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 52 вопроса
- Как устроена реализация дропаута в PyTorchSeniorHybrid
- В чем разница дропаута и батч-нормализацииSeniorHybrid
- Кому показывать в машинном маркетингеSeniorHybrid
- Можно ли использовать кросс-энтропию для двух классов и почему это не рекомендуетсяSeniorHybrid
- Как моделировать конверсииSeniorHybrid
- Как создавать релевантные и достоверные негативные пары для обучения моделиSeniorHybrid
- Как избежать потери достоверности при смешивании признаковSeniorHybrid
- Как работает баннерное размещениеSeniorHybrid
- Как строить выборку для обучения модели с релевантными парами наблюденийSeniorHybrid
- Какие критерии остановки роста дерева существуют кроме ограничения глубиныSeniorHybrid
- Ответь на такие вопросы вслухMock-интервью с ИИ: вопросы голосом и разбор каждого ответа.Попробовать
- Как регенерация баннеров повышает конверсииSeniorHybrid
- Как расширять целевую аудиториюSeniorHybrid
- Какую проблему решает батч-нормализацияSeniorHybrid
- Используются ли статистики из батча или сохраненные параметры в батч-нормализации на инференсеSeniorHybrid
- Как дерево возвращает вероятность принадлежности объекта к классуSeniorHybrid
- Возникает ли дрейф модели при обучении с дроп-аутом и инференсе без негоSeniorHybrid
- Какие еще методы борьбы с переобучением кроме дропаута существуютSeniorHybrid
- Как избежать обучения модели эвристике создания негативных примеров вместо генерализацииSeniorHybrid
- Почему дроп-аут отключают на инференсеSeniorHybrid
- Зачем нужна аугментация данныхSeniorHybrid
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.