Ingeniero de Machine Learning

Requisitos a considerar para un Ingeniero de Machine Learning 

Los ingenieros de machine learning se centran en el diseño y la aplicación de modelos construidos con machine learning para resolver problemas del mundo real. 

Tu ingeniero de machine learning de alto nivel tiene experiencia tanto en la base teórica como en las aplicaciones prácticas del machine learning. Además, tendrá experiencia trabajando con herramientas y paquetes especializados para machine learning como sci-kit-learn (Python), Spark ML, R, Mahout y así sucesivamente. 

Adicionalmente, deben contar con un sólido conjunto de habilidades en campos relacionados como estadística, optimización, minería de datos y diseño algorítmico.

Busca candidatos con una sólida trayectoria en investigación, con formación en ciencias de la computación o estadística, y posiblemente un doctorado en un campo relacionado.

Consejo clave: Contrata candidatos dispuestos a crecer, asegurándote de que sus objetivos profesionales personales se alineen con la misión de tu empresa.

Preguntas de entrevista sobre resolución de problemas para Ingenieros de Machine Learning

Preguntas específicas del modelo

Inicia una conversación técnica pidiendo a un candidato que describa cómo funciona un modelo conocido. Estas son algunas preguntas que puedes usar para generar esta conversación. 

• ¿Qué problema intenta resolver el modelo?
• ¿Es propenso al sobreajuste? ¿Qué se puede hacer al respecto?
• ¿Hace alguna suposición importante sobre los datos? 
• ¿Cuándo podrían ser poco realistas estas suposiciones? 
• ¿Cómo examinamos los datos para probar si estas suposiciones se cumplen?
• ¿El modelo tiene problemas de convergencia? 
• ¿Tiene un componente aleatorio o los mismos datos de entrenamiento siempre generarán el mismo modelo? 
• ¿Qué modelos alternativos podríamos usar para el mismo tipo de problema que este intenta resolver? ¿Puedes comparar todas estas opciones? 
• ¿Podemos actualizar el modelo sin reentrenarlo desde el principio?
• ¿Qué tan rápida es la predicción en comparación con otros modelos? ¿Qué tan rápido es el entrenamiento en comparación con otros modelos?
• ¿Tiene el modelo metaparámetros? ¿Requerirán ajuste? ¿Cómo hacemos esto?
• ¿Cómo gestionamos los efectos aleatorios en el entrenamiento?
• Explique los tipos de datos que el modelo puede manejar.
• ¿Puede el modelo manejar datos faltantes? ¿Qué podríamos hacer si encontramos campos faltantes en nuestros datos?
• ¿Qué tan interpretable es el modelo?
  

Preguntas de Machine Learning

• Dé un ejemplo de una aplicación de factorización de matrices no negativas
• ¿Qué es un bosque aleatorio? ¿Qué limitación particular intenta abordar?
• ¿Qué métodos de reducción de dimensionalidad conoce? ¿Cómo se comparan entre sí?
• ¿Cuáles son algunas buenas formas de realizar selección de características que no impliquen una búsqueda exhaustiva?
• ¿Cómo evaluaría la calidad de los clústeres generados por una ejecución de K-means?
• Explique el algoritmo EM. ¿Cuáles son algunas aplicaciones?
• ¿Qué es el aprendizaje profundo? ¿En qué se diferencia del aprendizaje automático tradicional?
• Explique un modelo lineal generalizado.
• Describa un modelo gráfico probabilístico.
•  ¿Cuál es la diferencia entre redes de Markov y redes bayesianas?
  

Otras preguntas

• Explique las herramientas y entornos que ha utilizado para entrenar y evaluar modelos.
• ¿Qué experiencia de investigación tiene en aprendizaje automático o un campo relacionado? ¿Ha publicado algo? Si es así, hábleme de sus publicaciones. 
• ¿Qué experiencia tienes con Spark ML o con otra plataforma para construir modelos de machine learning utilizando conjuntos de datos muy grandes?