Interviews DS/ML

Café virtual ☕️

Advertencia! ⚠

• La idea de esta charla salió del interés en conocer cómo está actualmente el mercado laboral.
• Esta charla va a estar sesgada por nuestras propias percepciones y sesgos de lo que fue nuestro proceso y donde trabajamos.
• Esta charla NO es una actividad oficial de la diplo, ni representa las opiniones de los demás profes / organizadores.

Tres “roles”* de trabajo

• Data Analyst
• Data Engineer
• Data Scientist

​

​

* simplificado, los roles / nombres no están tallados en piedra, ni son totalmente excluyentes; hay divergencias hasta entre empresas muy grandes de cómo deben llamarse, y lo que debería hacer cada rol

Tres “roles” de trabajo

Aún como DS, en general aplicamos varios de los roles en nuestro día a día (es muy raro estar en la industria y ser data scientist “puro”)

• Un día nos puede tocar tunear un clasificador...
• ... otro, explorar métricas para hacer doble click en algo...
• ... y otros, hacer mantenimiento �(limpiar datos, saldar deuda técnica, documentar, ver por qué se rompió un modelo... ¡si ayer andaba!)

Matrices de skills

• Análisis de datos / Tableau / PowerBI
• Programación / Buenas prácticas / Despliegue de modelos
• Conocimiento de DS/ML (skills principales, foco de esta diplo)

Matrices de skills - recomendaciones

​

Importante:

• Disponibilizar una API a la que respondan nuestros modelos
• Flask (gran lib de python para hacer API del punto anterior)
• Git (commit / pull / push / merge). Se puede practicar en un IDE.

​

Matrices de skills - recomendaciones

​

Sumaría muchos puntos :)

• Saber usar un editor de texto potente o IDE, ej. VSCode, o PyCharm
• Saber hacer tests (pytest)

Matrices de skills

Transversales

• Estadística
• SQL
• Comunicación (muy importante!)
• Conocimiento de dominio (opcional, si está suma)
• Experiencia con usuarios / producto / negocio (opcional, si está suma)

​

Data Scientist Jr (muy simplificado)

• Poder entender los datos del negocio, y cómo DS/ML se puede (o no) usar para resolver problemas de negocio.
• Capacidad para plantear hipótesis y tomar decisiones fundamentadas, en las fases de un proyecto de DS para tal problema.
• Poder hacer reporte de los findings, entender cómo las métricas mapean ese problema, y en base a eso poder sugerir accionables.

Data Scientist Jr (muy simplificado)

• Inicialmente, esto va a venir de tareas bajadas en detalle, y con mentoría de compañeros.
• De a poco, ir tomando ownership de iniciativas / proyectos pequeños.
• Ganas de aprender buenas prácticas para integrar habilidades de DS en modelos / sistemas productivos.

Aplicando al trabajo

Selección para entrevistas

• CV conciso y armado como para trabajo de DS
• Perfil de Github y fijada la selección de mejores proyectos de ML.
• Una página mi_user.github.io estaría genial. Recomendado usar una plantilla (ej.) para que sea más fácil de armar.

Aplicando al trabajo

Selección para entrevistas

• Perfil de LinkedIn pulido. [Opinión] Posts en LinkedIn / general que aporten info (i.e. que no sean sólo para ganar visibilidad).
• Priorizar “best fits” frente a cantidad de aplicaciones.
• Networking. Participación en eventos con variedad de experiencias en industria/academia

Aplicando al trabajo

• Importancia de trabajar una historia personal relacionada con el rol / puesto buscado.
• Esa historia debe sernos natural, y aportar info a quien nos quiera conocer. Ej. [opinión]
• “Me gusta trabajar en equipo” se usa mucho; aporta poca info.
• “Apasionado por pensar cómo conectar ML y computación cuántica” da mucha info.
• Nosotros y nuestro CV / GitHub / LinkedIn / etc. deberíamos transmitir esa historia.

Aplicando al trabajo

Tener muy claras respuestas para 5 preguntas:

• Mi presentación, en 30’’ (elevator pitch) - hasta 5’ (short)
• Cómo puedo aportar a la empresa
• Tener muy claros mis puntos fuertes, conocer mis oportunidades de mejora
• Qué me gustaría me aporte la empresa
• Cómo me proyecto

Entrevistas

Suelen ser de tres tipos

• Alineación cultural / RRHH
• Evaluación técnica
• Alineación con equipo / proyecto

​

Importante: buscar sobre el proceso en la empresa y los entrevistadores con anterioridad

Entrevistas técnicas

Conocimientos de ML

• Evaluación de fundamentos básicos
• Cómo aplicarías DS/ML en un problema hipotético de negocio

Habilidades de programación

• “Take-home” project
• Live coding (no son comunes para puestos de data, aunque está bueno saber hacer código en vivo)

Entrevistas - Algunos tips (técnicos)

• DS tiene una muy amplia matrices de skills, que incluyen muchas áreas de conocimiento
• Eso puede hacernos preguntar qué área nos conviene fortalecer más de cara a entrevistas

Entrevistas - Algunos tips (técnicos)

• Ya saben DS.
• Consejo: levelear software haciendo una app Web end-to-end.
• Recurso sugerido 1 2�(toda la guía de MS de hecho es genial para refrescar / ampliar ML y DS)

Entrevistas - Algunos tips (técnicos)

• Practicar hacer una API simple end-to-end eligiendo un framework (ej. Flask), entendiendo lo que pasa en todas las fases.
• Empezar con una tarea súper simple, que puede ser tomar una predicción del dataset Iris.
• Entender qué pasa desde que llega la request a la API, cómo se procesa esa request, hasta la respuesta.

Entrevistas - Algunos tips (generales)

• Practicar speech
• Hacer mock interviews con otros
• Resolver problemas de diseño
• Practicar un mínimo de live coding programando problemas fáciles en voz alta y comentando nuestro razonamiento. Ir de más abstracto a más concreto.
• Paciencia :)

Recursos - Preparación

Data Science interview book

Tech interview handbook (es general para software, pero muchos tips sirven)

Preguntas de LinkedIn (general, más apuntado a historia personal y fit cultural)

(Opcional) Coding interview: Codewars / Hackerrank / Leetcode

(Opcional) Curso Educative (pago) sobre DS interview y system design / Github del mismo

(Opcional) Tutoriales de Python con Real Python

(MUY Opcional) Curso de Stanford con popurri de herramientas de computación

​

Recursos - Comunidades

Reddit de data science (más orientado a industria)

Reddit de machine learning (más orientado a investigación)

Comunidad data argentina (Slack)

Comunidad latinoamericana Khipu (Slack) y webpage

PyConAr (todo sobre python, incluyendo ecosistema DS)

PyData (eventos en todo el mundo)

​

Recursos - Más info

Nerdearla (compu en general, pero muy buena comunidad). Discord, tiene canal #primer-trabajo-en-it

Hacker News (foro muy popular de gente que labura en computación, hay un poco de todo)

​

Openqube (para conocer qué se opina de las empresas en Arg.)

Encuesta de sueldos de sysarmy

Glassdoor (opiniones y sueldos)

Data science roadmap

El camino, ilustrado :)

Fuente