➖ Единственное, что я бы сделал по-другому [в начале преподавания], так это не распылялся в разных направлениях, преследуя одну идею за другой и забывая о долгосрочных задачах. Это трудно, когда вы становитесь самостоятельным, потому что вы беспокоитесь о научных публикациях, чтобы получить постоянную должность. Но вы должны потратить хотя бы часть своего времени, сосредоточившись на долгосрочной перспективе.

➖ Я думаю, каждый человек должен найти свой путь. Чтобы стать хорошим в чем-то и совершить прорыв, нужно стать экспертом. Так что если вы собираетесь подавать заявки [получение гранта или научная публикация], и особенно если вы молодой преподаватель, то вам следует сосредоточиться на чем-то одном и стать сильнейшим в этом предмете.

➖ Позвольте мне добавить кое-что о грантах. Когда я начинал, то я не осознавал, что если вы пишете работу в организацию вроде NSERC, их мало волнует, что вы действительно сделаете то, что обещали. Они просто хотят, чтобы вы сделали хорошую работу, о которой вы сможете отчитаться спустя годы.

➖ В исследованиях трудно предсказать, что будет в тренде, с какими проблемами вы столкнетесь. Важно быть адаптивным.

➖ Одна вещь, которая пошла мне на пользу, — это признание лидерских качеств у студентов. Мы не должны недооценивать способность молодых людей лучше справляться с работой, чем их старшие коллеги.

➖ Прислушивайтесь к своей интуиции. Многим людям не хватает уверенности в себе, необходимой для этого, и они упускают возможности. Наша главная задача как исследователей — иметь полезные идеи, которые продвигают знания. Эти идеи всегда приходят откуда-то из глубины нашего мозга, и мы должны развивать свою способность уделять этому процессу генерации идей достаточно времени. Просто подумайте о важных вопросах, которые вас беспокоят.

По моему скромному мнению, хороший ML-инженер выполняет работу «полного стека», владея процессом от начала и до конца: от разработки модели до интеграции в производство.

MLE: Spark или Hadoop (или опыт ETL), Python.
DS: Python, Pandas (или какой-либо опыт работы с DataFrame).

MLE подразумевает больше программирования, поэтому обязательно ООП — знаете ли вы, что такое класс? Можете ли вы писать хорошие абстракции? Можете ли вы проектировать базовые схемы БД? Как вы занимаетесь отладкой? Может ли DS легко понять ваш код? Знаете ли вы базовые модели?

DS же подразумевает больше математических знаний, в особенности статистики — основы (GLM, деревья, параметрические и непараметрические), сильные и слабые стороны различных моделей, снижение размерности, способность «критически мыслить» о данных. Как бы вы их «очистили»? Какая метрика подходит для данной проблемы?

Расскажите о ML-проекте, над которым вы работали? Одного проекта достаточно, потому что меня больше интересует его глубина, чем то, что вы делали 12 различных проектов Kaggle, где каждый занимает работы всего на пару дней.

Обычно я задаю вопрос примерно в таком духе: что если предположение X не выполняется в вашем проекте, как бы вы изменили алгоритм или конвейер?
Всегда можно оставить "дыру" и сделать следующий шаг в проекте, но можем ли мы вместе провести мозговой штурм, чтобы найти новое предположение Y?

Как вы проводите эксперименты? Как вы делитесь результатами/получаете обратную связь?
Ред флаги: вы меняете несколько переменных одновременно, вы не думаете тщательно о метриках, вы не отслеживаете артефакты своего эксперимента и т.д.

У вас есть реальные мнения о технологиях или инструментах? Как вы их используете? Например: классификаторы глубокого обучения плохо справляются с несбалансированными данными, но у вас было много данных, поэтому вы подгоняете усиленный классификатор дерева под признаки, определенные моделью глубокого обучения.

Какая последняя статья или технический блог, которые вы прочитали, показались вам интересными? Расскажите, что вас действительно в них заинтересовало?

Вам нравится сотрудничать с другими людьми, или вы предпочитаете быть самим по себе?