Peng Shao publicó un libro sobre entrevistas de machine learning con 151 preguntas

Peng Shao ha lanzado el libro "Entrevista de ML. 151 Preguntas de FAANG", dedicado a la preparación para la contratación en ML. No se trata de una colección de problemas áridos, sino de un análisis paso a paso de cómo aprobar entrevistas — desde la teoría básica hasta el diseño de sistemas y la discusión de la infraestructura de producción.

Qué hay dentro del libro

La idea principal del libro es reunir en un solo lugar las preguntas que los candidatos realmente enfrentan en las entrevistas de aprendizaje automático. Shao recorre toda la ruta de preparación: fundamentos matemáticos, conceptos clave de ML, programación, trabajo con datos, evaluación de modelos y errores típicos en las respuestas. Según la descripción, el énfasis se coloca no solo en lo que necesitas saber, sino también en cómo responder: cómo estructurar tu pensamiento, qué aclarar con el entrevistador y dónde no adentrarse en teoría innecesaria.

Un valor adicional de este formato es que las entrevistas de ML rara vez se limitan a preguntas algorítmicas. Generalmente se espera que los candidatos comprendan el ciclo de vida completo de un modelo: cómo se preparan los datos, cómo se eligen las métricas, en qué se diferencia la evaluación offline de la implementación real y por qué incluso un modelo fuerte puede fallar en producción. El libro promete cerrar esta brecha entre la teoría académica y las expectativas de las empresas que contratan ingenieros y especialistas aplicados para tareas reales.

Cómo se estructura la preparación

Según la descripción, el libro analiza no solo el contenido de las preguntas, sino también la lógica del propio proceso de selección. Esto es importante porque el mismo conocimiento se prueba de manera diferente en el cribado telefónico, las entrevistas técnicas y las discusiones profundas del proyecto. A veces se necesita una respuesta corta y precisa en un minuto, a veces — una argumentación completa con compensaciones, limitaciones y contexto empresarial. Para los candidatos, esto a menudo es más difícil que las propias fórmulas: necesitas entender rápidamente qué nivel de detalle se espera en este momento.

En el corazón del libro hay un conjunto de bloques recurrentes que casi siempre surgen en el proceso de selección. Esto es conveniente para la preparación: un candidato puede saltarse la lectura del material de forma lineal e identificar rápidamente los puntos débiles y trabajarlos por separado. Este formato es especialmente útil cuando queda poco tiempo antes de una entrevista y necesitas una lista de verificación compacta de temas para repasar. Al mismo tiempo, puedes ver cómo cambia la profundidad de las preguntas de una etapa a otra.

• conceptos básicos de aprendizaje automático y programación
• estrategias para responder preguntas frecuentes y análisis de errores típicos
• transición del cribado telefónico a la entrevista técnica profunda
• diseño de sistemas de ML y discusión de infraestructura

Este enfoque hace que el libro sea útil no solo como un libro de texto sino también como un simulador antes de un proceso de selección específico. En lugar de notas dispersas sobre teoría, problemas y diseño de sistemas, un candidato obtiene una ruta de preparación unificada. Esto es especialmente útil para quienes no han estado en el mercado durante mucho tiempo y subestiman lo amplias que se han vuelto las entrevistas de ML: hoy verifican no solo el conocimiento de modelos, sino también el pensamiento de ingeniería, las prioridades del producto y la capacidad de explicar soluciones en un lenguaje claro.

Quién se beneficiará del libro

El material se posiciona como universal: servirá tanto para principiantes que recién están construyendo su base como para especialistas experimentados que necesitan una descripción general rápida antes de una serie de entrevistas. Para los primeros, el libro puede servir como un mapa de temas para evitar ahogarse en una lista interminable de algoritmos, bibliotecas y artículos. Para los segundos — una forma de verificar puntos ciegos: por ejemplo, diseño de sistemas, infraestructura, selección de métricas o argumentación en torno a compensaciones entre la calidad del modelo, el costo y la velocidad.

En el contexto del crecimiento de las vacantes de ML y el aumento de los requisitos, tales guías se vuelven más prácticas que los libros de texto clásicos de aprendizaje automático. No reemplazan la teoría profunda, pero ayudan a responder una pregunta más práctica: exactamente qué repasar antes de una entrevista, en qué orden y cómo traducir el conocimiento en respuestas claras y confiantes. Para audiencias de habla rusa, esto es especialmente útil si necesitas orientación sobre el formato de entrevista internacional y las expectativas de equipos globales.

Lo que esto significa

El libro de Peng Shao muestra que el mercado de contratación de ML requiere no solo conocimiento de modelos, sino también disposición para discutir código, métricas, infraestructura y compensaciones comerciales como un sistema unificado.