Почему выбрано машинное обучение в математике
Что проверяют
Связность истории и наличие за ней содержания. Слушают не мотивацию саму по себе, а сможете ли вы показать, какая математика реально работает в машинном обучении. Ответ про интерес почти всегда переходит в технический вопрос по названному разделу.
Как отвечать
Дайте короткую личную линию: что именно нравилось, доказательства, оптимизация, вероятность, и куда это легло в работе.
- линейная алгебра: данные как матрицы, разложения, снижение размерности, все операции обучения;
- анализ и градиенты: оптимизация функции потерь, обратное распространение;
- вероятность и статистика: оценка неопределённости, доверительные интервалы, проверка гипотез в экспериментах;
- методы оптимизации: регуляризация, шаг обучения, сходимость.
Дальше нужен один сюжет, где математика решила практическую задачу, и лучше не абстрактный: почему регуляризация лечит переобучение, почему качество нельзя мерить на обучающей выборке, почему на несбалансированных классах доля верных ответов вводит в заблуждение, что показывает разложение ошибки на смещение и разброс. Завершайте тем, что отличает машинное обучение от чистой математики: тут гипотеза проверяется данными и метрикой, а красивое решение без прироста качества остаётся упражнением.
Где спотыкаются
Рассказывают только про чувства к предмету. Следующий вопрос обычно звучит как «выведите градиент логистической регрессии» или «объясните смещение и разброс», и оказывается, что за словами ничего нет.
Приносят заученный шаблон достижений с процентами и выдуманным эффектом. Такие цифры проверяются одним вопросом про способ замера и базу сравнения, после чего доверие падает ко всему остальному рассказу.
Обратная крайность: перечисление разделов математики без единой связки с задачей. Каждый раздел стоит привязывать к применению, иначе ответ звучит как оглавление учебника, а не как опыт.