С Новым годом!

И, я нанимаю (должность MLE и должность Data Scientist)!

Даже если я выполню эти роли, я хотел бы услышать от вас, установить связи и предложить помощь, как я могу: Linkedin и Twitter.

У меня как у лидера данных две конечные цели:

1. Создавайте эффективные организации данных.

2. Нанимайте и развивайте лучшие таланты.

Как менеджер по найму я просмотрел тысячи резюме и провел собеседования с сотнями кандидатов. Когда дело доходит до поиска хороших талантов в области науки о данных с помощью технической оценки, я использовал большинство инструментов, включая:

  • Живое интервью в стиле проверки знаний (например, мои задачи на собеседовании)
  • Прямое интервью в стиле LeetCode
  • Живое кодирование (SQL или моделирование)
  • Короткий домашний тест (например, тест SQL за 1–3 часа)
  • Длительный домашний тест (например, создание более сложной модели НЛП за 24 часа)

Уровень сложности во многом соответствует времени, отведенному кандидату. Со временем вы получите более сложную задачу для решения.

Мой наиболее предпочтительный подход — более продолжительный домашний тест, и он будет в центре внимания этого поста, а мой наименее любимый — LeetCode — он может быть отличным инструментом для фильтрации пула кандидатов, но сам по себе ненадежен, чтобы сделать какой-либо решения без других тестов.

Что я ищу в ваших домашних результатах?

Вкратце, вот требования из моей последней попытки найма:

Настройка теста достаточно проста. Тест предоставляет синтетические данные, а также подробное объяснение контекста реальной бизнес-проблемы. Задача — построить модель машинного обучения для решения этой бизнес-задачи за 24 часа. Формат доставки — финальная демонстрация и обсуждение с презентацией в PowerPoint (45 минут), а также отправка вашего кода на Python.

Выше приведена копия ожиданий от результатов этого теста, которые ищет интервьюер.

На самом деле, большинство домашних тестов не скажут вам ничего из вышеперечисленного. Чаще всего вы увидите список вопросов, по которым вы будете оцениваться. Вопросы разбивают проблему на более мелкие задачи и дают подсказки о том, что нужно сделать. Для каждого вопроса могут быть очень строгие критерии, и вы должны тщательно отвечать на каждый вопрос.

Здесь я предпочитаю оставить кандидату возможность определить объем своего решения; и вместо того, чтобы давать вопросы в качестве подсказок, я открыто сообщаю кандидатам об ожиданиях.

Что я действительно ищу в ВАС?

Чтобы ответить на этот вопрос, позвольте мне сделать один шаг назад и сначала ответить на следующее:

Что я НЕ ищу?

Мне не нужен "специалист по данным Fast Food [1]".

Fast-Food Data Scientist — это человек, изучивший базовые принципы (инструменты, пакеты, модели, концепции), но не обладающий достаточным опытом или пониманием что происходит. Я кратко коснулся этого в предыдущем посте, противопоставляя статистическое и машинное обучение.

Симптомы могут быть одним или несколькими из следующих:

  • Недостаток любопытства, чтобы действительно понять бизнес-контекст
  • не полностью понимает бизнес-задачу и наивно подстраивает модели без обоснования
  • Не выполняет исследовательский анализ данных (EDA) при построении моделей.
  • Не может предоставить обоснование спроектированных функций или структуры модели
  • не понимать или проверять предположения модели по мере необходимости.
  • Не может интерпретировать результаты или объяснить модель
  • Работает как одинокий волк и доставляет один раз в конце проекта

Почему мне нравятся открытые вопросы?

Потому что они имитируют реальные ситуации. Ваш менеджер или заинтересованное лицо придет к вам с нечетко сформулированной проблемой. Им требуется более всесторонний набор навыков.

Это не то же самое, что сказать, что я ищу кандидатов на все руки. Наоборот, я ищу человека не только с техническими способностями, но и с вдумчивым умом.

Это также не говорит о том, что вам нужна докторская степень, чтобы быть квалифицированным и подтвержденным. Я знал людей, которые сменили профессию, стали самоучками или учились на работе (и т. д.) и стали известными практиками машинного обучения. Образцом для подражания, которого вы должны знать, является Джей Аламмар.

Опять же, вдумчивый и любознательный ум необходим, чтобы не быть «специалистом по данным быстрого питания». И для этого не нужно пятилетнее обучение в аспирантуре.

О чем думают менеджеры по найму?

Я разговаривал со многими менеджерами по найму, чтобы понять, что они ищут на каждом этапе ваших приложений. Я также наблюдал за действиями своих менеджеров по найму, а также за своими собственными в прошлом. Существует множество мифов (или всевозможных предубеждений) о том, что могут думать ваши менеджеры по найму, начиная с момента, когда они впервые видят ваше резюме и заканчивая собеседованием на месте.

  • Предпочитают ли они определенный стиль резюме?
  • Предпочитают ли они докторскую степень?
  • Предпочитают ли они опыт работы в большой компании?
  • Действительно ли они просматривают резюме в пуле соискателей?
  • Или как этот вопрос задавал LinkedinGroup о родословных

О многом другом в следующем посте! Ждите следующего разрушителя мифов!

Удачной практики!

Спасибо, что читаете мою рассылку. Вы можете подписаться на меня в Linkedin или Twitter @Angelina_Magr!

Ссылка:

[1] «Ученый по данным быстрого питания» — концепция, придуманная автором.