新手MLE应该如何补充知识背景

李宏毅，李沐，YouTube上面的，差不多了。我反正就靠这些。还有就是读些文献，对参加一些reading group ， 认真present。当然，主要还是从做project 去学习。
去年进了一个AI组，那会deep learning 是啥都不知道。然后做了一年的NLP + speech， 拿了几次org的scientific excellence awards, 还promote, 还有一篇文章应该会被接收。
我也是转码，而且之前的专业跟码和ML半毛钱关系都没有，先做了两年码农也搞不清楚是后端还是全栈。

markmark

插个眼mark住

mark一下  

匿名用户 发表于 2023-05-14 20:25:30
我们做的算是dl吧，只是并不deep。。我跟你有点同感，就是搞data source和挖掘feature，说实话有点点无聊，而且确实像你说的这样，长期积累下来的可能很多是domain knowledg

我也想问llm的applied mle具体是做啥 难道是做一些prompt engineering相关的吗 类似把人家GPT调到自己project做一些feature之类的？

楼主开个群吧 大家一起交流

我觉得mle最不缺的是知识，毕竟会一点基础数学概率，能看懂Maximum likelihood就差不多了，paper都可以看懂

我觉得MLE最需要的是critical thinking，paper／知识太多太杂，更多的是怎么想怎么理解。举个最简单的例子，让你设计video 推荐，youtube／tiktok都发了不少论文，但根据你的video产品特点，如何设计，如果只套paper内容，讲不出自己的理解，我一般不会给high l5; 相反如果能言之有理回答很多follow up，至于我同不同意是一回事，但是一般可以考虑l5了

gpt4.0的答复：
为了准备机器学习工程师的面试，你需要在以下几个方面做好准备：

机器学习基础知识：你需要理解并能解释各种机器学习算法，例如线性回归、逻辑回归、决策树、随机森林、SVM、KNN、K-means、深度学习等。你也需要理解它们的原理、优点和局限性。

.--深度学习和神经网络：如果你申请的职位涉及到深度学习，你需要理解CNN、RNN、LSTM、GRU、Transformer等神经网络架构，以及如何训练神经网络，例如反向传播、梯度下降、优化器（如Adam、RMSProp等）等。

编程和数据处理能力：你需要熟悉一种或多种编程语言，如Python或R，并熟悉相关的机器学习库，如Scikit-Learn、TensorFlow、PyTorch等。你也需要理解如何处理数据，包括数据清洗、特征工程、数据可视化等。

统计和概率：你需要熟悉基本的统计和概率知识，如假设检验、贝叶斯理论、最大似然估计、方差、协方差、相关性、正态分布、二项分布等。

实际项目和经验：如果你有相关的实战经验，比如在kaggle上的竞赛或者完成的相关项目，这会是一个很大的加分项。你应该能够详细描述你的项目，并解释你所使用的方法和取得的结果。

模型评估：你需要理解各种模型评估指标，如准确率、召回率、F1分数、AUC-ROC、均方误差、对数损失函数等。

机器学习系统设计：了解如何设计、构建和维护机器学习系统。包括特征选择，模型选择，模型训练，模型验证，模型部署，以及监控和更新模型。

问题解决和创新思维：在面试过程中，你可能会被问到如何解决特定的机器学习问题或挑战。你需要展示你的问题解决能力和创新思维。

记住，机器学习面试不仅仅关注你的技术知识，还关注你的问题解决能力、团队合作能力和沟通技巧。祝你好运！

不同公司MLE职能不一样，我个人的观点是MLE首先是engineer，最需要精通的是模型的productizing with good scalability/performance. 这里面包含很多现在所谓的MLops，GPU/CUDA，back-end ，system design .etc . 其次才是ML。 model training 也是hard requirement but only for some cases.

楼主面试时候面的是啥 怎么过的 不是怼啊 是想知道怎么能转MLE 如果现在工作用不到ML的话