JobPathВопросы на собеседовании дата-сайентиста и ML-инженера
1 165 вопросов с реальных собеседований, чаще всего — в компаниях Сбер, Иннотех и Avito.
Все вопросы
Нашлось 40 вопросов
- Почему в промышленной среде чаще используют градиентный бустинг, а не случайный лес?Senior×16Яндекс, Лаборатория Касперского
- В чем разница градиентного бустинга и случайного лесаSenior×16Домклик, филиппинский банк Salmon
- Какая метрика важнее: precision или recall в зависимости от задачи?Senior×9Газпромбанк, Яндекс
- В чем идея случайного леса и почему он работаетSenior×4SoftInterMob, Сбер
- В чем преимущества логистической регрессии и градиентного бустинга и в каких задачах их использовать?Senior×4Иннотех, Сбер
- Как масштабирование признаков влияет на обучение моделиSenior×4ПлатформаОФД, Сбер
- Что произойдет, если удалить первое или последнее дерево в бустингеSenior×4Сбер, Совкомбанк
- В чем разница между L1 и L2 регуляризациейSenior×4ПАО Газпром нефть, Сбер
- Как измеряется и описывается сложность алгоритмовSeniorСбер
- Как использовать кросс-валидацию для оценки моделиSeniorСбер
- Ответь на такие вопросы вслухMock-интервью с ИИ: вопросы голосом и разбор каждого ответа.Попробовать
- Какие значения ROC считаются хорошими, а какие плохимиSeniorСбер
- Какие методы существуют для интерпретации зависимости признака от таргета, включая блэкбокс моделиSeniorСбер
- В чем идея полносвязной нейронной сети и почему она работаетSeniorСбер
- Каков полный пайплайн обучения моделиSeniorСбер
- Почему нельзя напрямую оптимизировать accuracySeniorСбер
- Как определить вертикальную ось симметрии для списка точек?SeniorСбер
- Как обрабатывать пустую строку в функции?SeniorСбер
- Как обрабатывать пропуски и категориальные признаки перед обучением моделиSeniorСбер
- Какие ансамблевые методы используют глубокие деревьяSeniorСбер
- Как дерево обрабатывает выбросы признаков, отсутствующие в обучающей выборкеSeniorСбер
Как проходит собеседование
Собеседование на дата-сайентиста или ML-инженера обычно включает скрининг, секцию по математике и машинному обучению, задачу на код и разбор кейса из практики. Иногда отдельно проверяют SQL. Рекрутер обычно уточняет, с какими данными и задачами ты работал, а на встрече с командой просят рассказать о модели, которая дошла до продакшна, и о том, что пошло не так.
По теории спрашивают основы статистики и вероятностей, переобучение и способы с ним бороться, метрики качества и выбор метрики под задачу, устройство линейных моделей, деревьев и бустинга. Для ML-инженеров добавляются нейросети, работа с данными в продакшне, обучение и выкатка моделей, мониторинг их качества. Почти всегда просят разобрать кейс: как ты поставишь задачу, какие признаки соберёшь и как поймёшь, что модель работает. Отдельно проверяют Python и библиотеки для работы с данными.
Чтобы готовиться прицельно, отфильтруй вопросы по своему уровню и начни с тех, что спрашивали чаще всего: счётчик стоит у каждого вопроса. Ответь на несколько из них вслух в mock-интервью, так видно, где ответ разваливается, ещё до настоящего созвона.
Другие направления
Прорепетируй собеседование дата-сайентиста и ML-инженера
Голосовой ИИ-интервьюер задаст вопросы твоего стека, переспросит и разберёт каждый ответ.