¿Cómo juzga el entrevistador el nivel de aprendizaje automático del entrevistador?
1. Evitar prejuicios y discriminación entre disciplinas. Como tema transfronterizo con una profunda integración de varias disciplinas, el aprendizaje automático tiene entrevistados de diversos orígenes. Le sugiero que no asuma una posición preconcebida, ya sea en matemáticas, estadística, física, informática u otras disciplinas, los entrevistados tienen reservas de conocimientos únicas. Por ejemplo, el aprendizaje automático en realidad se superpone mucho con el aprendizaje estadístico e incluso está estrechamente relacionado con la optimización (como la investigación de operaciones) y las matemáticas (generación de líneas, etc.). Personas de diferentes campos pueden describir la misma cosa de manera similar pero no idéntica, e incluso llamarla de manera diferente. Para dar un ejemplo simple, la estadística llama predictores de variables, mientras que el aprendizaje automático tiende a llamarlos características. He oído hablar de muchos entrevistadores que rechazan candidatos porque no sabían utilizar la terminología que entendían, lo cual creo que es estúpido. Tomando a nuestro equipo como ejemplo, mi jefe es doctor y profesor de estadística (parcialmente en econometría), mientras que yo tengo experiencia pura en informática. A él le gusta usar R para modelar, mientras que a mí solo se me dan bien Python y C. Pero es esta diferencia la que nos permite cooperar mejor. A él le gusta utilizar varias estimaciones de densidad o ajustar directamente distribuciones en el aprendizaje no supervisado, y puedo presentarle muchas direcciones de aprendizaje automático, como los bosques de aislamiento. De la misma manera, Python y R tienen sus propias áreas de especialización. Por ejemplo, el análisis de tiempos en Python es mucho más difícil que en R porque R tiene un paquete muy maduro. Por lo tanto, no debemos descartar fácilmente a un entrevistador sólo porque el campo es diferente, el nombre es diferente, el lenguaje de programación es diferente o las ideas de explicación del modelo son diferentes. Con el tiempo, nuestro pensamiento se volverá cada vez más limitado, y un cierto grado de tolerancia puede expandirlo.
2. Delinear el conocimiento del entrevistador a través de pruebas amplias. Los proyectos de aprendizaje automático generalmente implican una serie de procesos como el procesamiento de datos, el modelado, la evaluación, la visualización y la implementación en línea. Familiarizado con cada aspecto. Tener la comprensión más básica de cada paso. Debido a su amplio alcance, primero queremos comprender el alcance del conocimiento de un entrevistado en un corto período de tiempo. Hay muchas preguntas básicas pero clásicas que pueden utilizarse para comprender la calidad del entrevistador.