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 105 вопросов
- Кем работалиSeniorСбер
- Как нормировать доход клиента для оценки платежеспособности?SeniorСбер
- Можно ли найти параметры линейной регрессии аналитически, а не градиентным спускомMiddleСбер
- Что такое type hints в Python и как они используютсяJuniorСбер
- Как понять, когда остановить отбор признаков?MiddleСбер
- В чем проблема линейной зависимости признаков?SeniorСбер
- Как поступать, если доход клиента неизвестен?SeniorСбер
- Что такое метод next в итераторах и как он реализуетсяJuniorСбер
- Работали ли с объектно-ориентированным программированиемSeniorСбер
- Достаточно ли использовать одну фичу суммы кредита или нужно увязать ее с другими признаками?SeniorСбер
- Ответь на такие вопросы вслухMock-интервью с ИИ: вопросы голосом и разбор каждого ответа.Попробовать
- На основании каких показателей можно понять, что модель деградировалаSeniorСбер
- Как отследить ошибки в модели?SeniorСбер
- Как работают решающие деревьяSeniorСбер
- Какие типы данных существуют в PythonMiddleСбер
- Как подсчитать количество сотрудников по категориям зарплаты с помощью Pandas DataFrameMiddleСбер
- Как отобрать 10 тысяч признаков для модели?SeniorСбер
- Что значит изменяемый тип данныхSeniorСбер
- Какова временная сложность добавления элемента в список Python в конец, начало и серединуSeniorСбер
- Писали ли свои классыSeniorСбер
- Как считается аналитическое решение для линейной регрессииSeniorСбер
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.