아마존과 트위터, AI 스타트업을 거친 베테랑 면접관이자 ML 엔지니어가 제시하는 성공적인 ML 면접을 위한 노하우 ML 면접을 앞둔 지원자라면 어떤 역량을 개발해야 할지, 어떤 주제를 중점으로 학습해야 할지, 답변할 때 무엇을 고려해야 할지 등 고민이 많을 겁니다. 이 책은 ML 분야 취업에 필요한 역량 정리부터 실무 중심의 탄탄한 문제 해결 전략, 최신 기술을 반영한 부록과 참고자료까지 제공합니다. 첫째, ML 분야 취업에 꼭 필요한 실무 워크플로 핵심 지식 FAANG을 비롯한 빅테크 기업의 ML 면접에서 자주 묻는 질문 194가지를 담았습니다. 간결한 질문과 키워드 중심의 명쾌한 답변으로 구성되어 있어 면접에 앞서 내용을 정리하는 데 유용합니다. 이해를 돕기 위해 어려운 개념이나 모호한 표현에는 풍부한 역자주를 더했습니다. 둘째, 기본부터 심화 문제까지 대비하기 위한 단계별 지침 다섯 가지 면접 세션(ML 기본 지식 - ML 코딩 - ML 시스템 설계 - ML 인프라 설계 - 고급 ML 문제)으로 구성되어 있어 각자 지원하는 포지션과 난이도, 필요에 따라 내용을 찾아 보기 쉽습니다. 셋째, 핵심 키워드 중심으로 강력한 답변을 구성하는 전략 질문에 관한 핵심 키워드를 뽑아내고, 여러 가지 접근 방식을 비교하고, 장단점과 트레이드오프를 논하는 등 ML 면접에서 높은 점수를 얻기 위한 답변 구성 전략을 소개합니다. 넷째, 실제 시나리오 기반의 실무 중심 문제 해결 방식 ML 수명 주기 전반에 걸친 실용적인 개념과 시나리오를 다루므로 면접을 준비하는 구직자뿐 아니라 숙련된 실무자가 기본기를 확실히 다지는 데 도움이 됩니다. 이 책이 필요한 독자 ● ML 관련 직군을 희망하는 취업 준비생 ● ML 분야에서 경쟁력을 높이고 싶은 실무자

1장 ML 면접에 임하기 테크니컬 폰 스크린 ML 기본 지식 면접 ML 코딩 면접 ML 시스템 설계 면접 기타 면접 우수한 답변의 필수 요소 2장 ML 기본 지식 Q2.1 데이터셋 수집 단계 Q2.2 데이터 수집 시 문제 Q2.3 데이터 수집 시 고려 사항 Q2.4 레이블 불균형 처리 Q2.5 누락된 레이블 처리 Q2.6 입력 피처 유형 Q2.7 피처 선택과 중요도 Q2.8 피처 선택 방법 Q2.9 누락된 피처값 Q2.10 모델링 알고리즘 Q2.11 로지스틱 회귀 작동 방식 Q2.12 로지스틱 회귀 손실 함수 Q2.13 경사하강법 최적화 Q2.14 하이퍼파라미터 튜닝 Q2.15 모델 과적합 처리 Q2.16 정규화 기법 Q2.17 선형 회귀와 로지스틱 회귀 Q2.18 신경망 활성화 함수 Q2.19 의사 결정 트리, 랜덤 포레스트, 그래디언트 부스팅 결정 트리 Q2.20 부스팅과 배깅 Q2.21 비지도 학습 기법 Q2.22 k-평균 작동 방식 Q2.23 준지도 학습 기법 Q2.24 손실 함수 유형 Q2.25 손실 함수 볼록성 Q2.26 분류 모델 평가 지표 Q2.27 회귀 모델 평가 지표 Q2.28 모델 최적화 Q2.29 모델 성능 개선 3장 ML 코딩 Q3.1 k-평균 Q3.2 k-최근접 이웃 Q3.3 의사 결정 트리 Q3.4 선형 회귀 Q3.5 평가 지표 Q3.6 저수지 샘플링 Q3.7 확률 문제 Q3.8 해시 테이블과 분산 프로그래밍 문제 Q3.9 그래프 문제 Q3.10 문자열 문제 Q3.11 배열 문제 4장 ML 시스템 설계 1 - 추천 시스템 Q4.1 시스템 목적 Q4.2 시스템 지표 Q4.3 추천 콘텐츠 유형 Q4.4 추천 콘텐츠 혼합 Q4.5 시스템 운영 매개변수 Q4.6 시스템 구성 요소 Q4.7 콜드 스타트 문제 Q4.8 데이터셋 유형 Q4.9 데이터셋 수집 기법 Q4.10 데이터셋 편향 Q4.11 서빙 편향 완화 Q4.12 위치 편향 완화 Q4.13 추천 후보 출처 Q4.14 추천 후보 생성 단계 Q4.15 추천 후보 생성 알고리즘 Q4.16 임베딩 기술 Q4.17 대규모 추천 시스템의 후보 스코어링 Q4.18 신규 콘텐츠 색인화 Q4.19 추천 후보 병합 및 정리 Q4.20 사전 랭킹 모델 학습 Q4.21 사전 랭킹 모델 평가 지표 Q4.22 사전 랭킹 모델 알고리즘 Q4.23 사전 랭킹 모델 최적화 Q4.24 랭킹 모델 주요 피처 Q4.25 텍스트 또는 ID 기반 피처 Q4.26 횟수 기반 피처 Q4.27 헤비 랭킹 모델 학습 Q4.28 헤비 랭킹 모델 알고리즘 Q4.29 랭킹 모델 아키텍처 Q4.30 랭킹 모델 예측값 보정 Q4.31 랭킹 모델 평가 지표 Q4.32 다중 작업 모델과 개별 모델 Q4.33 모델 서빙 시스템 Q4.34 캐싱 Q4.35 모델 업데이트 Q4.36 온라인 실험 Q4.37 모델 로드 Q4.38 모델 실험 고려 사항 Q4.39 오프라인 평가 지표 Q4.40 온라인 성능 저하 5장 ML 시스템 설계 2 - 응용 Q5.1 문서 파싱 Q5.2 감성 분석 Q5.3 토픽 모델링 기법 Q5.4 문서 요약 Q5.5 자연어 이해 Q5.6 지도 학습 레이블 Q5.7 비지도 학습 피처 Q5.8 판별적 문제 피처 Q5.9 생성 모델 피처 Q5.10 정보 추출 모델 구축 Q5.11 정보 추출 평가 지표 Q5.12 분류 모델 구축 Q5.13 회귀 모델 구축 Q5.14 토픽 할당 Q5.15 토픽 모델링 평가 지표 Q5.16 문서 클러스터링 모델 구축 Q5.17 클러스터링 평가 지표 Q5.18 텍스트 생성 모델 구축 Q5.19 텍스트 생성 평가 지표 Q5.20 모델링 워크플로 Q5.21 오프라인 예측 6장 ML 인프라 설계 Q6.1 모델 개발 가속화 Q6.2 모델 학습 가속화 Q6.3 모델 학습 분산 Q6.4 모델 학습 파이프라인 평가 Q6.5 분산 학습 오류 Q6.6 모델 업데이트 Q6.7 모델 최적화 Q6.8 서빙 시스템 구성 요소 Q6.9 서빙 시 문제 Q6.10 피처 수화 개선 Q6.11 지연 시간 개선 Q6.12 많은 요청 처리하기 Q6.13 서빙 시 모델 업데이트 Q6.14 모델 배포와 롤백 Q6.15 서버 모니터링 Q6.16 서빙 시 성능 저하 7장 고급 ML 문제 Q7.1 지연된 레이블 Q7.2 레이블 없이 학습하기 Q7.3 가격 모델 부록 A 생성 모델: 노이지 채널 모델에서 LLM까지 A.1 기계 번역(MT) A.2 자동 음성 인식(ASR) A.3 트랜스포머로의 수렴 A.4 현실의 과제를 위한 미세 조정 참고자료 찾아보기