Az AI interjú bekapcsolása - 1. rész

Amit a szoftverfejlesztés tett a 2000-es évekre, az AI-re és az Adattudományra vonatkozó területeken, a 2020-as évekre is.

Korábban már írtam cikkeket az AI interjúkérdéseiről néhány, e terület vezető vállalata számára. Az olvasók által az e cikkekről szóló egyhangú visszajelzés alapján úgy tűnt, hogy természetes nyomon követés történt az interjúkra való felkészülés során. Annak érdekében, hogy ezt a nagy témát átfogóan lefedje, részekre osztottam.

A szoftver megeszi a világot, és helyettesíti azt adatokkal. - Pete Skomoroch
Forrás: https://medium.com/@anandr42/the-data-science-delusion-7759f4eaac8e

Az interjú alapjának megértése érdekében fontos megérteni az AI / ML és az adattudomány területét. A számítógépes ismeretek, a matematikai és statisztikai ismeretek, valamint a mély szaktudás kereszteződésén ül egy adott területen. A terület erősen interdiszciplináris abban az értelemben, hogy lehetnek olyan emberek, akiknek szaktudása van a három közül kettőben, és a harmadik részleges képességekkel rendelkezik, és ezáltal terepbe kerülnek.

A kérdéseket, valamint az eddig elsajátított Udacity Deep Learning és AI tanfolyamokon áttekintettem és desztilláltam. Lépésről lépésre gondoltam fel az Ace the AI ​​interjút. Ennek az interjúnak a három fő pillére van - számítástechnika, statisztika és az adatok megjelenítése és bemutatása.

Az Acing AI-nál a cél az, hogy segítsen bejutni az adattudományba és az AI-be. Profiláltam a legjobb technológiai társaságok néhány részét és írtam cikkeket az AI interjúkról a Microsoft, a Google, az Amazon, a Netflix, a LinkedIn, az Ebay, a Twitter, a Walmart, az Apple, a Facebook, a Zillow, a Salesforce, az Uber, az Intel, az Adobe Tesla és a legutóbbi IBM részéről. . Ez ahhoz vezetett, hogy a médiumban a mesterséges intelligencia vezető írója lett. Az AI interjú elkészítésének útmutatója az 1. rész 2. részében bemutatja azokat a részleteket, amelyek segítenek az AI interjú elkészítésében. Az AI-portfólió elérése segít bemutatni az AI-munkáját. A szakértői interjúk és elemzések bejuthatnak az AI / Data Science Leaders életébe és az AI tech-cégek elemzéseibe.

A mélység nem csak lélegzet, hanem számít. Mindaddig, amíg meg tudjuk építeni egy alapot ehhez a területhez, függetlenül attól, hogy milyen háttérrel rendelkezik valaki, biztosan bejuthat ebbe a mezőbe. Kilenc lépés van, hogyan lehet megteremteni az alapot a szakértő felé. Ezeket a lépéseket úgy rendezzük, hogy az összetett területeken való eljutás előtt először fedjük le az alapokat. Összeállítottam az elkészítéshez szükséges napok hozzávetőleges mennyiségét. Ezek nagyon változatosak lehetnek az emberek tapasztalatai és szakértelme alapján. A cikkben megosztott források többsége ingyenes. Ez a cikk az 1–4. Lépéseket foglalja magában. Az 5. lépést a következő hét tárgyalja majd a következő hét elején.

AI Learning Stack

1. Kezdje a Basic Python-nal (számítástechnika - 2 nap):

Ha van programozási nyelv az AI / ML és az Data Science számára, akkor ez Python lenne. Ezt a számítógépes ismeretekkel rendelkezők számára könnyű felvenni, akik egy ideje kódoltak. Kihívást jelenthet a kutatási térben vagy az üzleti elemzés területén dolgozó emberek számára. Az összes adatkezeléshez, fogyasztáshoz és modellépítéshez python szükséges. A python használatának környezete a Jupyter Notebook. A Jupyter Notebook új alternatívája a Google Colaboratory. A projektek jobb elosztásához és irányításához javaslom az Anaconda használatát.

Források, amelyeket az alapvető Python-tanuláshoz használnék:

  • Bevezetés a Pythonba: UD-1110
  • A Google Python osztálya: Python pálya
  • A Codecademy Python: Python (ezt néhány évvel ezelőtt használtam)

2. Leíró és induktív statisztikák (statisztikák - 1 nap):

A statisztika a matematika egyik ága, amely az adatok gyűjtésével, elemzésével, értelmezésével, bemutatásával és szervezésével foglalkozik.

Leíró statisztika

A leíró statisztika az adatokból felmerülő minták megértésének tanulmányozása. Ez egy módszer az adatok összefoglalására és értelmes értelmezésére. Magában foglalja az adatkészlet olyan fontos tulajdonságait, mint az átlag, a mód, a medián, valamint az eltérést vagy a szórás mérését. Ezek a tulajdonságok segítenek bennünket abban, hogy megismerjük a konvergencia minőségét a modell értékelés során.

Inferenciális statisztikák

Időnként nem lehetséges a teljes modell felhasználása. Ahol a mintavétel bekerül. A mintavétel nagy jelentőséggel bír a következtetési statisztikákban, és alapja az adatok mintákba történő bontása az AI-modellek kiképzéséhez, validálásához és teszteléséhez. A mintavételi becslés és a hipotézis tesztelése a következtetési statisztikák két fő szempontja.

Források, amelyeket jobban szeretnék a statisztikák tanulásához:

  • Bevezetés az inferenciális statisztikákba: UD-201
  • Youtube videó sorozat: Brandon Foltz
  • Statisztika Pythonban: Statsmodel

3. Panda és más könyvtárak használata (számítástechnika - 1 nap)

A Pandas egy python adatelemző könyvtár. Ez a könyvtár mindenféle módon felhasználhatja az adatokat és feldolgozza azokat. A 2. lépésben tárgyalt statisztikai ismeretek alapján ez segít megosztani adatait mintákra. A NumPy egy python csomag, amely a Python Data Science ökoszisztéma alapjául szolgál. A Scipy a másik Python könyvtár, amelyre különféle adatmanipulációkhoz lenne szükség.

Források, amelyeket inkább a Pandák tanulásához szeretnék:

  • Kaggle Data Science Learning: Pandák és más könyvtárak tanulása
  • Ismerje meg a Pandákat: Hogyan lehet megtanulni a Pandákat
  • Tudjon meg többet a Python.org-on: Panda alapjai

4. Az adatok bemutatásának és megjelenítésének megértése (Mesemondás, megjelenítés és bemutatás - 2 nap)

Az ezen a területen való részvétel részeként bemutatja projektjeit, tényeit, ötleteit vagy következtetéseit az üzleti / termékcsapat számára. Az adatok útmutatást nyújthatnak arra, hogy mit építsenek tovább, és arról is, hogy mi működik, és mi nem. De nem mindenki tudja megérteni ezt csak a diagramok és grafikonok segítségével. A helyes adatokat be kell mutatni a helyes tényekkel, amelyek megkönnyítik és felhasználhatók a döntéshozók számára. Az interjúk kérdéseiben voltak bizonyos hipotetikus kérdések az egyes termékjellemzőkkel kapcsolatban. Ezeknek a kérdéseknek az a megértése, hogy milyen hipotézissel áll a jelölt, és mennyire képes ezt kifejezni a csapat felé. Ez egy nagyon fontos és gyakran elhanyagolt készség, amely rendkívül fontos. Ezt a készséget nem lehet megtanítani, azt meg kell tanulni.

Néhány jó forrás referenciapéldákra:

  • Stichfix algoritmus túra: http://algorithms-tour.stitchfix.com/

Mint korábban említettem, az 5. lépést a következő cikk tárgyalja.

Felkészülés az AI interjúra - 2. rész: Az AI interjú áthidalásának lépései - 2. rész

Iratkozzon fel az Acing AI hírlevelünkre, ígérem, hogy nem spam, és INGYENES!

Köszönöm, hogy elolvasta! Ha tetszett, próbáld ki, hányszor tudsz elérni 5 másodpercen belül. Nagyszerű kardió az ujjai számára, ÉS segít más embereknek is látni a történetet.