Bild vom Autor
# Einführung
Heben Sie Ihre Hand, wenn Sie während eines technischen Interviews jemals erstarrt sind, als der Interviewer Sie fragte: „Erläutern Sie mir Ihren Ansatz.“ Die meisten Kandidaten lesen die Frage, springen direkt in den Code und hoffen, dass das Muskelgedächtnis einsetzt.
Was wäre, wenn Sie eine Interviewfrage in ein KI-Software hochladen könnten und eine Podcast-Erklärung Ihres Codes, eine visuelle Mindmap, Lernkarten und ein Quiz erhalten könnten? Nun, das kannst du mit NotebookLM.
In diesem Artikel lösen wir zunächst selbst Metas „Empfehlungssystem“-Interviewfrage und nutzen dann die sechs Funktionen von NotebookLM, um sie intelligenter und nicht schwieriger zu verstehen und daraus zu lernen.
# Lernen Sie NotebookLM kennen: Googles KI-gestützten Lernassistenten
NotebookLM ist Googles KI-Lernassistent. Es verändert die Artwork und Weise, wie wir aus Daten lernen, indem es mehrere KI-gestützte Funktionen kombiniert, die den Prozess interaktiver und anpassungsfähiger machen.
Dies geschieht, indem Ihre Dokumente, Bücher oder andere Materialien in interaktive Lernwerkzeuge umgewandelt werden. Genauer gesagt verwandelt es Ihre Materialien in Konversationen, visuelle Karten und Quizfragen und erspart stundenlanges manuelles Durchsehen, wodurch komplexe Themen leichter verständlich werden.
Dies hilft Ihnen, Wissen schneller zu verstehen und zu behalten. Kurz gesagt, NotebookLM hilft Ihnen, intelligenter und nicht härter zu lernen.
Lassen Sie uns nun die Meta-Interviewfrage lösen und dann untersuchen, wie NotebookLM uns dabei helfen kann, aus demselben Code zu lernen.
# Die Herausforderung: Metas „Empfehlungssystem“-Interviewfrage
Empfehlungssystem
Sie erhalten die Liste der Fb-Freunde und die Liste der Fb-Seiten, denen Benutzer folgen. Ihre Aufgabe ist es, ein neues Empfehlungssystem für Fb zu erstellen. Suchen Sie für jeden Fb-Benutzer nach Seiten, denen dieser Benutzer nicht folgt, aber mindestens einer seiner Freunde. Geben Sie die Benutzer-ID und die ID der Seite aus, die diesem Benutzer empfohlen werden soll.
Die Frage ist verfügbar unter StrataScratch. In dieser Frage hat Meta uns gebeten, ein Empfehlungssystem zu entwickeln, das Fb-Seiten vorschlägt, denen ein Benutzer noch nicht folgt, aber mindestens einer seiner Freunde.
// Die Daten hinter dem Downside verstehen
Wir haben zwei verschiedene Datensätze, user_friends Und user_pages.
Das erste zeigt die sozialen Verbindungen jedes Benutzers (wer ist mit wem befreundet), während user_pages listet auf, welchen Seiten jeder Benutzer bereits folgt.
Gemeinsam helfen sie uns, neue Seitenempfehlungen zu finden, die auf den Aktivitäten gemeinsamer Freunde basieren.
Sehen wir uns eine Vorschau an user_friends Datensatz zuerst.
| Benutzer-ID | freund_id |
|---|---|
| 1 | 2 |
| 1 | 4 |
| 1 | 5 |
| 2 | 1 |
| 2 | 3 |
Sehen wir uns jetzt den zweiten Datensatz in der Vorschau an. user_pages:
| Benutzer-ID | page_id |
|---|---|
| 1 | 21 |
| 1 | 25 |
| 2 | 25 |
| 2 | 23 |
| 2 | 24 |
// Schritt-für-Schritt-Lösung: Aufbau der Empfehlungsmaschine
Ziel ist es, Fb-Seiten zu empfehlen, denen ein Nutzer noch nicht gefolgt ist, denen aber bereits mindestens einer seiner Freunde folgt.
Zuerst verbinden wir jeden Benutzer mit den Seiten, denen seine Freunde folgen. Dies hilft uns zu sehen, welche Seiten vom Netzwerk des Benutzers verfolgt werden und welche potenziellen Empfehlungen es gibt.
friends_pages = users_friends.merge(users_pages, left_on='friend_id', right_on='user_id')
friends_pages = friends_pages(('user_id_x', 'page_id'))Jetzt müssen wir Seiten ausschließen, denen Benutzer bereits folgen. Wir tun dies, indem wir erneut mit dem Unique verschmelzen users_pages Tabelle und behält nur die Seiten bei, die noch nicht in der Liste des Benutzers sind.
comparability = friends_pages.merge(
users_pages,
how='left',
left_on=('user_id_x', 'page_id'),
right_on=('user_id', 'page_id')
)
end result = comparability(comparability('user_id').isna())(('user_id_x', 'page_id'))Abschließend entfernen wir alle Duplikate, um zu vermeiden, dass dieselbe Seite mehrmals empfohlen wird, und benennen die Spalte aus Gründen der Übersichtlichkeit um.
end result = end result.drop_duplicates()
end result = end result.rename(columns={'user_id_x': 'user_id'})Hier sind die ersten Zeilen der erwarteten Ausgabe.
| Benutzer-ID | page_id |
|---|---|
| 1 | 23 |
| 1 | 24 |
| 1 | 28 |
| 3 | 23 |
| 3 | 28 |
Bisher haben wir uns auf traditionelle Techniken verlassen: alles selbst kodieren, zusammenführen und interpretieren.
Mit NotebookLM von Google können wir den Lernprozess nun noch einen Schritt weiter vorantreiben.
# Vom Lösen zum Lernen: Betreten Sie NotebookLM
In diesem Abschnitt zeigen wir, wie Sie NotebookLM mit den Particulars der Meta-Interviewfrage versorgen und erkunden dann die sechs interaktiven Funktionen, die Ihnen helfen, intelligenter zu lernen.
// Schritt 1: Erstellen Sie ein neues Notizbuch und fügen Sie Ihre Daten hinzu
Bevor NotebookLM uns helfen kann, müssen wir ihm Informationen zu unserer Interviewfrage zur Verfügung stellen. Dies beginnt mit der Erstellung eines neuen Notizbuchs. Gehen Sie zum NotebookLM-Website und klicken Sie auf „Neues Notizbuch erstellen“.
Sie werden nach der Quelle gefragt.
Wie Sie im Screenshot unten sehen können, stehen verschiedene Optionen zur Verfügung.
- Google Drive
- Webseite
- Youtube
- Textual content einfügen
Lassen Sie uns die Choice „Textual content einfügen“ verwenden und die Metadaten der Interviewfrage der Meta einfügen. Hier sind die Informationen, die wir in diesem wiederverwendbaren Format einfügen werden.
Right here is the query.
(paste query right here)
It makes use of two datasets.
(paste dataset info right here)
Right here is the python resolution.
(paste python resolution right here.)Klicken Sie anschließend auf „Einfügen“, wie unten gezeigt.
// Entdecken Sie das Interactive Studying Studio
Unten sehen Sie den Bildschirm, der geöffnet wird, nachdem wir auf „Einfügen“ geklickt haben. Hyperlinks sehen wir die Quellen. In der Mitte haben wir ein LLM, das auf unseren Daten trainiert wurde. Rechts haben wir ein „Studio“ mit sechs verschiedenen Lernformaten, die wir einzeln testen.
Klicken wir auf die Schaltfläche „Wie nutzt die Python-Lösung vorhandene Freundes- und Seitendaten für Empfehlungen“, die sich unter dem Eingabetext in der Mitte befindet? Diese Frage wurde von NotebookLM generiert.
Hier ist die Antwort.
Wie Sie sehen, erklärt es das gesamte Konzept. Sie können diese Notiz auch speichern, indem Sie am Ende auf „Notiz speichern“ klicken. Die Notizen werden dann im Abschnitt „Studio“ wie folgt angezeigt.
Wenn Sie additionally Fragen zu dieser Interviewfrage haben, können Sie das LLM in der Mitte des vorherigen Bildschirms verwenden, um eine Antwort zu erhalten. Lassen Sie uns die sechs „Studio“-Funktionen erkunden, die die Dinge interessanter machen.
// Erleben Sie die sechs Lernfunktionen von NotebookLM
In diesem Abschnitt sehen wir die unten gezeigten sechs Lernfunktionen von NotebookLM in Aktion.
Jedes hilft Ihnen, die Meta-Interviewfrage aus einem anderen Blickwinkel zu verstehen – durch Audio, Video, Bilder und interaktive Übungen.
1. Erstellen Sie eine Audioübersicht
Klicken Sie auf „Audioübersicht“.
Wenn Sie dies tun, wird diese Benachrichtigung unter „Studio“ angezeigt und Ihre Audioübersicht ist in wenigen Minuten fertig.
NotebookLM verwandelt Ihre hochgeladenen Inhalte in ein Gespräch im Podcast-Stil. Zwei KI-Stimmen besprechen Ihr Downside, als würden Sie einer Present zur Vorbereitung auf ein technisches Vorstellungsgespräch zuhören. Sie schlüsseln das Empfehlungssystem von Meta auf, erläutern die Logik und heben Grenzfälle hervor.
Sie können dieses Gespräch herunterladen und interessanterweise auch daran teilnehmen, indem Sie auf „Interaktiv“ klicken. Anschließend öffnet sich der folgende Bildschirm.
Und wenn Sie auf „Teilnehmen“ klicken, lautet die Nachricht „Hallo, jemand möchte mitmachen“, sodass Sie an der Unterhaltung teilnehmen können. (Ja, Sie können wirklich an der Konversation teilnehmen; sie wird in Echtzeit über eine Textual content-to-Speech-API aktualisiert. Eine wirklich futuristische Funktion!)
2. Erstellen Sie die Videoaufschlüsselung
Gehen Sie zurück zum Bereich „Studio“ und klicken Sie auf „Videoübersicht“. NotebookLM erstellt ein Video, das Ihre Daten visualisiert und die Lösung erklärt. In unserem Fall ist das Video 6 Minuten und 21 Sekunden lang.
Im generierten Video erklärt NotebookLM zunächst das umfassendere Konzept: Wie Social-Media-Plattformen entscheiden, was empfohlen wird, bevor wir uns unserem spezifischen Downside zuwenden.
Als nächstes wird im generierten Video das Interviewproblem besprochen, indem es in Teile zerlegt wird, beginnend mit dem unten gezeigten Schlüsselschritt.
Als nächstes beginnt es mit der Erläuterung der Lösung. Es wiederholt nicht einfach, was auf dem Bildschirm angezeigt wird; Die Erläuterungen gehen tief in das Konzept ein.
Und schließlich wird die Lösung in Schritte unterteilt und anhand dieser Schritte erläutert.
3. Ordnen Sie die Logik visuell zu
Kehren Sie zum Bedienfeld „Studio“ zurück und klicken Sie auf „Thoughts Map“.
NotebookLM generiert einen visuellen Baum des Issues. Schauen wir uns eins an.
Sie sehen die gesamte Problemstruktur in einer Ansicht: Empfehlungsziel oben, erforderliche Datensätze in der Mitte und Lösungsschritte unten. Klicken wir auf eine davon, zum Beispiel „Schritt 1: Seiten von Freunden identifizieren (Zusammenführen 1).“
Wie Sie sehen, wird die Mindmap durch die Erläuterung von Schritt 1 erweitert. Sie können sie auch herunterladen.
4. Erstellen Sie Berichte
Kehren Sie zum Studio-Bedienfeld zurück und klicken Sie auf „Berichte“. NotebookLM fordert Sie auf, auszuwählen, welche Artwork von Bericht Sie erstellen möchten.
Wählen wir eine Problemlösung aus. Es wird mit der Erstellung eines Berichts begonnen.
Hier ist die Schritt-für-Schritt-Anleitung, die erklärt, wie Sie diese Interviewfrage lösen können.
5. Karteikarten erstellen
Gehen Sie zurück zum Bereich „Studio“ und klicken Sie auf „Lernkarten“. NotebookLM generiert automatisch Frage-und-Antwort-Karten. Schauen wir uns einen davon an.
Und wenn Sie auf die Antwort klicken, finden Sie hier das Ergebnis.
Klicken wir auf „Erklären“. Es verwendet eine Eingabeaufforderung, um diese Frage mit Gemini-Modellen zu beantworten.
Schauen wir uns nun die Ergebnisse an.
6. Erstellen Sie ein Quiz
Kehren Sie zum Studio-Bedienfeld zurück und klicken Sie auf das Quiz. NotebookLM generiert einen Übungstest. Machen wir es und schauen wir uns das erste Quiz an.
Klicken wir auf „Hinweis“.
Die Antwort liegt nun auf der Hand. Additionally wählen wir es aus und sehen, was passiert.
Wenn Sie noch eine Frage haben, klicken Sie auf „Erklären“. Sie gelangen zum mittleren Abschnitt, wo der an unserer Lösung geschulte LLM die Antwort liefert. Hier ist es.
# Abschluss
Die Vorbereitung auf technische Vorstellungsgespräche bedeutet nicht, dass man die Probleme im Vorstellungsgespräch isoliert lösen muss. Es bedeutet, tiefgreifend zu verstehen, klar zu visualisieren und selbstbewusst zu erklären. NotebookLM verwandelt eine einzelne Interviewfrage in ein multisensorisches Lernerlebnis, einschließlich Audio, Video, visuellen Karten, schriftlichen Berichten und aktiver Erinnerung.
Sie verfügen bereits über die Fähigkeiten zur Problemlösung. Jetzt haben Sie ein System, um sie zu organisieren, zu verstärken und unter Druck zu präsentieren. Wenn Sie das nächste Mal eine schwierige SQL- oder Python-Frage sehen, geraten Sie nicht in Panik. Laden Sie es hoch, erkunden Sie es und meistern Sie es.
Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von High-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Traits auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Knowledge-Science-Projekte vor und behandelt alles rund um SQL.