機械学習の研究とエンジニアリング-フラッシュカード

これらは、私が長年のML研究、クラス、および独立した研究からすべてをレビューするために作成した200以上のフラッシュカードです。それらを作成することで、機械学習エンジニアのインタビューの準備ができ、2022年にいくつかの企業（Google、Tesla、Samsung、Motional、UiPath、TikTokなど）からオファーを受け取ることができました。うまくいけば、他の人もそれらから利益を得ることができます！

このリポジトリのPDFは、主に便宜上のものです。最新のアニメーション化されたQ＆Aバージョンについては、これらのプレゼンテーションスライドリンクを確認してください。スピーカーノートには追加のリンクがあります。

• 1コンピュータサイエンススライド
• 2機械学習の一般的なスライド
• コンピュータビジョンとディープラーニングスライドの3つの基礎
• コンピュータビジョンとディープラーニングスライドの4つの選択されたトピック

質問は、 ChipHuyenのMLInterviewsBookの質問に大まかに基づいています。ただし、一部のスライドは過度に技術的または学術的であり、エンジニアには関係がない場合があります。（私の意見では）最も重要なスライドは、左下隅に星印が付いています。

免責事項：これらのスライドには、どの企業からの特定の面接の質問も含まれていません。自分の学問として、どこにでも面接する前に実際に完成させました。フラッシュカードはさまざまな基本的なトピックをカバーしており、CSとMLの分野における幅広い知識の優れた基盤として役立つ可能性があります。

対象範囲と対象者

これには、コンピューターサイエンス、古典的な機械学習、コンピュータービジョンに重点を置いた現代の深層学習が含まれます。それは一般的にこれらのトピックの良い基盤を前提としており、多くの技術用語が使用されています。私はあなたの現在の経験に応じてアプローチが異なるかもしれないと思います：

• MLにはすでに優れた基盤があります。おそらく、それらをそのまま使用して、不足している知識のギャップを確認して埋めることができます。

• MLの初心者の場合、これはそこにあるものの概要を提供する可能性があります。また、教育と学習に焦点を当てた他の資料も参照することをお勧めします（以下の「追加リンク」を参照）。

貢献

私の理解のギャップのため、そして分野は絶えず変化しているので、これは決定的なリソースになることを意図していません。これらのスライドにエラーがあるか、私が見逃していることがあるかもしれません。もしそうなら、githubで問題として投稿してください。

問題のスライドにマークを付けて、他の人が簡単に見つけられるようにしてください。たとえば、機械学習の一般的なスライド14について話し合いたい場合は、タイトルに[2.14]を追加してください。

追加のリンクとリソース

• MLE面接プロセスについて全体的に学ぶために私が見つけた最も有用なリソース
  • https://huyenchip.com/ml-interviews-book/
• スタンフォード大学とカリフォルニア大学バークレー校のMLに役立つコース資料
  • http://cs231n.stanford.edu/
  • https://fullstackdeeplearning.com/spring2021/
• プログラミング部分のリソース
  • https://www.crackingthecodinginterview.com/
  • https://leetcode.com/