啟動你的機器學習與資料科學職涯
「這是一本關於機器學習面試的全方位指南。本書涵蓋了大多數機器學習面試的內容，對於該領域的新手、經驗豐富的機器學習（ML）從業者以及資料科學家來說，都非常實用。」
–Prithvishankar Srinivasan
Instacart的ML工程師（曾任職於Twitter、Microsoft）
隨著現今科技產品日益普及，對機器學習專業人才的需求也持續成長。但是不同公司之間對於ML專業人員的職責和技能要求差異迥然不同，使得面試過程難以預測。在本書中，資料科學領導者Susan Shu Chang將為你揭示如何成功應對ML招募過程的每一項挑戰。
Susan Shu Chang曾任職於多間公司的首席資料科學家，無論是擔任ML 面試官或身為應試者的身分，都擁有相當豐富的經驗。藉由本書，她分享自己在這整個過程中學到的寶貴心得，向你說明這個具高度選擇性的招募過程，讓您能快速掌握典型ML面試的成功秘訣。
這本書將帶您了解：
•探索各種機器學習職位，涵蓋ML工程師、應用科學家、資料科學家和其他相關職位。
•在決定要將何種ML職位設定為目標前，先評估自己的興趣和技能。
•衡量自己目前的技術水準，針對阻礙面試成功的弱項進行補強。
•取得每個ML職位需要的技能，並製作適用於應徵的履歷表。
•在編碼測試、統計和ML理論、以及行為問題等ML面試主題上輕鬆得分。
•透過研究常見的ML面試模式和提問，為面試做好充足準備。
•獲取面試後的提示和其他有價值的資源。
目錄
前言
第一章 機器學習職位與面試過程
本書總覽
機器學習與資料科學工作職稱簡史
需要ML 經驗的工作職稱
機器學習生命週期
機器學習職位的三大支柱
機器學習技能矩陣
ML工作面試介紹
機器學習工作面試過程
結語
第二章 機器學習工作應徵和履歷表
去哪裡找工作？
ML工作應徵指導
機器學習履歷表指導
應徵工作
補充的工作應徵資料、證書和常見問題解答
下一個步驟
結語
第三章 技術面試：機器學習演算法
機器學習演算法技術面試總覽
統計和基礎技術
監督式學習、非監督式學習和強化學習
自然語言處理演算法
推薦系統演算法
強化學習演算法
電腦視覺演算法
結語
第四章 技術面試：模型訓練與評估
界定機器學習問題
資料預處理和特徵工程
模型訓練過程
模型評估
結語
第五章 技術面試：編碼
從頭開始：不懂Python情況下的學習路徑圖
編碼面試成功的技巧
Python編碼面試：資料以及 ML 相關的問題
Python編碼面試：腦筋急轉彎問題
SQL編碼面試：與資料相關的問題
為準備編碼面試的路徑圖
結語
第六章 技術面試：模型部署和端對端ML
模型部署
模型監控
雲端提供者概述
開發者面試最佳實踐
其他技術面試的組成部分
結語
第七章 行為面試
行為面試問題和回應
常見行為問題與建議
行為面試最佳實踐
對於大型科技公司具體準備的範例
結語
第八章 結合這一切：你的面試路徑圖
面試準備檢查表
面試路徑圖樣板
有效率的面試準備
冒名頂替症候群
結語
第九章 面試後及後續行動
面試後的步驟
面試之間該做的事
工作邀約階段的步驟
新ML工作的前30/60/90天
結語
後記
索引
作者介紹
作者簡介
Susan Shu Chang
Susan Shu Chang 是Elastic(Elasticsearch)的首席資料科學家，在金融科技、電信和社群平台方面具有相關的ML工作經驗。她是位國際性演講者，在全球六個PyCon上演講過，而且在 Data Day Texas、PyCon DE & PyData Berlin 以及 O’Reilly 的 AI Superstream 上發表過主題演講；她也在自己的時事通訊susanshu.substack.com上撰寫有關機器學習職業生涯發展的文章。
