پست 📍 نقشه راه «مصاحبه‌های هوش مصنوعی»

📍 نقشه راه «مصاحبه‌های هوش مصنوعی» 👩🏻‍💻 من تو این بازار کار شلوغِ هوش مصنوعی، تا الان با بیشتر از ۱۰۰ نفر مصاحبه کردم، و این برنامه‌ی ۶ مرحله‌ای که پایین نوشتم، دقیقاً همون رودمپی که فرق بین پذیرش یا رد شدن در حوزه AI رو مشخص می‌کنه. 1️⃣ کدنویسی و ساختمان داده 🏷 اولین فیلترِ همه‌ی مصاحبه‌ها اینه که ببینن تو کد و الگوریتم چقدر روونی. یعنی باید: 🛑 پایتون رو تمیز و حرفه‌ای بلد باشی (سبک کدنویسی درست، تایپینگ، تست‌نویسی، پروفایلینگ و…) 🛑 مفاهیم اصلی ساختمان داده و الگوریتم رو قوی باشی (آرایه، درخت، گراف، بازگشت، برنامه‌ریزی پویا و…) 🛑 تحلیل زمانی و Big-O رو بفهمی، بتونی بین راه‌حل‌ها، انتخاب بهینه کنی. 📚 منابع پیشنهادی: 🔗 Effective Python 🔗 NeetCode 150 ➖ ➖ ➖ 2️⃣ ریاضی و یادگیری ماشین کلاسیک 🏷 باید نشون بدی پایه‌های تئوری ML رو خوب می‌فهمی، نه اینکه فقط چندتا کتابخونه حفظ باشی. پس باید: 🔹 به جبر خطی و حسابان مسلط باشی. 🔹 آمار و احتمال و توزیع‌های مهم رو بدونی. 🔹 مدل‌های کلاسیک مثل رگرسیون، KNN، درخت‌ها، جنگل‌ها و XGBoost رو یاد داشته باشی. 🔹 مفاهیمی مثل بایاس-واریانس، منظم‌سازی، و کراس‌ولیدیشن رو قشنگ بفهمی. 📚 منابع پیشنهادی: 🔗 Essence of Linear Algebra 🔗 CS229: ML 🔗 ML Notebooks ➖ ➖ ➖ 3️⃣ مبانی یادگیری عمیق 🏷 تو این بخش دنبال اینن که مطمئن بشن واقعاً می‌تونی مدل عمیق بسازی، آموزش بدی و دیباگش کنی. پس باید: 🛑 با پایتورچ راحت و روون کار کنی. 🛑 معماری‌های مهم رو بشناسی (CNN ،RNN، ترنسفورمر و…) 🛑 ترفندهای آموزش و پایدار کردن مدل رو بلد باشی. 🛑 ارزیابی و دیباگ با متریک‌ها و گاردریل‌ها رو بفهمی. 📚 منابع پیشنهادی: 🔗 Deep Learning Specialization 🔗 Deep Learning with PyTorch 🔗 Understanding Deep Learning ➖ ➖ ➖ 4️⃣ تو یکی از حوزه‌ها عمیق شو 🏷 از بین NLP یا CV یا RL، یه جا رو باید «حرفه‌ای‌تر» بری جلو، نه اینکه همه چی رو سطحی بلد باشی. سه مسیر اصلی پیشنهادیم: 🔹 مسیر پردازش زبان طبیعی: پیش‌پردازش، امبدینگ‌ها، معماری‌ها، فاین‌تیون سبک، پرامپت‌نویسی، RAG، ارزیابی و… 🔹 مسیر بینایی کامپیوتر: مفاهیم تصویر، معماری‌ها، مدل‌های مولد، چندوجهی‌ها و… 🔹 مسیر یادگیری تقویتی: MDP، سیاست و ارزش، الگوریتم‌هایی مثل DQN و PPO، و روش‌های ارزیابی. 📚 منابع پیشنهادی: 🔗 CS224N: NLP with Deep Learning 🔗 CS231n DL for Computer Vision 🔗 RL: An Introduction 🔴 Intro to RL ➖ ➖ ➖ 5️⃣ طراحی سیستم‌های ML و MLOps 🏷 فقط مدل ساختن کافی نیست؛ باید ثابت کنی می‌تونی مدل رو ببری تو تولید و در مقیاس بالا نگهش داری. پس باید بلد باشی: 🔹 چرخه‌ی عمر ML و زیرساختش چطوریه. 🔹 الگوهای سرو کردن مدل، مقیاس‌پذیری و قابل‌مشاهده بودن سیستم رو بفهمی 🔹 مانیتورینگ، دیپلوی، و CI/CD رو بلد باشی. 📚 منابع پیشنهادی: 🔗 Full Stack Deep Learning 🔗 CS329S: ML Systems Design 🔗 AI Engineering ➖ ➖ ➖ 6️⃣ تمرین مصاحبه و مهارت‌های نرم 🏷 حتی اگه مهارت‌های فنی‌ت قوی باشی، باید بتونی تو لحظه خوب پیادش کنی. پس: 🛑 تمرین‌های زمان‌دار الگوریتم و دیتاساینس انجام بده. 🛑 تمرین سوال و ‌جواب ML و طراحی سیستم داشته باش. 🛑 داستان‌هایی به سبک STAR برای رفتارشناسی آماده کن (مثلاً رهبری، حل تعارض، کار تو ابهام، اثرگذاری و…) 📚 منابع پیشنهادی: 🔗 Interviewing.io 🔗 Hello Interview 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa