining machine learning models in production. The video underscores the necessity for machine learning engineers to understand not just the model development but also the operational aspects to ensure models are effectively utilized in real-world scenarios.

💡Behavioral Interview

A behavioral interview focuses on past experiences and behaviors to predict future performance. In the video, the speaker emphasizes the importance of preparing for behavioral questions in job interviews, as they assess how candidates handle work situations, conflicts, and deadlines.

💡Statistical Knowledge

Statistical knowledge encompasses understanding of probability theory, inferential statistics, and hypothesis testing. It is fundamental for a machine learning engineer as it underpins the analysis and interpretation of data. The video stresses the necessity of having a strong statistical foundation to perform data science and machine learning tasks effectively.

💡System Design

System design in the context of machine learning involves creating the architecture for a machine learning model that addresses a specific business problem. It includes understanding the problem, selecting the right model, and planning for its deployment and monitoring. The video highlights the importance of system design in ensuring that machine learning solutions are scalable, reliable, and cost-effective.

💡Code Challenges

Code challenges are practical exercises that test a candidate's ability to write efficient and correct code, often under time constraints. They are common in technical interviews to assess problem-solving skills. The video encourages the audience to practice coding challenges to improve their ability to solve problems algorithmically and optimize their solutions.

💡SQL

SQL (Structured Query Language) is a domain-specific language used to manage and query relational databases. In the video, the speaker mentions the importance of SQL skills for machine learning engineers, as it is often used to manipulate and analyze data, which is a crucial part of the role.

💡Career Transition

Career transition refers to the process of moving from one job or career to another. The video's main theme revolves around the speaker's personal career transition from a data scientist to a machine learning engineer, providing advice and insights into making a similar change.

Highlights

The speaker shares his personal journey from being a data scientist to a machine learning engineer.

The role of a machine learning engineer varies greatly depending on the company they work for.

Machine learning engineers translate business problems into solvable AI and machine learning issues.

The speaker emphasizes the importance of understanding the entire lifecycle of a machine learning model.

Competencies required for a machine learning engineer include knowledge of statistics, machine learning, and MLOps.

The speaker provides a list of six macro categories to focus on for a successful job interview in the field.

Behavioral questions are crucial for understanding a candidate's work ethic and problem-solving approach.

A strong foundation in statistics is fundamental for any data scientist or machine learning engineer.

Machine learning and deep learning knowledge involves understanding main algorithms and concepts like neural networks.

Machine learning system design involves creating the right architecture for a model to be put into production.

Code challenges are a common part of interviews, requiring efficient problem-solving and optimal use of resources.

SQL skills are essential for data manipulation and optimization in machine learning roles.

The speaker recommends practicing with behavioral questions and mock interviews to improve interview skills.

Books like 'Hands-On Machine Learning with Scikit-Learn' and 'Deep Learning' by Goodfellow are recommended for learning.

The speaker suggests focusing on understanding the basics of machine learning systems and how they communicate.

System design interviews often involve questions about designing and optimizing machine learning systems.

The importance of practicing coding challenges on platforms like LeetCode and HackerRank is emphasized.

The speaker encourages continuous learning and improvement in areas of statistics, machine learning, and system design.

The journey to becoming a machine learning engineer is not easy and requires discipline, sacrifices, and a clear goal.

Transcripts

regà ci siamo di nuovo Trap siamo

tornati in zona e questa volta sto con

una bellissima notizia per me però

eventualmente anche bella per coloro i

quali volessero diventare macil Gini

perché visto che lo sono diventato

potrei darvi dei consigli su come

diventarlo m ci sta un ragionamento da

persona sveglia Ok bene dai andiamo

signor Paperino

Ok in questo video ti spiegherò come

sono passato dal lavorare come data

Scientist per un'azienda che sviluppa

videogiochi per dispositivi mobile a

diventare machine Learning engineer in

globo quindi se anche tu stai pensando a

fare questo cambio di carriera da data

Scientist A Machine Learning engineer

resta collegato perché ti darò un bel

po' di informazioni per chi non mi

conoscesse immagino in pochissimi visto

che comunque c'ho 1000 iscritti quindi

sicuramente almeno il 51% della

popolazione italiana ha sentito il mio

nome ovviamente si scherza raga si

scherza siete Siete così seri siete

Madonna mi piace molto definirmi

mediocre ma ambizioso perché sono

mediocre però sono anche ambizioso ok

Quindi le due cose insieme fanno in modo

che io mi definisca mediocre ma

ambizioso Allora Vando alle ciance

perché né io né voi abbiamo tempo da

perdere ragazzi se ci va bene Arriviamo

forse riusciamo a campare 100 anni che

cosa è qual è stato Qual è stato il mio

per corso che mi ha permesso di

diventare machine Learning engineer Eh

ragazzi allora innanzitutto Chi è Che

cosa fa il machine Learning engineer

faccio già la premessa il machine

Learning engineer così come il Data

Scientist così come il Data analyst

eccetera eccetera eccetera eccetera il

ruolo che svolge dipende tantissimo

dall'azienda in cui va a lavorare ok

Quindi adesso mi venite a commentare

dicendo Sì no ma però io c'ho il

fratello di Rondo da Sosa che lavora

come mashing engere non è vero che fa

quello che dici tu sei un bugiardo

dovresti morire Ok quindi questa qui

sarà la mia definizione di mashing

Allora per me il machine engineer è

quella persona che parla con le persone

che svolgono un ruolo più relativo al

Business al prodotto eccetera e cerca di

capire qual è il problema del business

se bisogna ridurre i costi se bisogna

aumentare gli investimenti se bisogna

prevedere in anticipo quando un utente

smetterà di utilizzare un prodotto

eccetera eccetera eccetera prende questo

problema di business e cerca di tradurlo

in un problema che può essere risolto

attraverso l'utilizzo dell'intelligenza

artificiale del machine Learning del

Deep Learning o o quello che volete voi

Quindi per quanto mi riguarda macin

engineer si occupa di parlare con i

diretti interessati capire qual è il

problema cercare di tradurlo in un

problema risolvibile Attraverso tutte

queste tecniche qui di intelligenza

artificiale algoritmi statistiche e

altro Dopodiché si occupa di mettere in

produzione il modello monitorarlo

accertarsi che tutto vada bene seguendo

tutte le constraint Quindi tutte le

costrizioni che sono state decise in

fase di design quindi magari non deve

superare un certo utilizzo di CPU e

altro e inoltre si occupi anche appunto

di fare in modo di sviluppare test

automatici del modello test automatici

per le performance di metterlo in

produzione in generale E poi occuparsi

del suo ciclo di vita potremmo dire

quindi il macellan engineer Per quanto

mi riguarda si occupa dell'intero ciclo

di vita di un modello di Machine

Learning intelligence artificiale dalla

sua definizione dalla definizione del

sistema e altro Fino poi ad arrivare

alla alla gestione delle performance a

capire se il modello performa bene

oppure no Quali sono le competenze che a

mio parere un machine Learning engineer

deve avere e soprattutto quelle che le

aziende richiedono Quindi queste

competenze sono anche basate sulla mia

esperienza personale in base a ciò che

mi hanno chiesto ho fatto diversi

colloqui bene Mason engineer sicuramente

deve avere competenze di statistica di

probabilità machine Learning de Learning

e dopodiché anche di mlops Dopodiché

altre competenze basiche sono Python r e

tutte queste cose qui Ok Adesso vi darò

una breve lista delle categorie di

argomenti su cui doversi concentrare e

in seguito andremo appunto a esaminarle

Nello specifico e vi darò anche dei

consigli del materiale su cui poter

studiare detto ciò a mio parere sono sei

le macro categorie su cui doversi

concentrare In modo tale da passare con

successo il colloquio la prima categoria

è sicuramente la fase comportamentale

Quindi tutto ciò che riguarda il saper

rispondere alle domande che le charar vi

farà su come voi vi comportate al lavoro

su come affrontate i progetti su come

affrontate le deadline su come

affrontate i conflitti col vostro manag

Questa è una fase fondamentale perché

viene sempre richiesta e permetterà

all'azienda di comprendere se siete

delle persone proattive se siete Go

oppure se siete morti dentro Ormai siete

diventati degli zombi Ok Dopodiché la

seconda macr categoria è la statistica

questa qui non ve la sto nemmeno ad

argomentare più di tanto del perché un

masonic engineer un data Scientist debba

avere conoscenze di statistica

fondamentale Altrimenti se vi manca

questo è impossibile praticamente che

riusciate a svolgere correttamente il

vostro mestiere visto che tutto ciò che

riguarda la scienza dei dati si basa

sulla statistica Ok Dopodiché la terza

categoria appunto sono machine Learning

e Deep Learning quindi dovete avere una

conoscenza degli algoritmi principali di

Machine Learning del Deep Learning cosa

una rete un orale overfitting

underfitting Come evitarli eccetera

eccetera eccetera eccetera eccetera

eccetera eccetera dopodiché vi è la

quarta categoria che riguarda il machine

Learning System design ovvero a partire

dal problema di business Ok come

facciamo a fare il design dell'ar

architettura che poi verrà utilizzata

per mettere in produzione il modello

cioè partiamo dal problema Quali domande

mi devo chiedere in modo tale da fare un

design corretto del sistema che

acquisirà i dati dagli utenti ne farà

qualcosa e poi produrrà delle previsioni

Come faccio Quali domande mi pongo su

quali infrastrutture vado a mettere in

produzione il modello perché come devo

fare quanto deve essere veloce il mio

modello devo essere un modello che

produce previsioni online offline in

Batch tutte queste domande Qui ok Ci

sono dei framework ovviamente che vi

aiuteranno a gestire questi Quindi

bisogna poi diventare bravi a capire

come sviscerare il problema come

trasformarlo in un problema di Machine

Learning e poi come appunto creare

l'architettura esalta Dopodiché il

quinto argomento sono le code Challenge

ovvero a me successo tantissime volte

che mi chiedessero di risolvere dei

problemi uguali a quelli praticamente

che trovate su lit code quindi non dico

che dobbiate Diventare esperti come le

persone che magari stanno in Google

persone che lavorano in Tesla come

software engineer perché lì ovviamente

Eh il 90% no Bu 90 No il 60%

dell'intervista sarà prente col

Challenge però dovete sicuramente avere

una base molto buona dei principali

strutture dati quindi asmap eh liste Q

Stack grafi dovete sapere utilizzare la

ricorsione dovete sapere dovete sapere

tutti i principali algoritmi di

ordinamento così via la Time complexity

Quindi quanto tempo quindi come questi

algoritmi poi scalano in base al numero

di input la Space complexity e così via

il sesto e ultimi argomenti poi è l'sql

quindi durante i colloqui vi verranno

posti dei problemi di SQL che dovrete

essere in grado di risolvere qui non

cambia molto con l'it code Nel senso che

l'it code vi viene posto un problema e

voi lo Risolvete utilizzando le

strutture Dati qui vi viene posto un

problema e voi Lo dovrete eh risolvere

utilizzando l' SQL Quindi anche qui

dovete far capire che siete in grado di

analizzare il problema di comprendere in

anticipo Quali sono i casi limite Gli

Edge case i valori Nulli Dove potrebbero

esserci dove non potrebbero esserci ma

comunque dovete spaccarli su codice SQL

partiamo dal primo macro argomento che è

quello relativo alla fase

comportamentale Quindi Voi dovrete

diventare molto bravi nel saper

rispondere alle domande che vi verranno

poste relativamente a come voi vi

comportate in fase di lavoro qui ragazzi

non c'è molto da dire nel senso che

trovate tantissime informazioni onl io

qui sotto Vi lener in descrizione dei

siti che ho ritenuto utili ma le domande

più o meno sono sempre quelle la cosa

importante non è tanto sapere le domande

ma allenarsi nel rispondere quindi io

quello che vi consiglio di fare è prend

vedetevi 15 20 30 di queste domande che

trovate online Basta che cercate

behavioral questions Fang o behavioral

Question Amazon le trovate tantissime ma

Voi dovrete scrivere le risposte dovrete

essere pronti vi ricordo che dovrete

rispondere a Quest domando utilizzando

il framework star di cui ho parlato in

uno dei miei video recentemente di cui

troverete il link qui forse boh non lo

so però ripeto è importantissimo è

importantissimo allenarsi a rispondere a

queste domande io quello che vi

consiglio è anche allenatevi a fare i

colloqui come ho già suggerito in un

altro mio video prendete delle aziende

che non vi interessano molto e fate

colloqui perché dovrete diventare bravi

nel parlare dovrete diventare bravi nel

farvi vedere convinti sicuri quindi non

basta sapere come rispondere conta anche

il come rispondete e per allenare il

Come si risponde dovrete ovviamente

seguire dei consigli che trovate onl

cercate YouTube auto answer vi al

questes sta roba qua Però il mio

consiglio principale è quello di parlare

allo specchio se non avete qualcuno fare

delle interview con delle persone ovvero

delle interviste finte fake delle

simulazioni di intervista ma soprattutto

allenatevi allenatevi allenatevi e se

potete fate tantissime interviste con

aziende di cui non vi interessa nulla in

modo tale da Sviluppare questa

parlantina Oppure potete potete non è

non è una cosa stupida non è una cosa

stupida fare come faccio io mi sono

aperto il canale YouTube Ok molto bene

poi qui mi sono segnato sul mio

cellulare il mio cellulare tecnologico

c'è la statistica Allora anche qui mi

sono segnato alcuni argomenti cosa

dovete sapere Fondamenti di teoria della

probabilità distribuzioni

probabilistiche diversi tipi di

distribuzione concetto il P Value i tipi

di errore Type One Type two comprensione

della statistica inferenziale

descrittiva design di ep test questa

cosa qui è davvero importante perché mi

è stata chiesta molte volte base sono un

processo che vi vi permette di capire se

una determinata azione poi ha un effetto

statistico quindi statisticamente ha un

effetto quindi l'effetto che voi notate

non è derivato appunto dal caso ma

appunto dall'azione che avete compiuto

utilizzata tantissimo nel business

ovviamente c'è un modo per poter fare

tutto questo per poter capire come fare

questi test qui e io vi posso

consigliare sicuramente il libro che si

chiama trustworthy online controlled

experiment pratical guide to EB testing

questo qui mi è servito tantissimo ma la

cosa Vabbè che a me ha fatto davvero mi

è stevita tantissimo È quella appunto di

farli al lavoro quindi io avevo già

un'esperienza appunto di e testing

perché il facevo al lavoro o comunque se

non li facevo parlavo con gente che li

faceva Quindi più o meno Poi ho iniziato

a comprenderne i meccanismi Dopodiché

Come acquisire i concetti base di

statistica raga anche qui davvero non so

cosa consigliarvi Io molte delle delle

cose che ho studiato che ripeto ce le ho

tutte sul mio mitico Obsidian qui una di

queste queste palline Qui si chiama

statistics mock Ok I c'ho tutti gli

argomenti di statistica Però anche qui

raga c'è il corso di Stanford Basta che

scrivete statistics Books ve ne escono

miliardi capito la cosa importante Pure

qua Raga non mi fate arrabbiare ogni

tanto alcuno di voi mi consiglia Qual è

il miglior libro non esiste il miglior

libro che non esiste il miglior libro vi

dovete mettere lì ok Ovviamente sì ci

sono magari libri consigliati per per i

principianti pergli avanzati per gli

intermedi però ok mi pare troppo che il

focus voi lo mettiate sui libri Ok il

libro fa chiaramente importante ma se

non vi mettete la sera se non siete

disposti a fare sacrifici non otterrete

mai niente nella vita Ok quindi basta

chiedermi qual è libro migliore più

bello più assoluto voi dovete mettervi

testa bassa Ok la risposta già La sapete

andate su internet la trovate in 5

secondi qu sono il miglior libro Ok qual

è la differenza tra chi ce la fa e chi

non ce la fa Ok In generale nella vita

Raga non parli me non me ne frega niente

dico la differenza è che quel la gente

c'è gente che si ferma sul Libo c'è

gente poi si mette testa bassa all sera

dice no alla fidanzatina e e studia Ok

terzo argomento concetti di Machine

Learning e Deep Learning Ok quindi

teoria dei modelli machine Learning

eh algoritmi di classificazione

regressione funzioni di costo

ottimizzazione Come ridurre l'over

fitting così con là Quando utilizzare un

modello quando un altro modello è meglio

di un altro modello e così via anche qui

che cosa Ah un concetto oviamente reti

neurali profonde cosa sono concetti base

quio vi posso consigliare due libri

ovviamente raga tutte queste

informazioni trovate gratis online eh eh

io vi posso consigliare due libri che

sono hands on machine Learning with S it

learn e poi Deep Learning by goodfellow

Joshua benjo and haron corville io non

li ho letti tutti questi qua perché

provengo già da una Magistra in data

Science quindi gran parte di questa roba

la conosco quindi in media quello che

accade è che quando becco una domanda

che non so mi fanno una domanda o Io ho

dei dubbi la notte eh le cerco su Google

cerco su Google le risposte e quindi man

mano miglioro però ecco questi sono

diciamo due libri che mi sento di

consigliarvi non vi consiglio di

studiarvi tutti proprio Dalla Dalla A

alla Z perché soprattutto il secondo di

Learning di Bench è davvero davvero

approfondito però quello che vi

consiglio di fare quando Avete dei dubbi

sulla comprensione di determinati

argomenti andate lì e approfondite ok

Quindi non non fate dalla alla Z non

leggete il libro dalla all Z man mano

che avete dei dubbi dei problemi

studiate Risolvete e così è meglio il

quarto argomento machine Learning System

design ok Quindi qua quello che vi

dicevo che in cosa consiste consiste nel

capire come

Effettivamente progettare l'architettura

di un sistema di Machine Learning quindi

a partire dal problema vedere quali sono

le le costrizioni a livello di costo a

livello di gpu a vedere qual è il

problema ma capire quale metrica si

vuole ottimizzare quale No perché capire

quale modello utilizzare Perché sì

Perché no capire dove mettere in

produzione il modello capire come

monitorarlo Quindi tutto questo qui

allora a me mi ha aiutato tantissimo il

fatto che al lavoro ho potuto lavorare a

dei progetti di questo modo e quindi ho

potuto studiare mettere applicare e

parlare dei miei progetti però in

generale vi consiglio appunto di alcuni

alcuni libretti Ok c'è Innanzitutto

machine Learning System design interview

di Ali am Minion Alu e penso che sia

questo raga Datemi un secondo Vi mostro

il librino ve lo

mostro questo qui raga tanto è carino

c'è un elefantino Guardatelo non so se

riuscite a vederlo vedete vedete questo

molto carino poi ci sta design machine

Learning Systems anity Pros bla bla bla

questo qui non ce l'ho non ce l'ho però

l'ho letto ho letto delle parti che mi

servivano online poi c'è design pattern

solution to Common Challenge e penso che

sia questo

qui

Eccolo questo qua E come lo metto qua in

me lo sbatto in testa così mi entra

quindi in generale Questi libri qua vi

insegneranno a porvi le domande giuste a

darvi un metodo un framework che poi voi

potrete utilizzare in fase di colloquio

perché loro vi diranno ma come lavorate

a questo progetto Ma tu in media come

approcci ai progetti e quindi gli dite

Eh io faccio queste domande parto dalle

MVP trovo una baseline Poi man mano

cerco di aumentare le feature bla bla

bla tutta sta roba qua Ok però in

generale Ecco la cosa dovrete diventare

bravi a quantomeno comprendere le basi

Ok Poi ovviamente se siete machine

Learning Junior non sarà come no essere

machine

Learning Hiper super Senior però in

generale gestione dati dei flussi di

lavoro scalabilità affidabilità dei

modelli deployment e monitoraggio e

modelli in produzione Architettura di

sistemi di Machine Learning su larga

scala Ok ad esempio questo libro qui non

so se lo riuscite a vedere però in

generale Ogni capitolo vi mostra

un'implementazione di un modello di

Machine Learning Deep Learning ma

soprattutto vi mostra il processo che ha

portato a quelle implementazione Quindi

come implementare un un come si dice

video recommendation System un

raccomandatari tutte le domande Qui c'è

proprio l'interview poi qui ci sonoo

proprio le domande che il recruiter fa

le risposte che date che dovete are

eccetera ovviamente non dovete impararla

a memoria però vi vi appunto vi vi Già

vi prepara appunto alla fase di alla

fase di colloquio Come scegliere la

metrica e così vedete Quindi a me questo

mi è servito molto chiaramente non è

sufficiente però lo potete appunto

arricchire attraverso articoli medium e

altro sempre relativamente al System

design Questi ancora non li ho finiti di

leggere li ho letti giusto un po' questi

qua per chi è entrato in Google C amici

di Google e per i miei amici di Tesla

Ciao amici di Tesla

ehm loro lo conosceranno perché

praticamente se diventate software

Engine se vi preparate in fase di

colloquio Questi libri qua sono

praticamente la Bibbia quindi System

design interview di Alex xu che anche

quello che ha fatto raga sto tizio qua

ha fatto un pozzo di soldi eh anche

questo che ha fatto e ha fatto machine

Learning System design interview quindi

lo stesso ragazzo e niente qui anche vi

di base vi parla appunto Come creare le

le architetture pure no in base al

problema che volete volete risolvere

Questo libro mi è stato molto utile

perché appunto mi ha insegnato la forma

mentis Ok poi non diventerò mai software

engineer però System design non è

soltanto una cosa che riguarda i

programmatori Ok avere delle basi fa

sempre utile soprattutto se volete poi

diventare machine Learning engineer

perché avrete a che fare con diverse

architetture microservizi dovrete capire

come farli comunicare eccetera Poi il

quinto argomento code Challenge quindi

qui Vi verrà prente dato un problema e

Lo dovrete risolvere non soltanto Lo

dovrete risolvere ma dovrete anche

risolverlo nella maniera ottimale

cercando di utilizzare meno spazio

possibile cercando di essere più

performanti possibile quindi non è che

me lo Risolvete Non lo so in N cubo Che

dati due input quello fa otto operazioni

Ok l'algoritmo per poterlo risolverlo

Comunque in generale Cod Challenge

approccio all risoluzione di problemi

algoritmici comprensione della

complessità temporale spaziale pratica

su algoritmi di ricerca ordinamento

strutture dati e altro Io sinceramente

ragami ho fatto gli esercizi principali

su NIT code non sono riuscito perché

avevo poco tempo a coprire tutto però

anche qui si tratta di Pratica pratica

pratica Ehm sì non c'ho molto da

consigliare le classiche piattaforme lit

cod e h rank e e NIT cot qui e niente

dovrete arrivare raga ogni giorno dovete

risolvere due tre problemi e cercare di

comprendere perché se imparato a memoria

Eh fa poco perché perché poi

l'esaminatore vi cambierà un pochino il

problema e non capirete più niente

l'ultimo macro argomento Ok sarà SQL

code anche qui Vi danno dei problemi

dovrete risolverli io in generale già

nel mio lavoro nel mio ex lavoro

praticamente quasi ogni giorno Doo o

scrivere codice SQL o correggere il

codice SQL e ottimizzare il codice sq di

altri quindi qui non ho neanche fatto

esercizi Perché niente vedo la traccia

già so come risolverlo il 999% delle

volte e però anche qui fate esercizi Io

vi consiglio Strata Scratch ve lo

metterò qui comunque in descrizione

trovate tutto e quindi bisogna fare

esercizi ricapitolando dovrete

concentrarvi sulla fase comportamentale

Quindi rispondere bene alle domande

comport entali relativamente a come vi

atteggiate a lavoro a come affrontate i

problemi e come gestite Eventualmente le

deadline e i rapporti coi vostri

colleghi e col vostro capo supremo Dio

superiore poi c'è concetti di statistica

per il colloquio tecnico concetti di

Machine Learning Dip Learning concetti

di System design e poi c'è code

Challenge quindi risolvere problemi in

Python in media Vabbè io utilizzo Python

poi li potete risolvere col linguaggio

di programmazione che volete e poi SQL

code e siamo arrivati alla conclusione

di questo video ragazzi e ragazze

qualcuno di voi potrebbe dire sono

tantissimi gli argomenti effettivamente

sono tantissimi non dovrete diventare

dei master assoluti professionisti

esperti per Super in ognuno di questi

argomenti però dovrete avere quantomeno

delle buone basi in ognuno di essi il

percorso Non sarà facile quindi dovete

avere degli obiettivi precisi disciplina

ogni giorno sacrifici quelli veri non le

chiacchiere e Però piano piano piano

piano piano piano ce la si fa Ok ok

perché non dovrete essere dei geni ma

bisognerà essere semplicemente come me

ovvero Vediamo se l'avete imparato come

mi definisco vediamo non lo voglio dire

non lo voglio dire lo dovete dire voi

bene Alla prossima ragazzi e ragazze ci

vediamo presto e se non pubblico una

cosa importante Raga se Io non pubblico

è perché sotto sotto sto facendo

qualcos'altro ok e presto ci saranno

altre novità alla prossima