При решении задач на собеседовании кандидаты часто волнуются и упускают из вида полезные мелочи, которые могут помочь в понимании задачи, разработке решения или в поиске ошибок. Чек-листы и советы из этой статьи помогут сосредоточиться на нужных деталях.
Внимательно прочитать условие.
Понять что дано, а что требуется?
Какие данные есть в задаче и каких типов (входные данные)?
Какой результат нужен и какого типа (выходные данные)?
Какие действия описаны в задаче?
Недавно я задумалась, чего именно ждут работодатели от кандидатов в 2024 году. Чтобы это выяснить, я обратилась к коллегам, которые занимаются наймом в Loyalty LabsЧитать полностью »
Привет! Меня зовут Артем. Я работаю Data Scientist'ом в компании МегаФон (платформа для безопасной монетизации данных OneFactor). Мы строим скоринговые (credit scoring), лидогенерационные (lead generation) и антифрод (anti-fraud) модели на телеком данных, а также делаем гео-аналитику (geo-analytics).
В предыдущей статье я поделился материалами для подготовки к дизайну систем машинного обучения.
Давайте вспомним из каких секций состоит процесс собеседований на позицию Data Scientist:
Меня зовут Настя, я руководитель службы инструментов репозитория в Yandex Infrastructure. Больше 15 лет я проработала в IT‑индустрии: сначала как разработчик, потом тимлид, техлид, менеджер проектов и руководитель службы. За это время несколько сотен человек рассказали мне о своём карьерном пути: кто‑то собеседовался со мной как с нанимающим менеджером, кто‑то приходил ко мне на менторинг, кто‑то расширял свой нетворк, как теперь модно говорить. Из этих разговоров можно выделить причины недовольства работой, которые я вижу у людей чаще остальных. Одна из главных причин — ошибка выбора вакансии.
Дисклеймер: Эта публикация скорее крик души... я не буду говорить, что являюсь выдающимся экспертом в базах данных, а тема данного поста не для того, чтобы мериться размером дампа. Мне просто больно раз за разом слушать на комитетах о русскоязычных кандидатах, что он нам не подходит потому что...
