Огромный насыщенный плейлист по анализу данных от ФКН ВШЭ. Много полезного для себя узнаю.
https://www.youtube.com/watch?v=77fwOymbP2Y&list=PLEwK9wdS5g0pja3STykphSiuXzNEx5Gkw

#interview #systemdesign
Видео по system design

https://m.youtube.com/channel/UC9vLsnF6QPYuH51njmIooCQ

#ml #algo
Книжка для изучения подходов в алгоритмических задачах

https://cpbook.net

#interview #story #tricks
Чувак рассказывает о том, как прошёл собес

https://habr.com/ru/post/684698/

Немного советов с поста.
На этап фонскрина подготовьте рассказ о себе на 2-3 минуты. Ничего лишнего, просто обозначьте свой опыт этим рассказом. Четко обсудите на какую позицию претендуете, чтобы не было сюрпризов в дальнейшем. Рекрутер вам вышлет материалы по подготовке, используйте их: они соответствуют критериям оценки интервью.

Чеклист для алгоритмического интервью:
• Задать уточняющие вопросы по задаче и входным данным: соотношение входных данных, дубликаты, отсортированность и т.д.
• Обратить внимание на ключевые слова типа “maximize”, “minimize”, “count”. Эти слова помогут распознать задачу на динамическое программирование.
• Думать вслух. Обсудить и предложить несколько решений задачи.
• В оценке сложности учесть все входные данные и их соотношение.
• Уточнить у интервьюера, нормально ли использовать рекурсию. Объяснить trade offs: память, stack overflow и т.д.
• Выделять функции, не усложнять вложенность. Писать максимально понятный и аккуратный код, насколько позволяет опыт.
• Обязательно отдебажить в конце на примерах. Продумать граничные случаи. Довести задачу до корректного решения, найти и исправить баги самостоятельно.

Чеклист для system design:
• Уточнить функциональные требования, фичи.
• Уточнить нефункциональные требования: Scalability, Availability, Performance, Consistency, Durability, Cost etc.
• Если задача того требует, то уделить внимание расчетам. Не в каждой задаче это нужно, надо смотреть на условие.
• Дизайн API, дизайн БД. Тоже оцените условие, иногда у вас уже может быть API, а хранение в БД может быть не так интересно в рамках 45 минутной сессии.
• Нарисовать высокоуровневый дизайн.
• Распознать основные компоненты, распознать bottlenecks, распознать потенциальные trade offs и детально обсудить эти моменты.
• Убедиться, что ни одно из требований не упущено.
• Драйвить разговор, быть ведущим в процессе собеседования. Именно это и показывает опыт.

Общая рекомендация на этап Behavioral: подготовить ответы на популярные вопросы по методу STAR, именно в таком формате оценивают большинство компаний. 
В процессе подготовки узнал об англоязычном понятии “oversharing”, когда рассказываешь больше, чем от тебя ожидают. Не совершайте такой ошибки, будьте честны, но не выходите за границы вопроса. Не рассказывайте личные вещи, не обобщайте, не давайте оценку если не просят, излагайте факты как есть

Как правильно заметили - если хотите выше должность, то обращайте особое внимание на scope & complexity ваших примеров поведенческого этапа. Это ключевой дифференциатор зачастую, почему кандидаты получают downgrade по результатам собеса.

База по А/Б. Лайт версия

В честь Дня Знаний (и для тех, кто сегодня пошёл в первый класс😀) подборка с базовыми статьями по А/Б тестам:

📌 How Not To Run an A/B Test (2010) - хорошая старая статья про проблему подглядывания.

📌 Five ways to reduce variance in A/B testing (2021) - в блоге Marton Trencseni короткие интересные заметки. В основном они не про А/Б, например, прикидка на коленке с питоном правдива ли фраза "Over 70% of all Porsche vehicles ever built are still on the road today" (спойлер: да, похоже на правду).

📌 Множественные эксперименты: теория и практика (2019) - короткая и простая статья от Яндекса о том, как работают поправки с примерами кода.

#ml
Шпаргалка по дашбордам

#ml #mlops
Жизненный цикл моделей

https://m.youtube.com/watch?v=uQ--wxaxzSk&t=2412s

#ml #career #courses
ML-engineer roadmap

https://github.com/chris-chris/ml-engineer-roadmap
https://whimsical.com/machine-learning-roadmap-2020-CA7f3ykvXpnJ9Az32vYXva

#dl #courses
Full-stack deep learning

https://fullstackdeeplearning.com/spring2021/

#ml #dl #courses
Интересные курсы с NYU

https://davidrosenberg.github.io/ml2019/#lectures

https://atcold.github.io/NYU-DLSP21/

https://drive.google.com/drive/mobile/folders/170njS-ArA7DXEqGWHe2vF2yi9pguHtkv

#career #courses
Team lead roadmap

https://tlroadmap.io

#mlops
Как работает Apache Kafka

Брокер сообщений Apache Kafka

Начать изучение рекомендуем со статьи Apache Kafka: основы технологии от ребят из slurm, в которой покрыты:
— отличия кафки от остальных сервисов очередей
— базовые компоненты kafka
— основные принципы работы

Для опытных пользователей будет полезна статья Apache Kafka: the Complicated Simplicity (открывать с vpn) о неочевидных проблемах, с которыми можно столкнуться. Но наибольшую ценность представляют предложенные решения.

Нам эта статья помогла разобраться, почему не удаляются записи месячной давности при явно заданном в настройках правиле "удалять записи старше одного месяца". Дело в том, что кафка хранит данные в сегментах (segments). Запись осуществляется в один активный сегмент, который при достижении определенного размера становится неактивным. Оказалось, что удалять можно только данные из неактивных сегментов. И правило на удаление не сработает, если данные в этот момент находятся в активном сегменте.