Машинное обучение и нейронные сети используются почти во всех ключевых продуктах Яндекса — от поиска и голосового помощника Алисы до беспилотных автомобилей. Стажёры улучшают алгоритмы машинного обучения для рекламных сервисов, разрабатывают инструменты для обучения нейронных сетей и делают многое другое.
Примеры задач, с которыми сталкиваются ML-разработчики на стажировке:
Помните: не стоит опускать руки, если какая-нибудь задача оказалась слишком сложной. Покажите ваш реальный уровень знаний, а мы оценим его в совокупности с вашим резюме и анкетой.
По этой ссылке можно почитать о собеседованиях в Яндексе, а здесь — ознакомиться с тем, как мы нанимаем ML-специалистов.
С вами свяжется рекрутер и попросит ответить на несколько вопросов:
Больше материалов — по ссылке.
Что касается кода — важна аккуратность в написании решений и способность их придумывать. Для аккуратности нужно вырабатывать привычку тестировать и проверять работу кода, мыслить инвариантами. Тут помогут книги и курсы по алгоритмам; полезно почитать стайлгайды разных компаний, например, Google. Ну и, конечно же, нам важны горящие глаза, куда без них!
По ML в первую очередь желательно хорошо знать базу: как работают разные лоссы, как считаются метрики в различных задачах ML, как они выводятся, как работают стандартные модели, как работают методы оптимизации и регуляризации. Полезно пройтись по университетскому или онлайн-курсу по ML и убедиться, что вы понимаете, как работают основные концепты.
Что касается кода — важна аккуратность в написании решений и способность их придумывать. Для аккуратности нужно вырабатывать привычку тестировать и проверять работу кода, мыслить инвариантами. Тут помогут книги и курсы по алгоритмам; полезно почитать стайлгайды разных компаний, например, Google. Ну и, конечно же, нам важны горящие глаза, куда без них!
По ML в первую очередь желательно хорошо знать базу: как работают разные лоссы, как считаются метрики в различных задачах ML, как они выводятся, как работают стандартные модели, как работают методы оптимизации и регуляризации. Полезно пройтись по университетскому или онлайн-курсу по ML и убедиться, что вы понимаете, как работают основные концепты.