解读几个ML eng的job desc

还记得当年解读analytics, 解读的DS的时候，今天来解读ML eng，感觉也是心中的兴趣在扩大和转移。是哪家厂子的job desc并不重要，其实大部分都类似


基本分三方面需求：
1. 要看得懂模型（有一定建模能力） 比如传统ML面 ，倒不见得需要是建模专家，因为一般是有research scientist来配合的
   复习套路明确，但不容易
2. 要能码：比如leetcode那种coding面
   复习套路明确，出苦力即可
3. 要能生产(at scale)：包括系统设计和机器学习系统设计
   系统设计：复习套路明确，
   机器学习系统设计：不容易，没搞过估计非常难以准备。不过这条也只是plus，不是required，毕竟市面上真的做过生产规模系统的也就那么几家大厂
   暂时还总结不好套路。可以读大厂的论文，但是这种系统级别的细节，只读论文估计也杯水车薪，一问就挂。
   最近感觉ML infra是个有趣的方向，虽然并不懂很多。大厂小厂(or rather 好厂 vs 不怎么好的厂)之间差距已经可以多达5年。。。。
   这条在老年以上级别会很重要

Infra / DE / production scale system

• Good understanding of distributed systems, data stores, data modeling, indexing and associated trade-offs
• Experience with MapReduce, Hadoop, Spark, or TensorFlow is a plus.
• Industry experience building and productionizing innovative end-to-end algorithmic or machine learning systems.
• Experience with productizing research/publications a plus.
  
  

Engineering fundamentals

• Full stack engineering experience, with strong system fundamentals
• Exceptional ability to work anywhere in the technical stack and good understanding of complex computer systems.
• Strong industry experience in architecture and development of scalable production quality backend systems
  
  

ML

• Machine learning, pattern recognition, large-scale data mining or artificial intelligence experience is a plus, but not required
• Good understanding of common families of models, feature engineering, feature selection and other practical machine learning issues, such as overfitting.
• Good understanding of data processing algorithms and/or common families of machine learned models. Effective at feature engineering and data analysis.
• Experience with Computer Vision, Image Detection/Recognition, NLP/NLU, Deep Learning a plus.
• Strong analytical thinking, good intuition with data, experienced with building products based on A/B testing  这条略奇葩了
  
  

超级感谢小k的分享！个人目前具有一定1，2项的能力，但是感觉如果只有1，2的能力，那算法理论知识得非常好才能算是job security...
于是希望往3系统多了解一下，最近也在看ml infrastructure一类的东西。

目前了解到的情况，感觉可以去学习的有这几个方向：
1. Hadoop/Spark那一套（尤其是基于其的算法实现）算是一个大类；
2. 然后大规模深度学习的， 由于主要是SGD 比较特殊，做专门优化的，算是另外一类（知乎这个答案能窥一斑：https://www.zhihu.com/question/56676679/answer/151505274）；
3. 还有就是general的distributed system的学习，不过这个坑就很深了感觉。。

然后有个问题就是，我去学习一般的系统设计知识（比如面试常问的那些问题），不知道对ML infra的了解有帮助吗？希望能和大家能对这方面的学习多多交流呐。

求交流！！！求交流！！！求交流！！！重要的事情复制粘贴三遍

fanghao 发表于 2017-11-2 23:54
超级感谢小k的分享！个人目前具有一定1，2项的能力，但是感觉如果只有1，2的能力，那算法理论知识得非常好 ...

大兄弟要不要弄个ML找工作的wx交流群