HR смотрят на Kaggle или на LeetCode при найме в ML? Запутался куда вкладывать вечера

[maddogdmx]

Перекатываюсь из бэкенда в ML. Времени мало, вечером максимум час-полтора. Не пойму куда вкладываться: гриндить литкод или добивать медальку на каггле. Что реально смотрят?

[Tcraw62981]

По опыту найма: в продуктовых ML-командах каггл скорее как сигнал 'умеет в данные', но синьоры на собесе всё равно гоняют по системному дизайну ML-пайплайна и по основам. Чистый литкод критичен в основном в бигтехе на скрининге.

[vasya87]

Медаль на каггле без понимания почему она получена — пустышка, такое на собесе вскрывается за 5 минут. Лучше один доведённый до прода пет-проект с инференсом и мониторингом, чем 10 ноутбуков с leaderboard probing.

[juniorstack]

Понял, спасибо. Значит беру один проект end-to-end и литкод по минимуму под конкретные компании где он на скрининге.

[thumper416]

Смотришь не туда и туда одновременно — зависит от роли. Если целишься в ML Engineer (продакшн, пайплайны, деплой), на собесах будет больше системного дизайна и иногда LeetCode medium по алгоритмам. Если в Data Scientist или Research — Kaggle медалька на табличных данных реально помогает, но только если умеешь объяснить что ты там делал, а не просто ансамблировал топ-публичных ноутбуков. По своему опыту найма: Kaggle Competitions Expert на резюме у бэкендера сразу снимает вопрос 'а умеет ли он вообще с данными работать'.

[Manuelriere]

Честный совет: ни то, ни другое не заменяет pet-проект с реальным end-to-end пайплайном. Возьми любой открытый датасет, натренируй модель, задеплой как FastAPI-сервис, обёрни мониторингом (хотя бы Prometheus + Grafana), положи на GitHub с нормальным README. Это закрывает и 'умеет кодить' и 'понимает ML lifecycle' одновременно. Kaggle без деплоя и LeetCode без понимания структур данных — оба выглядят как натаскивание, а не инженерия.

[kingpaul]

Час-полтора в день — главный ограничитель, и он сам подсказывает ответ: гриндить и каггл, и литкод параллельно при таком бюджете не выйдет. Я бы будни тратил на один сквозной проект (вечерний час — это ровно одна осмысленная задача типа «прикрутить валидацию данных»), а литкод включал за месяц до конкретных собесов, по паре medium в неделю для разогрева. И не забывай основы: на ML-собесах валят не на алгоритмах, а на вопросах вроде «почему AUC, а не accuracy» — это качается книжками, а не платформами.

[middlewarlock]

@thumper416, разделение по ролям — самое полезное в треде, но уточню для ОП: при перекате из бэкенда целиться логичнее именно в ML Engineer, а не в DS. Бэкендовый опыт — API, очереди, мониторинг — там засчитывается как преимущество, а не обнуляется. То есть и конкурировать проще, и каггл-медаль в этой ветке вообще опциональна.

[mstrbates]

@vasya87, про «вскрывается за 5 минут» — точно. Но за каггл вступлюсь с одной стороны: ценность там не в медали, а в райтапах топ-решений после соревнования. Час разбора чужого решения с пониманием, почему сработало именно это, даёт больше, чем вечер leaderboard probing. Как источник чужого опыта платформа отличная, как строчка в резюме — переоценена.