#behavioral
Списочек вопросов от Виктора Рогуленко:
Behavioral Questions | SWM Prep
(0.) General
Tell me about yourself
Why a software manager? Wny not a product manager?
Talk about some of the projects you've worked on
What was the largest project you've executed?
When was the last time you did something innovative?
How do you describe the technical aspects of a project to individuals who don't have technical backgrounds?
(1.) Company
Why Google? - ambitions projects in ambiguous environments - action-oriented culture - collaborative & diverse teams
Why Meta?
Why Amazon?
Why …
(2.) Working with people
Experience-based
Tell me about a time when you've handled a conflict with a subordinate, a teammate, or a superior.
Tell me about a difficult employee situation that you handled not so well
Give an example of how you helped another employee
How do you manage difficult conversations?
Hypothetical
How would you address a skills gap?
How would you address a personality conflict?
How would you ensure your team is diverse and inclusive?
How could you spot burn out?
How would you organize day to day work activities?
How would you convince a team to adopt a new technology?
How do you plan to integrate team building into the workplace?
(3.) People Management / Leadership
Experience-based
How do you lead in a non-hierarchical team environment (even if you are not a formal leader)?
What is your personal leadership style?
How do you set goals for your engineering team?
Show examples of how you’ve resolved complex situations. How did you ensure you dealt with team challenges in a balanced way?
How would you build a high-performance engineering team?
How do you hire top engineers?
How do you structure 1:1s?
How do you deal with low performers?
How do you deal with high performers?
How do you coach and develop your team?
Talk about your best and worst performing teams
Have you ever coached an engineer into a management role?
How do you build credibility with new reports on a team you haven't built yourself?
Hypothetical
How would you support and grow your teams?
How would you influence, solve problems and drive improvements?
How would you take ownership and stay creative while moving quickly?
What would you do with someone that had stayed at the same level for too long?
(4.) Project Management
Experience-based
Tell me in detail about the architecture of a project you've been involved with
Tell me about a time you scaled a system
As a manager, how do you handle trade-offs?
Describe how you deal with change management
Describe in detail a project that failed
Describe a project in the past that was behind schedule and provide concrete steps that you took to remedy the situation
How do you break down large, complex projects for your team?
Tell me about a time you needed to deliver a project on a deadline but there were multiple roadblocks and constraints to deliver. How did you manage that situation?
Tell me about a project, product or system you worked upon. What were the design and technical problems you faced? How did you solve them?
Hypothetical
What’s your personal Project Management philosophy? How do you apply your framework to projects you manage? Be prepared to explain and justify your methodology.
Be able to discuss and compare different project management methodologies and their relative merits (e.g. tradeoffs between flexibility and process in an agile environment). Why did you use a particular approach?
How do you deal with ambiguous situations and problems?
Tell me how you would balance engineering limitations with customer requirements
How do you handle projects without defined end dates?
How would you prioritize multiple projects of varying complexity?
How do you balance process versus execution? What are signals that too much or too little process is in place?
How do you evaluate the success or failure of a project?
What are some strategies for handling competing visions on how to execute a project?
Списочек вопросов от Виктора Рогуленко:
Behavioral Questions | SWM Prep
(0.) General
Tell me about yourself
Why a software manager? Wny not a product manager?
Talk about some of the projects you've worked on
What was the largest project you've executed?
When was the last time you did something innovative?
How do you describe the technical aspects of a project to individuals who don't have technical backgrounds?
(1.) Company
Why Google? - ambitions projects in ambiguous environments - action-oriented culture - collaborative & diverse teams
Why Meta?
Why Amazon?
Why …
(2.) Working with people
Experience-based
Tell me about a time when you've handled a conflict with a subordinate, a teammate, or a superior.
Tell me about a difficult employee situation that you handled not so well
Give an example of how you helped another employee
How do you manage difficult conversations?
Hypothetical
How would you address a skills gap?
How would you address a personality conflict?
How would you ensure your team is diverse and inclusive?
How could you spot burn out?
How would you organize day to day work activities?
How would you convince a team to adopt a new technology?
How do you plan to integrate team building into the workplace?
(3.) People Management / Leadership
Experience-based
How do you lead in a non-hierarchical team environment (even if you are not a formal leader)?
What is your personal leadership style?
How do you set goals for your engineering team?
Show examples of how you’ve resolved complex situations. How did you ensure you dealt with team challenges in a balanced way?
How would you build a high-performance engineering team?
How do you hire top engineers?
How do you structure 1:1s?
How do you deal with low performers?
How do you deal with high performers?
How do you coach and develop your team?
Talk about your best and worst performing teams
Have you ever coached an engineer into a management role?
How do you build credibility with new reports on a team you haven't built yourself?
Hypothetical
How would you support and grow your teams?
How would you influence, solve problems and drive improvements?
How would you take ownership and stay creative while moving quickly?
What would you do with someone that had stayed at the same level for too long?
(4.) Project Management
Experience-based
Tell me in detail about the architecture of a project you've been involved with
Tell me about a time you scaled a system
As a manager, how do you handle trade-offs?
Describe how you deal with change management
Describe in detail a project that failed
Describe a project in the past that was behind schedule and provide concrete steps that you took to remedy the situation
How do you break down large, complex projects for your team?
Tell me about a time you needed to deliver a project on a deadline but there were multiple roadblocks and constraints to deliver. How did you manage that situation?
Tell me about a project, product or system you worked upon. What were the design and technical problems you faced? How did you solve them?
Hypothetical
What’s your personal Project Management philosophy? How do you apply your framework to projects you manage? Be prepared to explain and justify your methodology.
Be able to discuss and compare different project management methodologies and their relative merits (e.g. tradeoffs between flexibility and process in an agile environment). Why did you use a particular approach?
How do you deal with ambiguous situations and problems?
Tell me how you would balance engineering limitations with customer requirements
How do you handle projects without defined end dates?
How would you prioritize multiple projects of varying complexity?
How do you balance process versus execution? What are signals that too much or too little process is in place?
How do you evaluate the success or failure of a project?
What are some strategies for handling competing visions on how to execute a project?
Be prepared to discuss how to use data effectively to move critical decisions forward and how to measure impact.
Forwarded from Базы данных & SQL
SQL Cheat Sheet
Learn SQL: Basic to Advanced Concepts
1. Installation
2. Tables
3. SQL DataTypes
4. SQL Commands
5. SQL Constraints
6. Crud Operations in SQL
7. Important SQL Keywords
8. Clauses in SQL
9. SQL Operators
10. Keys in SQL
11. Functions in SQL
12. Joins in SQL
13. Triggers in SQL
14. SQL Stored Procedures
15. SQL Injection
Перейти
Learn SQL: Basic to Advanced Concepts
1. Installation
2. Tables
3. SQL DataTypes
4. SQL Commands
5. SQL Constraints
6. Crud Operations in SQL
7. Important SQL Keywords
8. Clauses in SQL
9. SQL Operators
10. Keys in SQL
11. Functions in SQL
12. Joins in SQL
13. Triggers in SQL
14. SQL Stored Procedures
15. SQL Injection
Перейти
Я тут недавно наткнулся на приятный проект, где строишь свои игрушечные аналоги гита, докера, редиса (вроде в платной версии больше проектов). Всё аккуратно расписано по шагам, выполняешь небольшое задание, коммитишь, проходят тесты, говорят результат. На выбор несколько языков (плюсов нет) :( Пока только чуть-чуть поигрался, но хочется посмотреть побольше. Вдруг кому тоже понравится.
https://app.codecrafters.io/courses
https://app.codecrafters.io/courses
CodeCrafters
The Software Pro's Best Kept Secret.
Real-world proficiency projects designed for experienced engineers. Develop software craftsmanship by recreating popular devtools from scratch.
Forwarded from Towards NLP🇺🇦
CMU Multilingual NLP Course
For everyone who is interested in processing of multilingual text and speech data, now there is available the course from Carnegie Mellon University of 2022 year. Enjoy!
https://youtube.com/playlist?list=PL8PYTP1V4I8BhCpzfdKKdd1OnTfLcyZr7
For everyone who is interested in processing of multilingual text and speech data, now there is available the course from Carnegie Mellon University of 2022 year. Enjoy!
https://youtube.com/playlist?list=PL8PYTP1V4I8BhCpzfdKKdd1OnTfLcyZr7
Forwarded from Teamlead Good Reads – ежедневные советы про менеджмент людей и команд (Egor Tolstoy)
STAR-метод – очень популярный подход к рассказыванию примеров из своего опыта. Он очень полезен, например, на интервью, когда вас просят рассказать про проект, которым вы больше всего гордитесь. Суть подхода в том, что вы раскладываете весь рассказ на четыре части.
1️⃣S – Situation
Контекст истории. Почему решаемая задача была важной, почему за ее решение взялись именно вы, какие дополнительные внешние факторы играли роль.
2️⃣T – Task
В чем именно состояла ваша задача. Максимально конкретное описание.
3️⃣A – Actions
Что конкретно вы сделали для того, чтобы задача решилась. Здесь важно отделять свой вклад от остальной команды, и показать связь предпринятых действий с задачей.
4️⃣R – Results
Какие результаты получились после выполнения задачи. Как вы поняли, что все стало хорошо.
Дополнительно рассказ можно усилить, ответив еще на пару вопросов:
*️⃣Что можно было сделать лучше?
*️⃣Как можно было бы достигнуть таких же результатов с вдвое меньшим бюджетом?
🔗Дополнительные ссылки
Пример ответа по STAR от Uber SRE
Пример ответа по STAR от Stripe Engineer
Твиттер-тред по теме
1️⃣S – Situation
Контекст истории. Почему решаемая задача была важной, почему за ее решение взялись именно вы, какие дополнительные внешние факторы играли роль.
2️⃣T – Task
В чем именно состояла ваша задача. Максимально конкретное описание.
3️⃣A – Actions
Что конкретно вы сделали для того, чтобы задача решилась. Здесь важно отделять свой вклад от остальной команды, и показать связь предпринятых действий с задачей.
4️⃣R – Results
Какие результаты получились после выполнения задачи. Как вы поняли, что все стало хорошо.
Дополнительно рассказ можно усилить, ответив еще на пару вопросов:
*️⃣Что можно было сделать лучше?
*️⃣Как можно было бы достигнуть таких же результатов с вдвое меньшим бюджетом?
🔗Дополнительные ссылки
Пример ответа по STAR от Uber SRE
Пример ответа по STAR от Stripe Engineer
Твиттер-тред по теме
Google Docs
STAR: Uber SRE
This is using the Template: STAR Scenario. “Tell me about when you had to change your org structure to solve an important problem.” / Uber SRE Name & Role Will Larson, Sr Eng Mgr at Uber LinkedIn / Resume https://www.linkedin.com/in/will-larson-a44b543/…
Forwarded from Блог о Data Science 💻
Вот и небольшая притча о том как делать пет проекты. А сейчас я бы хотел рассказать, что вообще стоит исследовать и с чего начинать.
Безусловно первое что мы делаем - ищем проблему которую нужно решить, почему проблему? Потому что спрос рождает предложение, а предложение не рождает спрос. Если вы сделаете что-то полезное, то можно будет даже продать это или сделать свой маленький стартап и вообще последующее развитие всегда лучше прокрастинации.
Допустим проблему мы определили - нам нужно собрать или взять данные, я вам рекомендую делать непрерывные парсинг данный, это будет несколько сложнее, придется заморочиться с системой мониторинга, но это круче чем ничего не делать и CI/CD опять же подключить можно. Второй вариант это просто скачать откуда то, тоже можно, почему нет, а можно скачать откуда то, а еще и парсить.
Наш следующий шаг правильно создать окружение тут нужны следующие инструменты на мой взгял: docker, git, github/gitlab, poetry + pyenv. И прописать установку окружения и в нем уже создавать свои контейнеры, которые можно запускать. Тот же парсер.
Теперь - рисерч. Допустим мы быстренько написали парсер уже у нас достаточные данные. Нам нужно почистить данные, проверсти тесты и убедиться что мы можем что-то прогназироватью. Сделайте презентацию какую то или дашборд по данным, что бы потом внедрить в мониторинг систему, я думаю это круто и в дальнейшем вам будет что показать.
И так после ричерча мы поняли, что данные очень волатильны и вообще непонятно что происходит с дисперсией, мы хотим использовать деревья для этого они нам дают прекрасный результат, они непараметрические и шумов у нас не так много в данных. Теперь мы будем строить пайплайн.
Что для этого нужно, помимо либ, которые вы используете в обучение: Соотвественно все перевести в скрипты, где каждый файл отдельный миниалгоритм pytest, pydantic для верификации данных и скриптов. Хотим мониторить обучение моделей и данных - WandB. Хотим что бы после изменения данных, пайплайн сам запускался - DVC.
Отлично, давайте посмотрим, что у нас есть:
docker и gitlab проект, так же у нас парсер, который сейчас все сохраняет в csv, какой то скрипт, который создает датасет. У нас есть скрипт по созданию дополнительных данных и чистке. У нас есть скрипт по обучению модели. Получение различных метрик и репортов. И какой то аля сохранение дашбордов в png.
Это, конечно, замечательно. Но как то хочется что бы оно само работало, да и вообще мы устали все вручную запускать через main.py так еще и забываем иногда парсер запускать.
Для этого нам нужно изучить CI/CD, GitLab CI, CLI и разобраться как пользоваться серверами. Допустим на Yandex Cloud.
Тут уже многое зависит от вас, как вы хотите все это сделать. Но что я могу посоветовать: MLOps у ODS и курс Yandex Practicum по Облокам
И так у в итоге кое как получилось создать сервер, теперь у нас парсинг запускается каждые 2 часа, после этого обучаются модели и мы получаем какие то output по метрикам и какие то png дашборды. Как то неправильно, мы хотим что бы вообще все работало автономно.
Теперь начинается наверное самое сложное - backend/ frontend.
И так во первых - нужно создать отдельно папку frontend/backend/database все они будут запускать 3 различных контейнера (в идеале):
Нам нужно знать REST API, gunicorn - что бы связать фронт и бек. А еще как то обращаться к БД. Я бы использовал FastApi для backend и react для фронта.
Теперь у нас есть фронтенд, который должен отсылать запрос к бекенду, бекенд отсылал бы ответ и реакт бы рендерил то что хочет пользователь, например наши дашборды. Они уже не PNG, а какая то динамично изменяющаяся картиночка.
А самое главное, даже если у нас ляжет сервер, так как мы использовали gitlab ci и gitops, мы сможем развернуть наш сервер без проблем на другом.
Возможно я упустил какие то точности и не претендую на лучшего эксперта фронтенда и бекенда.
Безусловно первое что мы делаем - ищем проблему которую нужно решить, почему проблему? Потому что спрос рождает предложение, а предложение не рождает спрос. Если вы сделаете что-то полезное, то можно будет даже продать это или сделать свой маленький стартап и вообще последующее развитие всегда лучше прокрастинации.
Допустим проблему мы определили - нам нужно собрать или взять данные, я вам рекомендую делать непрерывные парсинг данный, это будет несколько сложнее, придется заморочиться с системой мониторинга, но это круче чем ничего не делать и CI/CD опять же подключить можно. Второй вариант это просто скачать откуда то, тоже можно, почему нет, а можно скачать откуда то, а еще и парсить.
Наш следующий шаг правильно создать окружение тут нужны следующие инструменты на мой взгял: docker, git, github/gitlab, poetry + pyenv. И прописать установку окружения и в нем уже создавать свои контейнеры, которые можно запускать. Тот же парсер.
Теперь - рисерч. Допустим мы быстренько написали парсер уже у нас достаточные данные. Нам нужно почистить данные, проверсти тесты и убедиться что мы можем что-то прогназироватью. Сделайте презентацию какую то или дашборд по данным, что бы потом внедрить в мониторинг систему, я думаю это круто и в дальнейшем вам будет что показать.
И так после ричерча мы поняли, что данные очень волатильны и вообще непонятно что происходит с дисперсией, мы хотим использовать деревья для этого они нам дают прекрасный результат, они непараметрические и шумов у нас не так много в данных. Теперь мы будем строить пайплайн.
Что для этого нужно, помимо либ, которые вы используете в обучение: Соотвественно все перевести в скрипты, где каждый файл отдельный миниалгоритм pytest, pydantic для верификации данных и скриптов. Хотим мониторить обучение моделей и данных - WandB. Хотим что бы после изменения данных, пайплайн сам запускался - DVC.
Отлично, давайте посмотрим, что у нас есть:
docker и gitlab проект, так же у нас парсер, который сейчас все сохраняет в csv, какой то скрипт, который создает датасет. У нас есть скрипт по созданию дополнительных данных и чистке. У нас есть скрипт по обучению модели. Получение различных метрик и репортов. И какой то аля сохранение дашбордов в png.
Это, конечно, замечательно. Но как то хочется что бы оно само работало, да и вообще мы устали все вручную запускать через main.py так еще и забываем иногда парсер запускать.
Для этого нам нужно изучить CI/CD, GitLab CI, CLI и разобраться как пользоваться серверами. Допустим на Yandex Cloud.
Тут уже многое зависит от вас, как вы хотите все это сделать. Но что я могу посоветовать: MLOps у ODS и курс Yandex Practicum по Облокам
И так у в итоге кое как получилось создать сервер, теперь у нас парсинг запускается каждые 2 часа, после этого обучаются модели и мы получаем какие то output по метрикам и какие то png дашборды. Как то неправильно, мы хотим что бы вообще все работало автономно.
Теперь начинается наверное самое сложное - backend/ frontend.
И так во первых - нужно создать отдельно папку frontend/backend/database все они будут запускать 3 различных контейнера (в идеале):
Нам нужно знать REST API, gunicorn - что бы связать фронт и бек. А еще как то обращаться к БД. Я бы использовал FastApi для backend и react для фронта.
Теперь у нас есть фронтенд, который должен отсылать запрос к бекенду, бекенд отсылал бы ответ и реакт бы рендерил то что хочет пользователь, например наши дашборды. Они уже не PNG, а какая то динамично изменяющаяся картиночка.
А самое главное, даже если у нас ляжет сервер, так как мы использовали gitlab ci и gitops, мы сможем развернуть наш сервер без проблем на другом.
Возможно я упустил какие то точности и не претендую на лучшего эксперта фронтенда и бекенда.
#ml #interview
Многие начинающие задаются вопросами про интервью и кажется есть одна книга, которая может ответить на 99% вопросов. я только сейчас на нее наткнулась, не знаю рекламировали ее тут или нет. Рассматриваются кажется почти все аспекты: большая компания или стартап, какие роли в мире МЛ и что они означают. Всякие tips & tricks. Ресеч или продакшн. Софт скилы. В целом про то как обычно проходят интервью и… И самое главное примеры вопросов по теории, но очень практико ориентированные. Читается наверное за вечер. А потом наверное можно использовать как справочник)
https://huyenchip.com/ml-interviews-book/
Многие начинающие задаются вопросами про интервью и кажется есть одна книга, которая может ответить на 99% вопросов. я только сейчас на нее наткнулась, не знаю рекламировали ее тут или нет. Рассматриваются кажется почти все аспекты: большая компания или стартап, какие роли в мире МЛ и что они означают. Всякие tips & tricks. Ресеч или продакшн. Софт скилы. В целом про то как обычно проходят интервью и… И самое главное примеры вопросов по теории, но очень практико ориентированные. Читается наверное за вечер. А потом наверное можно использовать как справочник)
https://huyenchip.com/ml-interviews-book/
#cv #resume #interview
Хороший гайд по составлению резюме для FAANG. Он универсален, несмотря на то, что писался для стажировок.
https://www.notion.so/Check-list-0675cf104ed2431f9cfd451b1d742e4d
Хороший гайд по составлению резюме для FAANG. Он универсален, несмотря на то, что писался для стажировок.
https://www.notion.so/Check-list-0675cf104ed2431f9cfd451b1d742e4d
omti on Notion
Check-list для твоего резюме | Notion
Ищешь себе стажировку, но никак не можешь ее получить?
#ml #linear
Дядька мефистофиес рассказывает про линейную регрессию
https://habr.com/ru/company/ods/blog/322076/
Дядька мефистофиес рассказывает про линейную регрессию
https://habr.com/ru/company/ods/blog/322076/
Хабр
Базовые принципы машинного обучения на примере линейной регрессии
Здравствуйте, коллеги! Это блог открытой русскоговорящей дата саентологической ложи . Нас уже легион, точнее 2500+ человек в слаке. За полтора года мы нагенерили 800к+ сообщений (ради этого слак...
Forwarded from Start Career in DS
Подборка ресурсов по математике для Data Science:
Уровни:
⭐️ - закончил универ сто лет назад, ничего не помню
⭐️⭐️ - знаю и помню базу (матан, линал, тервер, матстат)
⭐️⭐️⭐️ - хорошо разбираюсь в высшей математике, хочу поднатаскать специфические для DS темы
⭐️Наглядный разбор теории в серии «X для чайников»: что такое вектор, как считать производную, матричные уравнения и т.д.
⭐️Материалы с лекций и семинаров ВМК МГУ от «Ёжика в матане»: VK, YouTube. Тут можете спокойно начинать с лекций и семинаров Никитина по математическому анализу, их читают в самом начале
⭐️⭐️ Хорошие задачки с подробным разбором решений на Матбюро: линейная алгебра, теория вероятностей, математическая статистика.
⭐️⭐️Курс Райгородского «Основы теории вероятностей». Тут наглядно и на пальцах объясняются базовые аспекты
⭐️⭐️ [Eng] Курс «Matrix Methods in Data Analysis, Signal Processing, and Machine Learning», в нём есть вся ключевая математика для DS
⭐️⭐️⭐️[Eng] Сборник задач и теории по базовой математике (линейная алгебра, оптимизация, графы) и машинному обучению:
Pen and Paper Exercises in Machine Learning
⭐️⭐️⭐️[Eng] Книга «Математика для Data Science»: https://mml-book.github.io/
Уровни:
⭐️ - закончил универ сто лет назад, ничего не помню
⭐️⭐️ - знаю и помню базу (матан, линал, тервер, матстат)
⭐️⭐️⭐️ - хорошо разбираюсь в высшей математике, хочу поднатаскать специфические для DS темы
⭐️Наглядный разбор теории в серии «X для чайников»: что такое вектор, как считать производную, матричные уравнения и т.д.
⭐️Материалы с лекций и семинаров ВМК МГУ от «Ёжика в матане»: VK, YouTube. Тут можете спокойно начинать с лекций и семинаров Никитина по математическому анализу, их читают в самом начале
⭐️⭐️ Хорошие задачки с подробным разбором решений на Матбюро: линейная алгебра, теория вероятностей, математическая статистика.
⭐️⭐️Курс Райгородского «Основы теории вероятностей». Тут наглядно и на пальцах объясняются базовые аспекты
⭐️⭐️ [Eng] Курс «Matrix Methods in Data Analysis, Signal Processing, and Machine Learning», в нём есть вся ключевая математика для DS
⭐️⭐️⭐️[Eng] Сборник задач и теории по базовой математике (линейная алгебра, оптимизация, графы) и машинному обучению:
Pen and Paper Exercises in Machine Learning
⭐️⭐️⭐️[Eng] Книга «Математика для Data Science»: https://mml-book.github.io/
#ml #competitions
Интересное соревнование от Agoda:
https://codegoda.io/
Старт 5-го августа в конце дня!
Интересное соревнование от Agoda:
https://codegoda.io/
Старт 5-го августа в конце дня!
Codegoda
Codegoda 2023 | Global Coding Competition by Agoda
Codegoda 2023 is Agoda's largest online coding competition. Compete with coders around the world to win $10,000 in prizes.