Это нельзя готовить ⛔️

Радий, що стаття змотивувала! Успіхів із Гітхабом!

На онсайте на одной из 5 сессий (1 час) разбирали детали того, как я выполнил тестовое задание. Тестовое («домашнее») задание было фронт-эндовое, его надо было выполнить после скрининг интервью. Его проверяли до приглашения на онсайт, но на онсайте его нужно было по сути «защитить» и прямо при интервьюерах улучшить/расширить. Остальные же сессии были довольно общими без сильной привязки к фронтенду.

После прохождения всех интервью, приблизительно через 1 неделю пришел оффер со стороны Uber-а и была назначена встреча, на которой обсуждалась детали, в том числе и зарплата.

1. Понять свою уникальность, понять кто ты, развивать это,
2. перестать сравнивать себя с другими и примерять на себе чужие жизни,
3. осознать, что лента в соцсетях — это рафинированная выжимка, ограниченная и неполная картина реальности,
4. понять, что за все нужно платить свою цену в виде времени, а его у тебя 24/7 (красивая «картинка» в ленте чего-то человеку стоила)
5. понять, что нельзя успеть все; из 5-ти категорий «семья», «карьера», «спорт», «сон», «друзья» — сфокусируйся на 3-х (фокус можно периодически менять)

... дальше — профит

Да, мне кажется в таком случае (когда человек решает свою «задачу-боль») он является своего рода экспертом в этой области и знает потребность «рынка» лучше. Плюс это помогает держать мотивацию в тонусе.

Мне самому интересно!

По-украински тоже «Трехлеб». В паспортном столе работали «креативные» сотрудники :)

По поводу количества задач, перед собеседованием решил около ~70 на leetcode и написал около ~80 алгоритмов на javascript-algorithms.

Впечатления от процесса конечно же будет моим личным и от этого субъективным, но в целом в Amazon-е на он-сайте чувствовал очень сильный акцент на Leadership Principles. Вопросы связанные с этими принципами были в начале практически каждой из 5-6 сессий (системный дизайн, алгоритмы, поведенческое интервью и пр.) в течение дня. Это забирало больше времени, чем я ожидал, от решения задач и всего остального. Во время обсуждения дизайна систем был так же сильный акцент в сторону конкретных AWS сервисов, что с одной стороны логично (Amazon же), а с другой стороны это больше проверяло не сколько «Как бы ты закодил Твиттер», а скорее «Как бы ты закодил Твиттер, только с использованием AWS сервисов».

В Uber-е на он-сайте все-таки сессии были разделены более «чисто»: отдельный час на поведенческие моменты и культуру, отдельно алгоритмы, отдельно дизайн систем (без конкретной привязки к AWS, Azure или GoogleCloud). Так же были субъективные факторы «атмосферы», «настроения», «людей», «офиса», которые для меня лично сыграли в пользу Uber-а. Одним из отличительных моментов во время скрининга в Uber-е (в отличии от Amazon, Google, Facebook) была практичность (не абстрактность) алгоритмической задачи. Нужно было по сути создать небольшой апликейшн на JS. Классическая же алгоритмическая задача была только на он-сайте.

Про он-сайт в Гугл не могу сказать, так как не прошел скрининг.

Мой роадмап, как и мои знания по ML, очень ограниченны пока :D Но, я бы порекомендовал начать с:

1. Machine Learning курса на Coursera от Andrew Ng — тут базовые знания и математика (к сожалению пример на устаревшем языке Octave, но зато матчасть хорошо прокачивает)
2. Deep Learning специализации (несколько курсов в одном пакете) от все-того же Andrew Ng — здесь уже Python и Jupyter ноутбуки, плюс нашумевшие Convolutional Neural Networks и Recurrent Neural Networks

Лектор очень классно и доходчиво объясняет — мне эти курсы очень понравились! Ну и надо разбавлять по ходу дела все практикой.

Рад, что статья понравилась 👍🏻

Дякую, Олег!
Якщо не рахувати перерви в декілька місяців то загалом пішло приблизно 6 місяців на навчання та на практику (зранку перед роботю по 1-1,5 години).

Да, равновероятная комбинация — это сила 😄

Точно не подсчитывал, но в целом работа над репозиторием длилась около 2-3 месяцев (~1-1.5 часа утром перед работой, 3-4 дня в неделю)

Віктор, радий що робота Вам сподобалася навіть незважаючи на велику кілкість емоджі. Я їх використував навмистно задля того, щоб зробити інформцію більш візуальною та легкою для сприйняття (принаймні мені вони допогають краще орієнтуватися в тексті). Але я звісно розумію, що те, що працює для одного може не зпрацювати для іншого.

Дякую, Віталій!

Теорию брал из курса Andrew Ng

Спасибо за направление! Постараюсь еще добавить новых алгоритмов.

Виктор, спасибо за комментарий и за разъяснение ситуации с МатЛабом!

По поводу «Precision and recall» ссылки, речь идет об иллюстрации в разделе Anomaly Detection? Если да, то она была взята из статьи F1 Score и ссылка на нее находится внизу раздела. Но указанную ссылку на Precision and Recall статью я так же добавил, думаю не помешает.

Да, kaggle.com — отличный ресурс. А разрыв между базовыми задачами и реальными задачами есть, думаю, во всех сферах, не только в ML :)