4个步骤成功构建出一个机器学习团队(4)

第一件事是验证你对候选人优点的假设。对于机器学习的研究人员来说，要确保他们能够创造性地思考新的机器学习问题，并探究他们对之前项目的思考程度。对于机器学习工程师，确保他们是具有扎实工程技能的多面手。

第二件事是确保候选人在较弱的领域达到最低标准。对于机器学习研究人员，测试他们的工程知识和编写良好代码的能力。对于机器学习工程师，测试他们简单的机器学习知识。

与传统的软件工程面试相比，机器学习面试的定义要模糊得多，但以下是常见的评估类型：

背景和文化相符

白板编程

结对编程/调试(通常是特定于机器学习的代码)

数学题

关键项目

应用机器学习(例如，解释如何使用机器学习解决问题)

以前的项目(方法、试验和错误、结果)

机器学习理论(如偏差-方差权衡、过拟合和欠拟合、特定算法…)

（3）如何找到从事机器学习的工作?

假设您是一名机器学习候选人，正在阅读本文。你可能会问：“我怎么能找到机器学习的工作?”

同样，有标准的资源，如LinkedIn，招聘人员，校园招聘。

你可以参加机器学习研究会议，和那里的人交流。

你也可以直接申请公司的门户网站(记住这里有人才缺口!)

找工作当然不容易，但有几个方法可以脱颖而出：

建立一般的软件工程技能(通过CS课程和/或工作经验)。

表现出对机器学习的兴趣(通过参加会议和/或参加MOOCs)。

表明你对机器学习有广泛的知识(例如，写博客文章综合一个研究领域)。

演示完成机器学习项目的能力(例如，创建小项目和/或复现论文)。

证明你可以创造性地思考机器学习(例如，赢得Kaggle竞赛和/或发表论文)。

为了准备面试，你应该：

使用网络资源进行一般的软件工程面试的实践。

准备详细谈谈你过去的项目，包括你所做的权衡和决定。

复习机器学习理论和基本的机器学习算法。

创造性地思考如何使用机器学习来解决面试公司可能面临的问题。

我还建议大家去看看Chip Huyen在训练营发布的幻灯片：https://twitter.com/chipro/status/1196232680364376064，它包含了机器学习面试过程中双方的一些重要经验。文后有下载链接。

总结

对于大多数传统公司来说，机器学习是一门新兴的、不断发展的学科，组建机器学习团队充满了已知和未知的挑战。如果你跳到最后，以下是最后几个要点：

有许多不同的技能涉及到生产机器学习，所以有机会为许多人作出贡献。

机器学习小组变得更加独立和跨学科。

管理机器学习团队是困难的。没有什么灵丹妙药，但转向概率规划可能会有所帮助。

机器学习人才稀缺。作为一名经理，在机器学习的工作描述中，要明确哪些技能是必须具备的。作为一名求职者，作为一个局外人打入市场可能会面临残酷的挑战，所以要把项目作为树立认知度的信号。

（编辑：ASP站长网）