🧠 آمادگی برای مصاحبه طراحی سیستم‌های Machine Learning

🚀 مصاحبه‌های ML System Design از دشوارترین بخش‌های مصاحبه‌های فنی هستن. این کتاب با ارائه یک استراتژی قابل‌اعتماد، پایگاه دانشی کاربردی و Framework هفت‌مرحله‌ای کمک میکنه طیف گسترده‌ای از پرسش‌های طراحی سیستم‌های Machine Learning را به‌شکل منظم تحلیل کنی.

✨ ویژگی‌های کلیدی

🎯 دیدگاهی از داخل فرایند مصاحبه ارائه میده تا بفهمی مصاحبه‌کنندگان واقعا دنبال چه چیزهایی هستن و چرا هر موضوع را ارزیابی میکنن.

🧩 یک Framework هفت‌مرحله‌ای معرفی میکنه که میشه از آن برای حل انواع پرسش‌های مصاحبه ML System Design استفاده کرد.

🛠️ ده سؤال واقعی مصاحبه طراحی سیستم‌های Machine Learning را همراه با راه‌حل‌های دقیق و مرحله‌به‌مرحله بررسی میکنه.

📊 شامل ۲۱۱ نمودار تصویری است که نحوه عملکرد سیستم‌های مختلف را روشن و قابل‌فهم توضیح میدن.

🌐 با مثال‌هایی از Visual Search، جست‌وجوی ویدئو، تشخیص محتوای مضر، Recommendation Systemها، پیش‌بینی کلیک تبلیغ و News Feed شخصی‌سازی‌شده کار میکنی.

📘 توضیح کتاب

🧠 پرسش‌های Machine Learning System Design معمولا فقط دانش مدل‌های ML را نمی‌سنجن. برای پاسخ‌دادن به آن‌ها باید مسئله را درست تحلیل کرد، اجزای سیستم را مشخص کرد و تصمیم‌های فنی را در قالب یک مسیر منطقی و قابل‌دفاع توضیح داد.

🧭 این کتاب یک استراتژی قابل‌اعتماد و پایگاه دانشی منظم برای مواجهه با طیف گسترده‌ای از پرسش‌های ML System Design ارائه میده. Framework مرحله‌به‌مرحله کتاب کمک میکنه فرایند حل مسئله از حالت پراکنده خارج بشه و هر سؤال با یک روش سیستماتیک بررسی بشه.

🛠️ مثال‌های واقعی کتاب نشان میدن این رویکرد چطور در سناریوهای مختلف به کار میره. هر مثال با جزئیات و مراحلی همراهه که میشه آن‌ها را دنبال کرد و از ساختارشان برای تحلیل مسائل مشابه استفاده کرد.

🔍 موضوعات کتاب حوزه‌های متنوعی را پوشش میدن؛ از Visual Search و محوکردن تصاویر در Google Street View گرفته تا YouTube Video Search، تشخیص محتوای مضر و سیستم‌های پیشنهاد ویدئو و رویداد.

📈 در ادامه، سیستم‌های پیش‌بینی کلیک روی تبلیغات در پلتفرم‌های اجتماعی، نمایش آگهی‌های مشابه در پلتفرم‌های اجاره اقامتگاه، Personalized News Feed و قابلیت People You May Know بررسی میشن.

🎯 بعد از مطالعه کتاب، یک روش هفت‌مرحله‌ای برای سازمان‌دهی پاسخ‌ها به دست میاری و میتونی اجزا، جریان داده و تصمیم‌های طراحی سیستم‌های واقعی Machine Learning را در مصاحبه‌ها با ساختاری روشن‌تر توضیح بدی.

🎯 چیزهایی که یاد میگیری

🧭 یاد میگیری انواع پرسش‌های ML System Design را با یک Framework هفت‌مرحله‌ای حل کنی.

👁️ با طراحی سیستم Visual Search و سیستم محوکردن تصاویر در Google Street View آشنا میشی.

🎬 درک میکنی یک سیستم جست‌وجوی ویدئو مانند YouTube Video Search چطور طراحی میشه.

🛡️ یاد میگیری اجزای یک سیستم تشخیص محتوای مضر را تحلیل کنی.

📺 با طراحی Recommendation System برای ویدئوها و رویدادها آشنا میشی.

📢 میتونی ساختار یک سیستم پیش‌بینی کلیک تبلیغ در پلتفرم‌های اجتماعی را بررسی کنی.

🏠 با سیستم پیداکردن آگهی‌های مشابه در پلتفرم‌های اجاره اقامتگاه آشنا میشی.

📰 یاد میگیری Personalized News Feed و سیستم People You May Know چطور طراحی میشن.

👤 این کتاب برای چه کسانیه؟

💼 این کتاب منبعی ضروری برای تمام افرادیه که به ML System Design علاقه دارن؛ چه کسانی که به‌تازگی وارد این حوزه شدن و چه مهندسان باتجربه‌ای که میخوان دانش خود را منظم‌تر و عمیق‌تر کنن.

🎯 کتاب به‌طور ویژه برای افرادی نوشته شده که برای مصاحبه‌های Machine Learning آماده میشن و به یک روش قابل‌اعتماد برای پاسخ‌دادن به پرسش‌های طراحی سیستم نیاز دارن.

📌 در متن منبع پیش‌نیاز مشخصی برای مطالعه این کتاب ذکر نشده است.

📖 فهرست مطالب

فصل ۱. مقدمه و مرور کلی

فصل ۲. سیستم Visual Search

فصل ۳. سیستم محوکردن تصاویر Google Street View

فصل ۴. جست‌وجوی ویدئو در YouTube

فصل ۵. تشخیص محتوای مضر

فصل ۶. سیستم پیشنهاد ویدئو

فصل ۷. سیستم پیشنهاد رویداد

فصل ۸. پیش‌بینی کلیک روی تبلیغات در پلتفرم‌های اجتماعی

فصل ۹. آگهی‌های مشابه در پلتفرم‌های اجاره اقامتگاه

فصل ۱۰. News Feed شخصی‌سازی‌شده

فصل ۱۱. افرادی که ممکن است بشناسید

👥 درباره نویسندگان

🧠 هائو شنگ پژوهشگر و مهندس متخصص در AI و Machine Learning است که بیش از ده سال تجربه تخصصی داره. او مدرک Ph.D. مهندسی کامپیوتر خود را از Stanford University دریافت کرده است.

🏢 هائو شنگ سابقه فعالیت در OpenAI، Apple، TikTok و Landing AI را داره. حوزه‌های تخصصی او شامل Recommendation Systems، Computer Vision و Generative AI میشن.

🎓 او همچنین درس Search and Recommendation Systems را در Stanford تدریس کرده است.

⚙️ علی امینیان نویسنده و Staff ML Engineer با بیش از ده سال تجربه تخصصی در شرکت‌های فناوری است. او در Adobe و پیش‌تر در Google فعالیت کرده و در ساخت سیستم‌های بزرگ‌مقیاس و توزیع‌شده Machine Learning تجربه داره.

🌐 اطلاعات بیشتر درباره علی امینیان در صفحه LinkedIn او در دسترس است.

Machine learning system design interviews are the most difficult to tackle of all technical interview questions. This book provides a reliable strategy and knowledge base for approaching a broad range of ML system design questions. It provides a step-by-step framework for tackling an ML system design question. It includes many real-world examples to illustrate the systematic approach, with detailed steps you can follow.

This book is an essential resource for anyone interested in ML system design, whether they are beginners or experienced engineers. Meanwhile, if you need to prepare for an ML interview, this book is specifically written for you.

What’s inside?

- An insider’s take on what interviewers really look for and why.

- A 7-step framework for solving any ML system design interview question.

- 10 real ML system design interview questions with detailed solutions.

- 211 diagrams that visually explain how various systems work.

Table Of Contents

Chapter 1. Introduction and Overview

Chapter 2. Visual Search System

Chapter 3. Google Street View Blurring System

Chapter 4. YouTube Video Search

Chapter 5. Harmful Content Detection

Chapter 6. Video Recommendation System

Chapter 7. Event Recommendation System

Chapter 8. Ad Click Prediction on Social Platforms

Chapter 9. Similar Listings on Vacation Rental Platforms

Chapter 10. Personalized News Feed

Chapter 11. People You May Know

About the Author

Hao Sheng is a researcher and engineer specializing in AI and machine learning with over 10 years of expertise. He holds a Ph.D. in Computer Engineering from Stanford University and has worked at OpenAI, Apple, TikTok, and Landing AI. His expertise spans recommendation systems, computer vision, and generative AI. Hao has also taught "Search and Recommendation Systems" at Stanford.

Ali Aminian is an author and a Staff ML engineer with +10 years of expertise working in tech companies (Adobe, Ex-Google) building large-scale and distributed ML systems. He can be found online on LinkedIn: https://www.linkedin.com/in/aliiaminian