Machine Learning Interviews

Vorwort

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Maschinelles Lernen (ML) ist ein integraler Teil unseres Alltags, ob wir uns dessen bewusst sind oder nicht. Jedes Mal, wenn du auf Websites wie YouTube oder Amazon.com gehst, interagierst du mit ML, das personalisierte Empfehlungen ausspricht. Das bedeutet, dass die Art und Weise, wie die Produkte auf den Websites angezeigt werden, darauf basiert, was ML-Algorithmen für deinen Geschmack und deine Interessen halten. Und nicht nur das - es gibt ML-basierte Kommentar-Moderation, um Spam oder giftige Kommentare zu erkennen, Bewertungsmoderation und mehr. Auf Websites wie YouTube gibt es ML-generierte Untertitel und Übersetzungen.

ML ist auch in anderen Bereichen unseres Lebens präsent, nicht nur beim Einkaufen und in der Unterhaltung. Wenn du zum Beispiel eine Überweisung online sendest, überprüfen ML-Algorithmen, ob es sich um einen Betrug handelt. Wir leben in einem Zeitalter der Software, die auf einer Grundlage von Daten und ML-Algorithmen aufgebaut ist.

All diese Software erfordert spezialisierte Talente, um sie zu entwerfen und zu entwickeln, was in den letzten Jahren zu einer großen Nachfrage nach Software-Kenntnissen und zu einem Anstieg der ML-Karrieren geführt hat. Infolgedessen sind auch die Gehälter für technische Berufe gestiegen. Dies sind nur einige der vielen Faktoren, die eine ML-Karriere verlockend machen: die Entwicklung von Produkten und Produktmerkmalen, die so wichtig für unser Leben sind. Da ML-Techniken den Fortschritt der KI vorantreiben, gilt diese Diskussion auch für "KI-Karrieren".

Der Einstieg in den ML-Bereich ist jedoch eine Herausforderung. ML-Aufträge sind dafür bekannt, dass sie einen höheren akademischen Abschluss erfordern, wobei die meisten Aufträge in den 2010er Jahren einen Doktortitel voraussetzen. Auch wenn die Anforderungen an die Zeugnisse in den Stellenausschreibungen seit Ende der 2010er Jahre gesunken sind, wird im Internet immer noch häufig empfohlen, mindestens einen Master-Abschluss zu haben. Selbst diejenigen, die über ausreichende Qualifikationen verfügen, können Schwierigkeiten haben, eine Stelle im Bereich Daten und ML zu finden. Sind die Ratschläge, die online gegeben werden, falsch, oder sind sie zu allgemein und vage?

Ich habe mich für zahlreiche ML-Jobs beworben und war erfolgreich bei Einstiegslevel, Senior Level und Staff+¹ und Direktor² Ebene. Dabei habe ich aus erster Hand die gleichen Schwierigkeiten und Frustrationen erfahren, mit denen angehende Bewerber/innen bei ML-Vorstellungsgesprächen konfrontiert sind. Ich habe unzählige Bewerbungen verschickt, auf die ich keine Antworten erhalten habe. Ich bin bei telefonischen Vorstellungsgesprächen fehlgeschlagen, musste auf Antworten warten und bin sogar bei einem Vorstellungsgespräch durchgefallen, nachdem man mich von Toronto nach San Francisco geflogen hatte. Ich habe mich auf Aufträge als Data Scientist und Machine Learning Engineer (MLE) beworben, nur um dann verwirrt zu sein, wenn die Interviewer eher nach einem Data Engineer oder Data Analysten zu suchen schienen.

Neben meiner Erfahrung als Befragter habe ich auch jahrelange Erfahrung als Interviewer gesammelt. Im Rahmen meiner Aufträge im Bereich ML habe ich Hunderte von Lebensläufen geprüft und gefiltert, zahlreiche Interviews geführt und in vielen Entscheidungsgremien mitgearbeitet. Im Rahmen meiner Tätigkeit als technischer Leiter (Principal Level in zwei Unternehmen) habe ich Stellenbeschreibungen geprüft und Interviews mit Praktikanten, Berufsanfängern, leitenden Angestellten und Mitarbeitern+ geführt. In dieses Buch habe ich Tipps aufgenommen, die auf Fehlern von Bewerbern beruhen, die dazu geführt haben, dass meine Gesprächspartner und ich beschlossen haben, sie nicht in die nächste Runde zu schicken. "Hätte der Bewerber doch nur diese andere Sache gemacht", sagten wir. "Sonst war er doch vielversprechend." Dieses Buch wird dir helfen, einige dieser offensichtlichen Fehler zu vermeiden.

Die Wahrheit ist, dass es eine Menge unausgesprochener Kriterien für Arbeitssuchende gibt. Zum Beispiel stehen gute Kommunikations- und Teamfähigkeiten in manchen Stellenbeschreibungen nicht drin. Solche Erwartungen werden nicht aus Böswilligkeit aus den Stellenbeschreibungen gestrichen, sondern weil sie in der Branche als Mindestanforderungen angesehen werden. In letzter Zeit habe ich gesehen, dass in ML-Stellenausschreibungen großer Unternehmen "Kommunikationsfähigkeit" ganz oben auf der Liste der Anforderungen steht, um die Klarheit der Stellenbeschreibungen zu verbessern.

Zusätzlich zu diesen versteckten Erwartungen für neue und erfahrene Arbeitssuchende kann der Bewerbungsprozess verwirrend sein, weil er sich von Stelle zu Stelle und von Unternehmen zu Unternehmen stark unterscheidet. Selbst Randy Au, ein Autor, der seit Jahren bei Google im Bereich Daten arbeitet, sagte, dass "die Dinge ... anders sind"³ als er sich aus Neugierde die aktuellen Stellenausschreibungen für Data Scientists und ML anschaute.

Viele Menschen wünschen sich einen Fahrplan, eine vollständige Schritt-für-Schritt-Anleitung, wie sie garantiert in den ML-Bereich einsteigen können. Was sind zum Beispiel die besten Studienfächer und Praktika? Was sind die besten Nebenprojekte, und welche Python-Bibliotheken solltest du lernen? Ich kann das nachempfinden - ich habe viele Freunde um so viele Informationen wie möglich zu jedem Schritt meiner Reise zu einem Vorstellungsgespräch gebeten. Ich habe mir Gedanken darüber gemacht, ob ich nach einem Vorstellungsgespräch eine Nachfass-E-Mail schicken sollte und habe in mehreren Online-Foren nachgeschaut, ob ich das tun sollte. Würde ich die Interviewer verärgern, oder würden sie es erwarten? So eine Kleinigkeit hat mich sehr beunruhigt und ich wünschte, es gäbe eine klare Antwort statt "es kommt darauf an" oder "es schadet wahrscheinlich nicht". Das ist das Buch, das ich damals gerne gehabt hätte, um bei all diesen Fragen nachzuschlagen!

Jetzt, wo ich als Interviewer auf der anderen Seite stehe, habe ich gelernt, was die einstellende Seite in verschiedenen Szenarien von Bewerbern erwartet. Ich habe jetzt Antworten aus erster Hand auf viele Fragen, die ich in der Vergangenheit hatte, und eine Art Fahrplan für den Einstieg in den ML-Bereich. Aber selbst wenn es einen solchen Fahrplan gäbe, wäre er nicht so, wie du ihn dir vorstellst. Als ich von den Bereichen ML und Data Science erfuhr, hatte ich schon längst meinen Studiengang gewählt, meinen Abschluss gemacht und war auf dem Weg zu meinem Master in Wirtschaftswissenschaften. Während des Studiums habe ich keine Praktika gemacht, sondern in meiner Freizeit Videospiele gebastelt und gespielt und Kontakte geknüpft. Wenn überhaupt, ist der Weg zu einem ML-Job ziemlich flexibel, und selbst wenn du etwas später anfängst, ist es nicht zu spät.

Als ich auf der Suche nach meinem ersten ML-Job war, habe ich nicht alles richtig gemacht, aber ich habe es irgendwie geschafft, mich als Student, der noch nie ein Praktikum gemacht hatte, durch die Vorstellungsgespräche zu kämpfen. Wahrscheinlich wusste ich weniger über den Bewerbungsprozess als viele andere, aber deshalb konnte ich aus der Perspektive von jemandem schreiben, der nicht alles richtig gemacht hat und trotzdem in der ML-Branche erfolgreich sein konnte. In der Tat gibt es keine richtigen Dinge, sondern nur die Dinge, die für deine Situation richtig sind.

Ich werde dir keine Ratschläge geben wie: "Studiere einfach [SUBJEKT] an deiner Universität und mach dann ein Praktikum bei [UNTERNEHMEN], und du bist startklar." Dafür müsste ich für jeden Typus von Mensch ein eigenes Buch schreiben. Ein pauschaler, vorgeschriebener Fahrplan wird fehlschlagen, wenn du auf einen Punkt triffst, der nicht auf der Karte verzeichnet ist. Wenn du lernst, wie du navigieren kannst, ohne dich an eine Karte zu klammern, kannst du deine eigenen Karten erstellen, egal in welcher Situation.

In diesem Buch zeige ich dir, wie du ein Navigator sein und deinen eigenen Fahrplan erstellen kannst, egal ob du ein Nicht-MINT⁴ Studiengang, ein MINT-Studiengang ohne Praktikumserfahrung, ohne relevante Berufserfahrung, mit ML-Arbeitserfahrung oder ohne ML-Arbeitserfahrung und so weiter. Solange du dabei bleibst, ist es in Ordnung, wenn du ein Fach studierst, das nicht oft empfohlen wird. Es ist in Ordnung, wenn du bereits Berufserfahrung gesammelt hast, die deiner Meinung nach nicht direkt mit ML zu tun hat. Ich zeige dir, wie du deine bisherigen Erfahrungen ausbauen und nutzen kannst und wie du zusätzliche relevante Erfahrungen sammelst.

Ich plädiere für flexible und maßgeschneiderte Karrierefahrpläne, die auf deinem eigenen Szenario basieren, denn in meiner eigenen Karriere habe ich viele Szenarien erlebt, in denen es nicht den einen Fahrplan gab:

• Einstiegsjob als Data Scientist (ML) in einem großen, börsennotierten Unternehmen als Masterstudent der Wirtschaftswissenschaften⁵

• Einen Job in einer höheren Position bei einem Startup mit etwa 200 Mitarbeitern, als ich anfing, und etwa 400 Mitarbeitern in der Spitze

• Einen Job bei einem neuen, mittelgroßen öffentlichen Unternehmen als leitender Datenwissenschaftler zu bekommen

Je nach Branche, Unternehmensgröße, Größe des ML-Teams und Lebenszyklusphase des Unternehmens (z. B. Startup) hatten die Arbeitgeber unterschiedliche Erwartungen, die ich kennenlernen musste. Hätte ich nur die Ratschläge aus dem Internet oder von Leuten befolgt, die sich bei Unternehmen beworben haben, die einen anderen Bewerbungsprozess anwenden, wäre ich vielleicht gescheitert (nein, ich wäre durchgefallen). Jedes Mal musste ich meine Vorbereitung und meine Art des Vorstellungsgesprächs ändern, um erfolgreich zu sein. Durch all meine persönlichen Erfahrungen und (buchstäblich) Hunderte von ML-Vorstellungsgesprächen habe ich Muster gefunden, wie man ML- und Data-Science-Vorstellungsgespräche meistert und ein erfolgreicher Kandidat ist. Mit meinen Erfahrungen und den Lektionen, die ich gelernt habe, ist es nun möglich, dieses Buch zu schreiben, um aufstrebenden Bewerbern zu helfen .

Erfolgreiche Bewerber/innen wissen, worauf es bei den einzelnen Schritten des Bewerbungsgesprächs ankommt. Leider reicht es nicht immer aus, einfach nur zu erscheinen und die technischen Fähigkeiten zu besitzen. Es ist wie bei Prüfungen in der Schule - wer sich den Lehrplan genau anschaut und den Umfang der einzelnen Prüfungen versteht, hat bessere Chancen auf Erfolg. In diesem Fall versuchst du, den Lehrplan für jeden der Aufträge, auf die du dich bewirbst, umzukehren.

Als ich mehr und mehr Erfahrung im Bereich ML sammelte, bekam ich auch mehr und mehr Fragen von angehenden Jobsuchenden. Ich habe an vielen Kaffeegesprächen teilgenommen (100+ zu diesem Zeitpunkt) und um noch mehr Menschen zu helfen, habe ich jahrelang Karriereführer für meinen Blog susanshu.com geschrieben. Als sich die Gelegenheit ergab, mit diesem Buch noch mehr Menschen zu helfen, war die Entscheidung für mich klar.

Warum Aufträge für maschinelles Lernen?

Ich habe darüber gesprochen, dass ML in unserem täglichen Leben allgegenwärtig ist, ob wir es wissen oder nicht und ob wir es mögen oder nicht. Vielleicht hast du in deinem eigenen Leben einige Erfahrungen gemacht, die dich neugierig gemacht haben und dich dazu gebracht haben, dieses Buch in die Hand zu nehmen! Ich werde auch meine Erfahrungen schildern, die dich vielleicht in deiner Motivation bestärken oder dir noch attraktivere Aspekte des ML-Bereichs vor Augen führen.

Als jemand, der in der Technologiebranche arbeitet, denke ich, dass maschinelles Lernen ein großartiger Bereich ist, um hochwertige Produkte zu entwickeln, die Millionen von Nutzern beeinflussen können. In meinem allerersten Job nach der Schule hatte ich die Chance, an einem solchen Projekt zu arbeiten, und ich glaube, dass ich diese Verantwortung und Chance nicht so früh in meiner Karriere gehabt hätte, wenn ich nicht über die nötigen Kenntnisse im maschinellen Lernen verfügt hätte.

Meiner Meinung nach ist ML ein unterhaltsamer und erfüllender Bereich. Mir macht es Spaß, neue Technologien und Forschungsergebnisse kennenzulernen, und wenn du dich damit identifizieren kannst, wird dir diese Facette der Arbeit im Bereich ML auch gefallen. Die rasanten Innovationen in unserem Bereich haben aber auch eine Kehrseite. Es kann zum Beispiel anstrengend sein, sich ständig über neue Entwicklungen zu informieren, wenn man versucht, sich auf die Familie oder andere wichtige Aspekte seines Lebens zu konzentrieren. Heutzutage nutze ich die Gelegenheit zum Lernen, ohne zu viel Zeit zu verlieren, auch wenn ich mich an den Wochenenden auf andere Aktivitäten wie Geselligkeit oder das Schreiben dieses Buches konzentriere. Ich nehme mir auch während der Arbeitszeit etwas Zeit, um online Vorträge zu hören oder Bücher zu lesen. Das gilt nicht nur für ML, aber ich habe von vielen Leuten gehört, dass das Tempo des kontinuierlichen Lernens für ML etwas schneller ist als für andere technische Berufe, bei denen man neue Frameworks lernen muss.

Natürlich gibt es auch den Aspekt der Bezahlung. Im Durchschnitt werden ML-Aufträge gut bezahlt. Ich konnte für mich selbst sorgen und sogar viele finanzielle Ziele erreichen, die mein Leben und das Leben meiner Lieben verbessern. Dafür bin ich meiner ML-Karriere sehr dankbar. Außerdem konnte ich dank der ML-Branche und der Gemeinschaft so viel erreichen: Ich wurde um die ganze Welt geflogen, um auf Konferenzen zu sprechen (so viele, dass ich die nächsten Jahre verschieben musste). Coole Leute kennenzulernen, die an coolen Orten in der ML-Branche arbeiten, und die Fortschritte in der ML- und KI-Branche aus erster Hand mitzuerleben - all das sind Vorteile der Arbeit in dieser Branche.

Was auch immer deine Motivation ist, dieses Buch in die Hand zu nehmen, ich hoffe, dass ich dir erfolgreich die Fähigkeiten und Werkzeuge vermitteln kann, die du brauchst, um bei ML-Vorstellungsgesprächen erfolgreich zu sein und Hindernisse auf deinem Weg zu überwinden.

In diesem Buch helfe ich dir, das Folgende zu verstehen:

• Die verschiedenen Arten von ML-Rollen und welche du am ehesten erfolgreich sein könntest

• Die Bausteine von ML-Interviews

• Wie du deine Qualifikationslücken erkennst und dich gezielt auf Vorstellungsgespräche vorbereitest

• Wie du sowohl bei technischen als auch bei verhaltensorientierten Interviews erfolgreich bist

Ich werde auch häufig gestellte Fragen aus den Online-Live-Schulungen, die ich bei O'Reilly gehalten habe, hinzufügen. Betrachte es als einen Kaffeeklatsch mit mir und den verschiedenen Quellen, aus denen ich hilfreiche Erkenntnisse gewonnen habe:

• Wie man als Kandidat mit einem weniger "typischen" Bildungs- oder Berufshintergrund erfolgreich ist

• Wie du die Chancen deutlich erhöhst, dass dein Lebenslauf das erste Screening übersteht

• Wie ML-Interviews für leitende und höhere Positionen aussehen

Und mehr.

Für wen dieses Buch ist

Bevor ich in die Kapitel einsteige, möchte ich die folgenden Szenarien skizzieren, die du vielleicht nachempfinden kannst; für diese Zielgruppe habe ich dieses Buch geschrieben:

• Du bist ein frischgebackener Hochschulabsolvent, der unbedingt ML/AI-Praktiker in der Industrie werden möchte.

• Du bist Softwareentwickler/in, Datenanalyst/in oder ein/e andere/r Fachmann/-frau für Technik und Daten, der/die in eine Rolle wechselt, die sich mit ML beschäftigt.

• Du bist eine Fachkraft mit Erfahrung in einem anderen Bereich, die sich für einen Wechsel in den Bereich ML interessiert.

• Du bist ein/e erfahrene/r Datenwissenschaftler/in oder ML-Praktiker/in, der/die in den Bewerbungsprozess zurückkehrt und eine andere Rolle oder einen höheren Titel und mehr Verantwortung anstrebt, und du möchtest eine umfassende Auffrischung des ML-Materials.

Du könntest auch von diesem Buch profitieren, wenn die folgenden Szenarien dich beschreiben:

• Manager, die sich inspirieren lassen wollen, wie sie ihre ML-Interviews führen, oder nicht-technische Personen, die sich einen Überblick über den Prozess verschaffen wollen, ohne zu viel Zeit mit verstreuten Online-Ressourcen zu verschwenden

• Leserinnen und Leser, die über Grundkenntnisse in der Python-Programmierung und der ML-Theorie verfügen und neugierig sind, ob der Einstieg in die ML-Branche eine zukünftige Berufswahl sein könnte

Was dieses Buch nicht ist

• Dieses Buch ist kein Statistik- oder ML-Lehrbuch.

• Dieses Buch ist kein Lehrbuch oder Tutorium zur Programmierung.

• Es gibt zwar Beispielfragen für Vorstellungsgespräche, aber dieses Buch ist keine Fragenbank. Die Codeschnipsel sind kurz und prägnant, da sie schnell veraltet sind.

Da ich nicht jedes Konzept von Grund auf behandeln kann, gehe ich davon aus, dass die Leserinnen und Leser rudimentär mit ML vertraut sind (ein grundlegendes Verständnis reicht aus). Aber keine Sorge, ich werde die grundlegenden Definitionen noch einmal kurz erläutern. Ich gehe auch davon aus, dass die Leser/innen mit der Programmiersprache Python vertraut sind, z. B. mit dem Ausführen von Skripten in Jupyter Notebooks, da Python in ML-Vorstellungsgesprächen und im Beruf sehr beliebt ist. Ich füge jedoch einen kurzen Abschnitt darüber ein, wie du Python von Grund auf lernst, falls du noch nicht damit vertraut bist.

Außerdem enthält dieses Buch eine umfangreiche Bibliothek mit Links zu externen Übungsressourcen, die dir bei der Vorbereitung auf ML-Interviews helfen. Aber zuerst helfe ich dir herauszufinden, was für dich am hilfreichsten ist, um zu üben und über dein derzeitiges Wissen und Können hinaus zu lernen.

Anstatt also einen Haufen Fragen und Antworten aufzulisten, die du auswendig lernen musst, möchte ich dir mit diesem Buch beibringen, wie man angelt. Als Interviewer habe ich erlebt, dass viele Bewerber, die das Vorstellungsgespräch nicht bestanden haben, nicht gerettet worden wären, wenn sie nur ein paar Fragen mehr geübt hätten. Vielmehr wussten sie nicht einmal, wo ihre Lücken sind. Ich zeige dir, wie du deine Stärken und Lücken erkennst und wie genau du die Ressourcen in diesem Buch nutzen kannst, um diese Lücken zu schließen.

In diesem Buch verwendete Konventionen

In diesem Buch werden die folgenden typografischen Konventionen verwendet:

Kursiv

Weist auf neue Begriffe, URLs, E-Mail-Adressen, Dateinamen und Dateierweiterungen hin.

Constant width

Wird für Programmlistings sowie innerhalb von Absätzen verwendet, um auf Programmelemente wie Variablen- oder Funktionsnamen, Datenbanken, Datentypen, Umgebungsvariablen, Anweisungen und Schlüsselwörter hinzuweisen.

Constant width bold

Zeigt Befehle oder anderen Text an, der vom Benutzer wortwörtlich eingetippt werden sollte.

Constant width italic

Zeigt Text an, der durch vom Benutzer eingegebene Werte oder durch kontextabhängige Werte ersetzt werden soll.

Tipp

Dieses Element steht für einen Tipp oder eine Anregung.

Hinweis

Dieses Element steht für einen allgemeinen Hinweis.

Warnung

Dieses Element weist auf eine Warnung oder einen Warnhinweis hin.

O'Reilly Online Learning

Hinweis

Seit mehr als 40 Jahren bietet O'Reilly Media Schulungen, Wissen und Einblicke in Technologie und Wirtschaft, um Unternehmen zum Erfolg zu verhelfen.

Unser einzigartiges Netzwerk von Experten und Innovatoren teilt sein Wissen und seine Erfahrung durch Bücher, Artikel und unsere Online-Lernplattform. Die Online-Lernplattform von O'Reilly bietet dir On-Demand-Zugang zu Live-Trainingskursen, ausführlichen Lernpfaden, interaktiven Programmierumgebungen und einer umfangreichen Text- und Videosammlung von O'Reilly und über 200 anderen Verlagen. Weitere Informationen erhältst du unter https://oreilly.com.

Wie du uns kontaktierst

Bitte richte Kommentare und Fragen zu diesem Buch an den Verlag:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Nord
• Sebastopol, CA 95472
• 800-889-8969 (in den Vereinigten Staaten oder Kanada)
• 707-829-7019 (international oder lokal)
• 707-829-0104 (Fax)
• [e-mail]
• https://www.oreilly.com/about/contact.html

Wir haben eine Webseite für dieses Buches, auf der wir Errata, Beispiele und zusätzliche Informationen auflisten. Du kannst diese Seite unter https://oreil.ly/ML-interviews aufrufen .

Es gibt eine ergänzende Website , die Bonusinhalte enthält, die nicht im Buch zu finden sind: https://susanshu.substack.com.

Neuigkeiten und Informationen über unsere Bücher und Kurse findest du unter https://oreilly.com.

Finde uns auf LinkedIn: https://linkedin.com/company/oreilly-media

Folge uns auf Twitter: https://twitter.com/oreillymedia

Schau uns auf YouTube: https://youtube.com/oreillymedia

Danksagungen

Die Weisheit und Ermutigung vieler Menschen hat dazu beigetragen, dass dieses Buch Wirklichkeit geworden ist!

Ein herzliches Dankeschön an die Rezensenten, die dieses Buch als unfertiges Werk gelesen und rezensiert haben: Margaret Maynard-Reid, Serena McDonnell, Dominic Monn und Suhas Pai. All euer frühes Feedback und eure Kommentare haben dazu beigetragen, dieses Buch so viel besser zu machen. Ich möchte mich auch bei den Leuten bedanken, die ausgewählte Kapitel rezensiert haben: Eugene Yan, Prithvishankar Srinivasan, Ammar Asmro, Luis Duque, Igor Ilic, Jeremy C. und Masoud H. Ich bin sehr dankbar und fühle mich geehrt, dass ihr euch die Zeit genommen habt, das Buch in verschiedenen Stadien der Fertigstellung durchzusehen und meine Fragen zu beantworten!

Alles, was ich in diesem Buch geschrieben habe, hat sich im Laufe meiner Karriere angesammelt. Ich wäre also nachlässig, wenn ich nicht die Freunde, Mentoren und Organisationen erwähnen würde, die meine Karriere maßgeblich beeinflusst haben und die noch nicht genannt wurden: Nick Miles, Denis Osipov, Amir Feizpour, Shannon Elliott, die Python Software Foundation, PyCons auf der ganzen Welt und viele weitere tolle Kollegen in den Teams, mit denen ich zusammengearbeitet habe. Ihr rockt!

Ein großes Dankeschön geht natürlich an das O'Reilly-Team: die großartige Entwicklungsredakteurin Sara Hunter, die mich ermutigt und mir geholfen hat, während dieses intensiven Jahres des Schreibens konzentriert zu bleiben; die Produktionsredakteurin Elizabeth Kelly; die Lektorin Shannon Turlington; und die Akquisitionsredakteurin Nicole Butterfield, die mich sehr ermutigt hat und mir ursprünglich angeboten hat, das O'Reilly-Online-Training "Machine Learning Interviews" zu unterrichten - was schließlich den Anstoß zu diesem Buch gab!

Danke an meine Lieben, die mich durch dick und dünn unterstützt haben, egal, in welchem Abenteuer ich mich befinde. Meine Familie, die immer für mich da war, und erst recht während des Schreibens dieses Buches, ist eine Quelle der Motivation und Inspiration. Danke an Mama, Papa, meinen Bruder und meine Großeltern. Danke, Susan, dass du meine Sonne bist. Danke an meine Freunde, die mich seit meiner Studienzeit unterstützen und mir Wärme spenden.

Schließlich möchte ich meinen Dozenten, Kommilitonen und lebenslangen Freunden an der University of Waterloo und der University of Toronto dafür danken, dass sie mir ein inspirierendes, strenges und dennoch flexibles Umfeld geboten haben, in dem ich meine Neugierde und meine Interessen erkunden konnte. Diese Freiheit hat mich zu meiner Karriere im Bereich des maschinellen Lernens geführt, und ohne dieses Umfeld, in dem ich meinen Träumen nachgehen konnte, wäre ich nicht hier.

¹ Staff+ bezieht sich auf Funktionen, die über der Senior-Ebene liegen.

² Die Stellen in der Technik werden oft von der Einstiegs-/Mittelstufe → der Führungsebene → der Mitarbeiterebene → der Hauptebene abgegrenzt, obwohl es je nach Unternehmen kleine Unterschiede gibt. Manche Unternehmen kombinieren zum Beispiel die Mitarbeiter- und die Direktorenebene.

³ Randy Au, "Old Dog Revisits the DS Job Market out of Curiosity", Counting Stuff (Blog), 1. Dezember 2022, https://oreil.ly/yzIsx.

⁴ Wissenschaft, Technologie, Ingenieurwesen und Mathematik.

⁵ Ein börsennotiertes Unternehmen bedeutet, dass seine Aktien öffentlich gehandelt werden.