Come sono diventato MACHINE LEARNING ENGINEER in GLOVO | Guida Step By Step
Summary
TLDRThe 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
🚀 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.
📚 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.
📈 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.
🤖 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.
💻 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.
Mindmap
Keywords
💡Machine Learning Engineer
💡Data Scientist
💡Deep Learning
💡Mlops
💡Behavioral Interview
💡Statistical Knowledge
💡System Design
💡Code Challenges
💡SQL
💡Career Transition
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
Browse More Related Video
The Exact Skills and Certifications for an Entry Level Machine Learning Engineer
How I Became A Data Scientist (No CS Degree, No Bootcamp)
Should You Transition from Data Analyst to Data Scientist? [Maven Musings]
How I Would Learn Data Science in 2022
Advice From a Top 1% Machine Learning Engineer
Complete Data Scientist/ML Engineer Roadmap for beginners
5.0 / 5 (0 votes)