machine-learning-interview

KO | EN

gitlite — search

#javascript #python #react #ai #llm #golang #go #rust #docker #nodejs #windows #vue #mcp #open-source

machine-learning-interview

(★ 12,788)

FAANG, Snapchat, LinkedIn의 머신러닝 면접. 저는 Snapchat, Coupang, Stitchfix 등으로부터 오퍼를 받았습니다. 블로그: mlengineer.io.

파일 탐색기

최종 버전 다운로드 (.zip)

- FUNDING.yml
- ad_bidding.png
- ads.png
- air.png
- delivery.png
- feed.png
- LC.png
- ml.png
- nce.png
- score.png
- score1.png
- sponsor.png
- stat_cheatsheet.png
- system_design.png
- uc3.png
- backprop.py
- kmeans.ipynb
- logistic_regression.ipynb
.gitattributes
appliedml.md
company_guides.md
course.md
design.md
extra.md
faqs.md
how.md
interview_experiences.md
leetcode.md
Machine Learning Assessment 12.pdf
questions.md
quiz.md
README.md
terstimonials.png

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# 머신러닝 면접을 위한 최소 기능 학습 계획 (Minimum Viable Study Plan)

Machine Learning System Design - Early Preview - [Buy on Amazon](https://rebrand.ly/mldesignbook)   
 [![Machine Learning System Design Interview](https://miro.medium.com/max/1400/1*Te6wgTLFw9AD6r9D6sVNMg.png)](https://rebrand.ly/mldesignbook)

아마존에서 만나보는 Machine Learning System Design 인터뷰 책.  
 [![Machine Learning Interviews book on Amazon](https://miro.medium.com/max/700/1*e3TitgWHyr6bO_bOWtP4Rg.png)](https://www.amazon.com/dp/B09S9JBT86)

[AI 프로젝트 뉴스](https://news.llmlab.io/) 팔로우하기
- 가장 인기 있는 글: [LeetCode 문제 500개를 풀고 깨달은 한 가지 교훈](https://mlengineer.io/from-semiconductor-to-software-engineer-8c3126dde65b)
- 10월 10일: Machine Learning System Design 코스가 educative에서 [1위 ML 코스](https://www.linkedin.com/posts/activity-6853724396188790784-tWxj)가 되었습니다.
- 6월 8일: [면접 이야기 시리즈](https://rebrand.ly/interviewstory) 런칭.
- 4월 29일: 최신 머신러닝 면접 경험을 얻으실 수 있도록 [mlengineer.io](https://mlengineer.io/from-google-rejection-to-40-offers-71337a224ebe?sk=1408513db21536d25c23f67ce898b37d) 블로그를 런칭했습니다.
- 2021년 4월 15일: [interviewquery.com](https://rebrand.ly/mldesigninterview)에 Machine Learning System Design이 런칭되었습니다.
- 2021년 2월 9일: [educative.io](https://rebrand.ly/mlsd\_launch)에서 [Machine Learning System design](https://rebrand.ly/mlsd\_launch)을 이제 이용하실 수 있습니다.
- 저는 10년 경력의 SWE, ML 엔지니어입니다 ([Linkedin 프로필](https://www.linkedin.com/in/phamkhang/)). Google, LinkedIn, Coupang, Snap, StichFix로부터 오퍼를 받은 적이 있습니다. 제 [블로그](https://rebrand.ly/mleio)를 읽어보세요.
## Machine Learning Design
| Section | |
| ------------- | ------------- |
| 1. [Youtube Recommendation](https://rebrand.ly/mldesign) | [![Youtube Recommendation Design](images/uc3.png)](https://rebrand.ly/mldesign) |
| 2. [The main components in MLSD](https://rebrand.ly/mldesign) | [![The main components in MLSD](images/ml.png)](https://rebrand.ly/mldesign)  |
| 3. [LinkedIn Feed Ranking](https://rebrand.ly/mldesign) | [![LinkedIn Feed Ranking](images/feed.png)](https://rebrand.ly/mldesign)  |
| 4. [Ad Click Prediction](https://rebrand.ly/mldesign)| [![Ad Click Prediction](images/ads.png)](https://rebrand.ly/mldesign)  |
| 5. [Estimate Delivery time](https://rebrand.ly/mldesign)| [![Estimate Delivery time](images/delivery.png)](https://rebrand.ly/mldesign)  |
| 6. [Airbnb Search ranking](https://rebrand.ly/mldesign)| [![Airbnb Search ranking](images/air.png)](https://rebrand.ly/mldesign)  |
## Getting Started
| How to | Resources |
| ------------- | ------------- |
| 유망한 회사 목록 | [WealthFront 2021 목록](https://blog.wealthfront.com/career-launching-companies-list/#companies-list). |
| 면접 준비 | [머신러닝 면접 프로세스 관련 공통 질문](faqs.md). |
| 학습 가이드 | [학습 가이드](README.md)에는 면접에서 성공하기 위한 최소한의 집중 영역이 포함되어 있습니다. |
| ML 시스템 설계 | [ML system design](https://mlengineer.io/machine-learning-design-interview-d08be9f44260?source=friends\_link&sk=97fe3a510957d65b6311d5d38b30c639)에는 실제 ML 시스템 설계 유스케이스가 포함되어 있습니다. |
| ML 유스케이스 | 주요 기업들의 [ML 유스케이스](appliedml.md) |
| ML 지식 테스트 | [Machine Learning quiz](https://mlengineer.io/machine-learning-assessment-db935aa9fafd?source=friends\_link&sk=1062e407bea5d842b7684668b005d08c)는 수십 개의 대기업에서 출제된 실제 면접 질문을 바탕으로 설계되었습니다. |
| 온사이트 면접 일주일 전 | [일주일 체크리스트](https://mlengineer.io/machine-learning-engineer-onsite-interview-one-week-checklist-cfd19d57fa02?source=friends\_link&sk=80d2bb43c590156a7fa72260dfb4972c) 읽기 |
| 오퍼를 받는 방법 | [성공 사례](https://mlengineer.io/from-google-rejection-to-40-offers-71337a224ebe?source=friends\_link&sk=1408513db21536d25c23f67ce898b37d) 읽기 |
| FAANG 기업의 실제 MLE 면접 | [면접 이야기](https://mlengineer.io/mlengineer-io-interview/home) 읽기 |
| 코딩 연습 | [MLE를 위한 카테고리별 Leetcode 문제](https://mlengineer.io/common-leetcode-questions-by-categories-532b301130b) |
| 심화 주제 | [심화 주제](extra.md) 읽기 |
## Study guide
### LeetCode (모든 회사가 LeetCode 질문을 하는 것은 아닙니다)
[![](images/LC.png)](https://docs.google.com/spreadsheets/d/1RCb1dVQCLmtOGlJ5J-NJ5pIC7Tda-N2U/edit#gid=274831950)
- 참고: Leetcode 질문을 \*\*하지 않는\*\* 회사들이 아주 많습니다. 많은 기업이 존재합니다

MLE이 되는 길은 다양하며, LeetCode가 시간 낭비라고 느껴진다면 자신만의 방식을 만들어 나갈 수 있습니다.
- 저는 질문을 몇 번 풀었고 각 풀이에 얼마나 시간이 걸렸는지 기록하기 위해 [LC time tracking](https://docs.google.com/spreadsheets/d/1RCb1dVQCLmtOGlJ5J-NJ5pIC7Tda-N2U/edit#gid=274831950)을 사용합니다. 난이도가 있는 Medium 수준의 LC 질문들을 3번 풀고 나면, 실제 면접에서 문제를 푸는 데 전혀 어려움이 없으며 (때로는 8~10분 내에도 가능합니다). 이것이 큰 차이를 만듭니다. 더 나은 방법은 [여기](https://leetplug.azurewebsites.net/static/pages/howto.html)에 있는 \*\*LeetPlug\*\* 크롬 확장 프로그램을 사용하는 것입니다.
[카테고리별 LeetCode 질문들](https://mlengineer.io/common-leetcode-questions-by-categories-532b301130b?sk=cf77975462cb0c96e6a6daebaa3ab7b9)
### SQL
\* SQL join을 숙지하세요: [self join](https://www.sqlservertutorial.net/sql-server-basics/sql-server-self-join/), inner, left, right 등.
\* SQL 연습에는 [hackerrank](https://www.hackerrank.com/domains/sql)을 사용하세요.
\* SQL Window Function 복습/학습: [window functions](https://www.windowfunctions.com/questions/intro/)
### Programming
\* [Java garbage collection](https://stackify.com/what-is-java-garbage-collection/#:~:text=Java%20garbage%20collection%20is%20the,Machine%2C%20or%20JVM%20for%20short.&text=The%20garbage%20collector%20finds%20these,them%20to%20free%20up%20memory.)
\* [Python pass-by-object-reference](https://robertheaton.com/2014/02/09/pythons-pass-by-object-reference-as-explained-by-philip-k-dick/)
\* [Python GIL, Fluent Python, chapter 17](http://index-of.es/Varios-2/Fluent%20Python%20Clear%20Concise%20and%20Effective%20Programming.pdf)
\* [Python multithread](https://realpython.com/intro-to-python-threading/)
\* [Python concurrency, Fluent Python, chapter 18](http://index-of.es/Varios-2/Fluent%20Python%20Clear%20Concise%20and%20Effective%20Programming.pdf)
### Statistics and probability
\* 평생 소장하게 될 단 하나의 치트시트
[![](images/stat_cheatsheet.png)](http://www.wzchen.com/probability-cheatsheet)
\* 베이지안을 학습하고 [베이지안 문제들](https://blogs.kent.ac.uk/jonw/files/2015/04/Puza2005.pdf)을 풀어보세요.
\* 동일한 표본 공간에서 A와 B를 사건이라 할 때, P(A) = 0.6 이고 P(B) = 0.7 입니다. 이 두 사건은 서로반(disjoint)일 수 있습니까?
\* Alice에게 아이가 2명 있고 그중 적어도 한 명이 딸일 때, 두 아이 모두 딸일 확률은 얼마입니까? (출처: [swierdo](https://www.reddit.com/user/swierdo/))
\* 60명의 학생으로 구성된 그룹이 동일한 크기의 3개 반으로 무작위로 나뉩니다. 모든 분할의 가능성은 동일합니다. Jack과 Jill은 그 그룹에 속한 두 학생입니다. Jack과 Jill이 같은 반에 배정될 확률은 얼마입니까?
\* 앞면이 나올 확률이 0.5가 아닌 편향된 동전이 주어졌습니다. 1과 0으로 이루어진 무작위 리스트를 만들기 위해 어떤 알고리즘을 사용할 수 있습니까?
### Big data (Google, Facebook 면접에는 필요하지 않음)
\* Spark [architecture](http://datastrophic.io/core-concepts-architecture-and-internals-of-apache-spark/) 및 Spark [lessons learned](https://databricks.com/blog/2016/08/31/apache-spark-scale-a-60-tb-production-use-case.html) (Spark 3.0 출시 이후로 다소 오래됨)
\* Spark [OOM](https://stackoverflow.com/questions/21138751/spark-java-lang-outofmemoryerror-java-heap-space)
\* Cassandra [best practice](https://tech.ebayinc.com/engineering/cassandra-data-modeling-best-practices-part-1/) 및 [여기](https://cassandra.apache.org/doc/latest/data\_modeling/intro.html), [링크](https://towardsdatascience.com/when-to-use-cassandra-and-when-to-steer-clear-72b7f2cede76![image](https://user-images.githubusercontent.com/1975237/109818900-5a25fc00-7be8-11eb-8715-ca7d279e84b6.png)
), [cassandra performance](https://www.scnsoft.com/blog/cassandra-performance)
\* 연습 문제 [MapReduce로 친구 찾기](http://stevekrenzel.com/finding-friends-with-mapreduce)
\* [한 페이지](https://mlengineer.io/big-data-knowledge-for-machine-learning-engineer-interview-2020-148d7c335e12?source=friends\_link&sk=604c593c522db5195d3bda33dc4662d7)에 정리된 모든 내용.
### ML fundamental

s
\* [Collinearity](https://statisticsbyjim.com/regression/multicollinearity-in-regression-analysis/) 및 [추가 읽기 자료](https://www.youtube.com/watch?v=Cba9LJ9lS8s)
\* [Features scaling](https://sebastianraschka.com/Articles/2014\_about\_feature\_scaling.html)
\* [Random forest vs GBDT](https://medium.com/@aravanshad/gradient-boosting-versus-random-forest-cfa3fa8f0d80)
\* [SMOTE synthetic minority over-sampling technique](https://arxiv.org/pdf/1106.1813.pdf)
\* [Compare discriminative vs generative model](https://medium.com/@mlengineer/generative-and-discriminative-models-af5637a66a3) 및 [추가 읽기 자료](http://ai.stanford.edu/~ang/papers/nips01-discriminativegenerative.pdf)
\* [Logistic regression](https://www.youtube.com/watch?v=-la3q9d7AKQ). Logistic regression을 처음부터(from scratch) 구현해 보세요. numpy를 사용한 벡터화 버전 구현 및 20분 내 완료 시 가산점이 있습니다 [martinpella의 샘플 코드](sample/logistic\_regression.ipynb). MapReduce 버전으로 이어 나가세요.
\* [Quantile regression](https://www.youtube.com/watch?v=s203ScTy4xQ&t=954s)
\* [L1/L2 intuition](https://www.linkedin.com/pulse/intuitive-visual-explanation-differences-between-l1-l2-xiaoli-chen/)
\* [Decision tree and Random Forest fundamental](https://people.csail.mit.edu/dsontag/courses/ml16/slides/lecture11.pdf)
\* [Explain boosting](https://web.stanford.edu/~hastie/TALKS/boost.pdf)
\* [Least Square as Maximum Likelihood Estimator](https://www.youtube.com/watch?v=\_-Gnu498s3o)
\* [Maximum Likelihood Estimator introduction](https://www.youtube.com/watch?v=WflqTUOvdik&t=15s)
\* [Kmeans](https://stanford.edu/~cpiech/cs221/handouts/kmeans.html). Kmeans를 처음부터(from scratch) 구현해 보세요 [flothesof.github.io의 샘플 코드](sample/kmeans.ipynb). numpy를 사용한 벡터화 버전 구현 및 20분 내 완료 시 가산점이 있습니다. 최악의 경우 시간 복잡도와 [초기화(initialization)](extra.md) 개선 방안으로 이어 나가세요.
\* [PCA](http://alexhwilliams.info/itsneuronalblog/2016/03/27/pca/) 기초
\* [flashcard](https://machinelearningflashcards.com/)를 사용하지는 않았지만, 어느 정도 도움이 될 것이라 확신합니다.
### AB testing
\* [Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing](https://www.researchgate.net/publication/339914315\_Trustworthy\_Online\_Controlled\_Experiments\_A\_Practical\_Guide\_to\_AB\_Testing)
### DL fundamentals
\* [The deep learning book](https://www.deeplearningbook.org/). [Part ii](https://www.deeplearningbook.org/contents/part\_practical.html) 읽기
\* [Machine Learning Yearning](https://d2wvfoqc9gyqzf.cloudfront.net/content/uploads/2018/09/Ng-MLY01-13.pdf). 섹션 5부터 섹션 27까지 읽기
\* [Neural network and backpropagation](http://cs231n.stanford.edu/slides/2020/lecture\_4.pdf)
\* [Activation functions](https://missinglink.ai/guides/neural-network-concepts/7-types-neural-network-activation-functions-right/)
\* [Loss and optimization](http://cs231n.stanford.edu/slides/2020/lecture\_3.pdf)
\* [Convolution Neural network notes](https://cs231n.github.io/convolutional-networks/)
\* [Recurrent Neural Networks](http://cs231n.stanford.edu/slides/2020/lecture\_10.pdf)
### ML system design
#### ML classic paper
\* [Technical debt in ML](https://papers.nips.cc/paper/5656-hidden-technical-debt-in-machine-learning-systems.pdf)
\* [Rules of ML](https://developers.google.com/machine-learning/guides/rules-of-ml)
\* [An Opinionated Guide to ML Research](http://joschu.net/blog/opinionated-guide-ml-research.html). 하단의 Personal development 섹션에 가치 있는 조언이 있습니다.
#### ML productions
\* [Scaling ML at Uber](https://eng.uber.com/scaling-michelangelo/)
\* [DL in production](https://github.com/alirezadir/Production-Level-Deep-Learning)
#### Food delivery
\* [Uber eats trip optimization](https://eng.uber.com/uber-eats-trip-optimization/)
\* [Uber food discovery](https://eng.uber.com/uber-eats-query-understanding/)
\* [Personalized store feed](https://blog.doordash.com/personalized-store-feed-with-vector-embeddings-251ad7a2c09a)
\*

[Doordash dispatch optimization](https://doordash.engineering/2020/02/28/next-generation-optimization-for-dasher-dispatch-at-doordash/)
#### ML design common usecases
\* [ML system design primer](https://interview.mlengineer.io/)
\* [Video recommendation](https://interview.mlengineer.io/)
\* [Feed ranking](https://interview.mlengineer.io/)
#### Fraud detection (TBD)
#### Adtech
\* [Ad click prediction trend](https://storage.googleapis.com/pub-tools-public-publication-data/pdf/41159.pdf)
\* [Ad Clicks CTR](https://research.fb.com/wp-content/uploads/2016/11/practical-lessons-from-predicting-clicks-on-ads-at-facebook.pdf)
\* [Delayed feedbacks](https://blog.twitter.com/engineering/en\_us/topics/insights/2019/improving-engagement-on-digital-ads-with-delayed-feedback.html)
\* [Entity embedding](https://blog.twitter.com/engineering/en\_us/topics/insights/2018/embeddingsattwitter.html)
\* [Star space, embedding all the things](https://arxiv.org/pdf/1709.03856.pdf)
\* [Twitter timeline ranking](https://blog.twitter.com/engineering/en\_us/topics/insights/2017/using-deep-learning-at-scale-in-twitters-timelines.html)
#### Recommendations:
\* [Instagram explore](https://ai.facebook.com/blog/powered-by-ai-instagrams-explore-recommender-system/)
\* [TikTok recommendation](https://newsroom.tiktok.com/en-us/how-tiktok-recommends-videos-for-you)
\* [Deep Neural Networks for YouTube Recommendations](https://storage.googleapis.com/pub-tools-public-publication-data/pdf/45530.pdf)
\* [Wide & Deep Learning for Recommender Systems](https://arxiv.org/pdf/1606.07792.pdf%29/)
## Testimonials
- V, Amazon L5 DS
> 퀴즈들이 ML 이해도를 테스트하는 데 정말 큰 도움이 되었습니다. 또한 공유해주신 자료들이 인터뷰 준비를 위한 개념 복습에 큰 도움이 되었습니다. 이 과정은 엔지니어들이 Machine Learning Engineering 및 Data Science 인터뷰를 통과하는 데 확실히 도움이 될 것입니다.
- K, Facebook MLE
> 정말 훌륭한 걸 만드셨네요, 많은 엔지니어들에게 큰 도움이 될 것입니다.
- D, NVIDIA DS
> 인터뷰 준비를 위해 이 github 저장소를 사용해왔고, NVIDIA 데이터 사이언스 팀으로부터 오퍼를 받았습니다. 도움을 주셔서 다시 한번 감사드립니다!
- A, Booking
> 와우, 정말 유용한 요약들이네요. 너무 좋습니다.
- H, Microsoft
> 정말 대단합니다!
- V, Intel
> 저장소가 매우 응집력 있네요! 다시 한번 감사드립니다.
## Intro
\* 이 저장소는 대기업의 **실제** 인터뷰 질문을 바탕으로 작성되었으며, 학습 자료는 Andrew Ng, Yoshua Bengio 등 공인된 전문가들의 내용을 기반으로 합니다.
\* 저는 Machine Learning 분야에서 6년의 경력(YOE)이 있으며, 십여 곳이 넘는 대기업 인터뷰를 보았습니다. 이 학습 계획은 Facebook, Amazon, Apple, Google, MS, SnapChat, Linkedin 등의 실제 인터뷰 질문을 모두 다루는 **최소한의** 실행 가능한 학습 계획입니다.
\* 유료 ML system design 과정에 대해 더 알고 싶으시다면, [click here](course.md)를 참고하세요. 이 과정은 검증된 솔루션과 함께 6~7가지의 실용적인 유스케이스를 제공합니다. 이 과정을 마치면 체계적인 접근 방식으로 새로운 문제를 해결할 수 있게 될 것입니다.
# Acknowledgements and contributing
1. 초기 피드백과 기여를 해주신 [Vivian](https://github.com/liuvivian11), [aragorn87](https://github.com/aragorn87) 및 그 외 분들께 감사드립니다. 이 저장소에 Issue나 Pull Request를 남겨주실 수 있습니다. 또한 [ProductHunt](https://www.producthunt.com/posts/machine-learning-interview-guideline)에서 업투표로 도와주실 수도 있습니다.
2. 이 내용이 도움이 되었다면 본 프로젝트를 후원(Sponsor)하실 수 있습니다. 후원하지 않으셔도 괜찮습니다.
3. 이 커뮤니티 덕분에 [HopeForPaws](https://www.hopeforpaws.org/)에 약 200달러를 기부할 수 있었습니다. 동참하고 싶으시다면 해당 웹사이트를 통해 기여하실 수도 있습니다.

machine-learning-interview

파일 탐색기

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

machine-learning-interview

파일 탐색기

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README