Le projet ML exact que je créerais pour être embauché en 2026

plus de 100 candidatures et portfolios, et ce n’est qu’à quelques reprises que le projet de quelqu’un m’a suffisamment impressionné pour le faire passer à l’étape de l’entretien.

Donc, dans cet article, je vais vous donner le cadre exact que j’ai développé et suivi pour trouver votre projet ML parfait qui vous décrochera un emploi.

Allons-y !

Pourquoi la plupart des projets ML échouent

Laissez-moi vous dire quelque chose que pensent tous les responsables du recrutement dans toutes les entreprises pour lesquelles j’ai travaillé.

Lorsque nous voyons un modèle de prévision des prix de l’immobilier ou un classificateur de survie du Titanic, nous ne pensons pas à des « fondamentaux solides ». Nous pensons « suivant ».

Je ne plaisante même pas.

Ces projets ont été réalisés tellement de fois qu’ils ne me disent rien sur la personne.

Cela me dit seulement qu’ils peuvent suivre un didacticiel standard et reproduire les résultats.

Un projet qui vous fait embaucher comporte quatre éléments clés :

• C’est personnel — Vous vous souciez vraiment de ce qu’il prédit.
• C’est nouveau — Je ne l’ai pas vu cent fois auparavant.
• C’est pertinent — Cela est lié au type de travail que vous souhaitez faire.
• C’est en direct — Les gens peuvent réellement le voir en action.

Si vous réussissez les quatre, votre projet permettra au responsable du recrutement de se souvenir de vous, et cela vient de mon expérience personnelle en matière d’embauche.

Le problème est que personne ne peut vous confier un projet comme celui-là. Cela doit venir de vous.

Alors au lieu de vous donner une idée, je vais vous donner un cadre à suivre pour développer un projet comme celui-ci.

J’ai également transformé ce cadre en un classeur PDF téléchargeable de 7 pages que vous pouvez consulter dans la description ci-dessous pour travailler et trouver le bon projet qui vous permettra d’être embauché.

Exemple de projet

Avant de plonger dans le cadre, permettez-moi de vous donner un exemple de projet d’un candidat que nous avons embauché.

Dans l’une de mes précédentes entreprises, nous recrutions un data scientist junior pour travailler sur des problèmes d’optimisation et de recherche opérationnelle.

Le candidat que nous avons embauché s’est démarqué pour une raison principale : il avait un projet très pertinent et profondément personnel, en parfaite adéquation avec le poste.

Ils étaient passionnés par le football Fantasy de la NFL et souhaitaient améliorer la façon dont ils construisaient leurs sélections d’équipe hebdomadaires.

Ils ont donc développé leur propre moteur d’optimisation pour répartir plus efficacement les joueurs dans le cadre des contraintes du programme.

Ce n’était pas seulement le moteur lui-même ; ils ont lu des articles universitaires sur les stratégies d’optimisation et étudié comment d’autres abordaient le même problème.

Ce projet touche aux quatre points que nous avons mentionnés plus tôt :

• C’est personnel– C’était un problème personnel qui les intéressait.
• C’est nouveau– C’était unique, et nous n’avions rien vu de pareil avant ou depuis.
• C’est pertinent– cela a montré leur passion et leur intérêt pour l’optimisation et la recherche opérationnelle, ce qui était exactement la raison pour laquelle nous recrutions.
• C’est en direct– C’était directement lié à l’emploi pour lequel ils postulaient.

Permettez-moi maintenant de détailler le cadre exact que vous pouvez suivre pour construire un projet exactement comme celui-ci.

Commencez par vos intérêts

Lorsque les gens recherchent un projet à construire, ils ouvrent une liste d’ensembles de données ML, probablement dans Kaggle, et essaient de trouver quelque chose d’intéressant.

C’est à l’envers.

Commencez par vous-même et vos intérêts.

Plus précisément, notez cinq choses qui vous tiennent vraiment à cœur en dehors du travail et en dehors des données et du ML.

Concentrez-vous sur vos passe-temps, vos obsessions et autres choses dont vous seriez heureux de parler pendant une heure sans problème.

Quand j’ai fait cela, ma liste ressemblait à ceci :

• Investir
• Hockey
• Salle de sport/fitness
• Films
• YouTube

Pourquoi devons-nous choisir quelque chose qui nous intéresse ?

Parce qu’un projet qui vous tient à cœur et qui vous intéresse est un projet que vous terminerez.

Je ne saurais trop insister sur le fait qu’il est beaucoup plus facile de réaliser un projet qui vous motive véritablement plutôt que celui que vous « pensez » devoir réaliser.

Une fois que vous avez identifié vos cinq centres d’intérêt, veuillez rédiger cinq questions pour chaque centre d’intérêt auquel vous souhaitez réellement obtenir une réponse.

Par exemple, « Quels joueurs de football Fantasy sont sous-évalués cette semaine ? » est une question, alors que « Statistiques de football » ne l’est pas.

N’y réfléchissez pas trop et écrivez simplement les choses.

Vous aurez désormais potentiellement 25 idées de projets, qui sont très probablement complètement uniques ou du moins que peu de gens ont vues.

Filtrez vos meilleurs choix

Nous devons maintenant réduire cette liste à nos meilleurs choix.

La première étape consiste à supprimer les questions ou les idées qui ne sont pas manifestement des problèmes de ML. Par exemple, « Pourquoi est-ce que j’aime les films ? » est une excellente question, mais ce n’est pas un projet d’apprentissage automatique.

L’apprentissage automatique à un niveau très élevé et brut peut être décomposé en 5 domaines clés :

• Prédire un nombre— régression.
• Prédire une catégorie— classement.
• Prévisions dans le temps— séries chronologiques.
• Recommander des choses— les systèmes de recommandation.
• Regrouper les choses ensemble— le regroupement.

Parcourez vos 25 questions ou moins et trouvez celles qui correspondent à l’un de ces 5 domaines et supprimez celles qui ne le font pas.

Cela devrait nous laisser environ 10 à 15 idées réalisables que nous pouvons résoudre à l’aide du ML.

Vous devez maintenant en choisir une, et pour y parvenir, vous devez noter individuellement ces idées en fonction des critères suivants :

• À quel point est-ce personnel ?
• À quel point est-ce nouveau ?
• Dans quelle mesure est-ce pertinent pour les rôles que je recherche ?
• Est-il difficile d’obtenir les données ?
• Est-ce difficile de construire ?

Notez chacun sur 5, résumez-les tous, et celui avec le score le plus élevé est celui que vous construirez.

Valider le projet

Avant de consacrer des semaines à la construction de ce projet, je souhaite que vous effectuiez trois vérifications rapides.

D’abord –D’où proviennent exactement vos données ? Nommez une source réelle : une API, un ensemble de données publiques ou toute autre source unique. Si vous ne pouvez pas en nommer un, trouver les données est votre premier travail.

Deuxième— Pourriez-vous obtenir une première version approximative en deux mois environ, en supposant une heure ou deux par jour ? S’il est plus gros que cela, réduisez-le. Un petit projet que vous terminez bat un grand projet que vous abandonnez – à chaque fois.

Troisième— À quel point est-ce courant en réalité ? Rien n’est jamais vraiment original, mais si ce projet est quelque chose que vous avez vu plusieurs fois auparavant, alors reconsidérez-le et choisissez votre deuxième choix.

Passez les trois contrôles et vous avez terminé.

Bien joué! Vous avez un projet qui vous appartient, qu’un responsable du recrutement n’a pas vu cent fois et que vous pouvez réellement terminer.

Faites-le vivre

Comme la plupart des gens, vous effectuerez probablement les recherches initiales et le prototypage de ce projet sur un Jupyter Notebook.

Cependant, les entreprises recherchent aujourd’hui des personnes capables de déployer leurs solutions pour créer un impact commercial.

Même si votre modèle est ce qu’il y a de mieux depuis le transformateur, il ne sert à rien s’il est coincé à l’intérieur d’un notebook.

Déployer un modèle n’est en réalité pas aussi complexe qu’on le pense. J’ai coaché ​​plusieurs de mes clients pour qu’ils construisent leur premier modèle d’apprentissage automatique de bout en bout sans aucune expérience préalable en utilisant la pile technologique et le processus suivants :

• Créez la solution prototype dans un notebook Jupyter.
• Décomposez ce Jupyter Notebook en fichiers Python individuels qui respectent les normes de code de production, en implémentant des fonctionnalités telles que la saisie, les formateurs et les docstrings.
• Ajoutez vos fichiers Python à un dépôt git et créez un excellent README qui explique le projet.
• Ajoutez tous les outils et concepts clés de l’ingénierie logicielle, notamment les tests unitaires, la gestion des dépendances de Poetry, les Makefiles et PyEnv.
• Créez un tableau de bord Streamlit pour présenter vos résultats et déployez-le sur le cloud communautaire Streamlit.
• Configurez votre dépôt pour qu’il s’exécute quotidiennement à l’aide de GitHub Actions.

Bish. Frapper. Étalages.

Vous venez de déployer votre modèle de bout en bout à l’aide d’outils standards de l’industrie, que j’utilise depuis des années en tant qu’ingénieur en apprentissage automatique dans des entreprises technologiques de premier plan.

Je peux comprendre que cela peut sembler complètement écrasant pour quelqu’un de nouveau dans ce domaine, sans personne à vos côtés pour vous guider, j’ai donc créé un dépôt de modèles avec tout le code passe-partout pour configurer cela.

Une autre chose !

Connectez-vous avec moi