Acing the AI ​​Interview - Teil 1

Was das Software-Engineering in den Bereichen 2000, KI und Data Science getan hat, wird sich auch in den 2020er Jahren auswirken.

Zuvor habe ich Artikel über AI-Interviewfragen für einige Top-Unternehmen in diesem Bereich geschrieben. Aufgrund des einstimmigen Feedbacks der Leser zu diesen Artikeln schien es eine logische Folge zu geben, wie diese Interviews vorbereitet werden sollten. Um dieses große Thema umfassend zu behandeln, habe ich es in Teile geteilt.

Software frisst die Welt und ersetzt sie durch Daten. - Pete Skomoroch
Quelle: https://medium.com/@anandr42/the-data-science-delusion-7759f4eaac8e

Das Verständnis des AI / ML- und Data Science-Bereichs ist wichtig, um die Grundlage dieses Interviews zu verstehen. Es befindet sich an der Schnittstelle von Computerkenntnissen, mathematischen und statistischen Kenntnissen und fundiertem Fachwissen in einem bestimmten Bereich. Das Fachgebiet ist in dem Sinne sehr interdisziplinär, dass es Fachleute für zwei der drei Fachgebiete und für das dritte Fachgebiet teilweise Fähigkeiten geben kann.

Ich habe auch die Fragen und das, was ich bisher in meinen Udacity Deep Learning- und AI-Kursen gelernt habe, besprochen und destilliert. Ich habe eine schrittweise Herangehensweise an Ace the AI ​​Interview gefunden. Es gibt drei Hauptpfeiler für dieses Interview: Datenverarbeitung, Statistik sowie Datenvisualisierung und -präsentation.

Das Ziel von Acing AI ist es, Ihnen den Einstieg in Data Science und AI zu erleichtern. Ich habe einige der besten Technologieunternehmen vorgestellt und Artikel über KI-Interviews bei Microsoft, Google, Amazon, Netflix, Ebay, Twitter, Walmart, Apple, Facebook, Zillow, Salesforce, Uber, Intel, Adobe Tesla und zuletzt bei IBM geschrieben . Dies hat dazu geführt, der Top-Autor für Künstliche Intelligenz auf Medium zu sein. In den Vorbereitungshandbüchern für KI-Interviews, Teil 1, Teil 2, werden die Details erläutert, die Ihnen bei der Vorbereitung eines KI-Interviews helfen. Mit Acing AI Portfolios können Sie Ihre KI-Arbeit präsentieren. Experteninterviews und -analysen geben Ihnen einen Einblick in das Leben von AI / Data Science Leaders und Analysen von AI-Technologieunternehmen.

Tiefe ist wichtiger als Atem. Solange wir eine Grundlage für dieses Feld aufbauen können, kann jemand, unabhängig von seinem Hintergrund, mit Sicherheit in dieses Feld vordringen. Es gibt neun Schritte, um das Fundament zum Experten aufzubauen. Diese Schritte sind so angeordnet, dass wir zuerst die Grundlagen behandeln, bevor wir zu den komplexeren Bereichen gehen. Ich habe die ungefähre Anzahl der Tage angegeben, die für die Vorbereitung benötigt werden. Diese wären aufgrund der Erfahrung und des Fachwissens von Person zu Person sehr unterschiedlich. Die meisten Ressourcen, die im Artikel geteilt werden, sind kostenlos. Dieser Artikel behandelt die Schritte 1 bis 4. Schritt 5 wird im nächsten Artikel behandelt, der Anfang nächster Woche erscheint.

AI-Lernstapel

1. Beginnen Sie mit Basic Python (Computing - 2 Tage):

Wenn es eine Programmiersprache für AI / ML und Data Science gibt, wäre das Python. Dies könnte für Leute, die sich in der Informatik befinden und schon eine Weile mit dem Programmieren beschäftigt sind, leicht zu erlernen sein. Dies kann für Personen im Forschungsbereich oder im Bereich Business Analytics eine Herausforderung sein. Alle Datenmanipulationen, -verbräuche und -modelle erfordern Python. Die Umgebung für die Verwendung von Python wäre Jupyter Notebook. Eine neue Alternative zu Jupyter Notebook ist Google Colaboratory. Für eine bessere Verteilung und Verwaltung von Projekten empfehle ich Anaconda.

Quellen, die ich für das grundlegende Python-Lernen verwenden würde:

  • Einführung in Python: UD-1110
  • Googles Python-Klasse: Python-Kurs
  • Python der Codecademy: Python (habe ich vor ein paar Jahren benutzt)

2. Deskriptive und Inferenzstatistik (Statistik - 1 Tag):

Statistik ist ein Teilgebiet der Mathematik, das sich mit der Sammlung, Analyse, Interpretation, Präsentation und Organisation von Daten befasst.

Beschreibende Statistik

Deskriptive Statistik ist die Untersuchung des Verständnisses von Mustern, die aus Daten entstehen können. Es ist eine Möglichkeit, unsere Daten zusammenzufassen und sinnvoll zu interpretieren. Es enthält wichtige Attribute des Datensatzes wie Mittelwert, Modus, Median und auch die Abweichung oder Messung der Streuung. Diese Attribute helfen uns, die Qualität der Konvergenz während der Modellbewertung zu ermitteln.

Inferenzstatistik

Manchmal ist es nicht möglich, das gesamte Modell zu konsumieren. Hier kommt die Stichprobenerhebung ins Spiel. Die Stichprobenerhebung ist für die Inferenzstatistik von großer Bedeutung und dient als Grundlage für die Aufschlüsselung der Daten in Stichproben für Training, Validierung und Test Ihrer AI-Modelle. Stichprobenschätzung und Hypothesentest sind zwei Hauptaspekte der Inferenzstatistik.

Quellen, die ich für das Erlernen der Statistik bevorzugen würde:

  • Einführung in die Inferenzstatistik: UD-201
  • Youtube-Videoserie: Brandon Foltz
  • Statistiken in Python: Statsmodel

3. Verwenden von Pandas und anderen Bibliotheken (Computing - 1 Tag)

Pandas ist eine Python-Datenanalyse-Bibliothek. Diese Bibliothek bietet alle Möglichkeiten, Daten zu konsumieren und zu verarbeiten. Auf der Grundlage der in Schritt 2 erläuterten Statistikkenntnisse können Sie Ihre Daten in Stichproben aufteilen. NumPy ist ein Python-Paket, das als Basis für das Python Data Science-Ökosystem dient. Scipy ist die andere Python-Bibliothek, die für verschiedene Datenmanipulationen benötigt wird.

Quellen, die ich für das Lernen von Pandas bevorzugen würde:

  • Kaggle Data Science Learning: Lernen Sie Pandas und andere Bibliotheken
  • Pandas lernen: Wie man Pandas lernt
  • Erfahren Sie auf Python.org: Pandas Basics

4. Datenpräsentation und Visualisierung verstehen (Storytelling, Visualisierung und Präsentation - 2 Tage)

In diesem Bereich präsentieren Sie Ihre Projekte, Fakten, Ideen oder Schlussfolgerungen auch dem Geschäfts- / Produktteam. Daten können Hinweise geben, was als Nächstes erstellt werden muss und was funktioniert und was nicht. Aber nicht jeder kann das verstehen, wenn er sich nur Diagramme und Grafiken ansieht. Die richtigen Daten müssen mit den richtigen Fakten dargestellt werden, damit sie für die Entscheidungsträger einfacher und konsumierbarer werden. In den Interviewfragen gab es einige spezifische hypothetische Fragen zu bestimmten Produktmerkmalen. Bei diesen Fragen geht es darum zu verstehen, welche Hypothese der Kandidat haben wird und ob er / sie dies dem Team leicht mitteilen kann. Es ist eine wichtige und oft vernachlässigte Fähigkeit, die extrem wichtig ist. Diese Fähigkeit kann nicht gelehrt werden, sie muss gelernt werden.

Einige gute Quellen für Referenzbeispiele:

  • Stichfix Algorithm Tour: http://algorithms-tour.stitchfix.com/

Wie bereits erwähnt, wird ab Schritt 5 im nächsten Artikel darauf eingegangen.

Vorbereitung auf ein KI-Interview - Teil 2: Schritte, um das KI-Interview zu bestehen - Teil 2

Abonnieren Sie unseren Acing AI Newsletter, ich verspreche, nicht zu Spam und es ist KOSTENLOS!

Danke fürs Lesen! Wenn es Ihnen gefallen hat, testen Sie, wie oft Sie in 5 Sekunden drücken können. Es ist großartig für Ihre Finger und wird anderen Menschen helfen, die Geschichte zu sehen.