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 741 вопрос
- Какие поля выбрать для сортировки кластерного индексаSeniorОстровок
- Какой лосс использовать при дисбалансе классовSeniorАТОМ
- Что такое таргетингJuniorHybrid
- Как бороться с даталиками при использовании target encodingSeniorАвтомакон
- Есть ли данные для проверки решения или нужно создавать тестовые данные самостоятельно?SeniorПлатформаОФД
- Какие есть варианты обмена данными между заказчиком и внутренним контуром компании?SeniorАвтомакон
- Приходилось ли писать Docker файлы и работать с контейнерамиSeniorRubbles
- С какой даты вы готовы начать сотрудничество в случае положительного решенияMiddleSoftInterMob
- Можно ли найти параметры линейной регрессии аналитически, а не градиентным спускомMiddleСбер
- Какие инструменты используешь для рисования диаграмм?SeniorАвтомакон
- Ответь на такие вопросы вслухMock-интервью с ИИ: вопросы голосом и разбор каждого ответа.Попробовать
- Почему не используют аналитическую формулу при решении задачи линейной регрессии?SeniorAvito
- Нужно ли ставить shuffle в DataLoader?SeniorМагнит
- Что такое bias и variance, и что уменьшается в случайном лесе?JuniorAvito
- Как реализовать обучение модели XGBoost при данных, не помещающихся в памятьSeniorИннотех
- Как устроена реализация дропаута в PyTorchSeniorHybrid
- Как контролировать качество данных в проектахSeniorSensemitter
- В чем разница дропаута и батч-нормализацииSeniorHybrid
- Можно ли использовать Precision-Recall кривую вместо ROC AUC при дисбалансе классовSeniorГазпромбанк
- Как должен выглядеть контракт интеграции между виртуальной АТС и CRM?SeniorАвтомакон
- Что такое type hints в Python и как они используютсяJuniorСбер
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.