Machine learning is een van de meest gevraagde ontwikkelingsgebieden, wat een combinatie van methoden voor data-analyse en het creëren van kunstmatige intelligentie impliceert.

De essentie van machine learning is het ontwikkelen van algoritmen die gegevensverwerkingstaken automatiseren. Dat wil zeggen, een computer leert op basis van een groot aantal vergelijkbare taken en algoritmische methoden conclusies te trekken en deze problemen zelf op te lossen. Dergelijke zelflerende systemen en wiskundige modellen worden vaak neurale netwerken genoemd, maar neurale netwerken zijn slechts één voorbeeld van machine learning-modellen.

Machine learning-specialisten ontwikkelen dergelijke algoritmen en neurale netwerken. De toepassingsgebieden van algoritmen kunnen totaal verschillend zijn. Computervisie, herkenning en segmentatie van beeld- en videostreams, tekstherkenning, voorspelling van gebeurtenissen, aanbevelingssystemen – dit zijn allemaal toepassingsgebieden van neurale netwerken en algoritmen voor machine learning. Over het algemeen kan het werk van een specialist worden onderverdeeld in twee componenten: onderzoek en ontwikkeling.

Wanneer een project wordt geconfronteerd met complexe en ambitieuze machine learning-taken, besteden specialisten de meeste tijd aan onderzoek.

Meestal gebruiken ontwikkelaars Python en / of C ++ voor dergelijke taken, evenals een aantal speciale bibliotheken / frameworks: OpenCV, OpenCL, Caffe, Tensorflow.

Het eerste dat moet worden geëvalueerd, is hoe een persoon qua karakter past bij het bestaande team en hoeveel hij geïnteresseerd is in het uitgaande werk. Er worden tenslotte veel werken gepubliceerd, nieuwe benaderingen worden voorgesteld en misschien is er al een oplossing voor uw probleem, moet u nieuwe artikelen volgen. Het volgende belangrijke punt is een goede kennis van de basisprincipes (wiskunde, basisconcepten van machine learning en convolutionele netwerken). Verder is er specialisatie voor uw taken, als een persoon zich bezighoudt met neurale netwerken voor spraakherkenning, kan men niet verwachten dat hij alles zal weten over machine learning in computervisie.

Ervaring met het gebruik van specifieke frameworks is ook belangrijk, maar niet vereist, in het algemeen kun je oppervlakkig leren hoe je in de nabije toekomst ermee kunt werken. Maar als je wat subtiele punten nodig hebt (verliesfunctie schrijven, direct met lagen werken) die verder gaan dan het gebruik van standaardconvoluties en training, dan is goede kennis en ervaring met een specifiek raamwerk al belangrijk. 

Interviewvragen met een Machine Learning Engineer: 

• Wat zijn de belangrijkste taken die op het project worden uitgevoerd?
• Met welke soorten neurale netwerkarchitecturen heb je gewerkt?
• Welke bibliotheken en frameworks heb je gebruikt?
• Vertel ons over de meest interessante en moeilijke taak?
• Wat was de verhouding tussen ontwikkeling en onderzoek van het laatste project? Welke verhouding is nu interessant?

global recruitment