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 76 вопросов
- Какие преимущества у Spark по сравнению с PandasSeniorИннотех
- Как балансировать нагрузку между репликами сервераSeniorИннотех
- Плохо ли навешивать индексы на все поля и почемуSeniorИннотех
- Какие проблемы возникают при обучении логистической регрессии, если количество признаков больше количества наблюдений?SeniorИннотех
- Как реализовать обучение модели XGBoost при данных, не помещающихся в памятьSeniorИннотех
- Какой опыт работы с нейросетямиSeniorИннотех
- Какие решения принять при нехватке ресурсов для обработки запросов с задержкойSeniorИннотех
- Почему селекты могут стать медленнее при большом количестве индексовSeniorИннотех
- Как отслеживать изменения бизнес-атрибутов в уже загруженных данныхSeniorИннотех
- В чем разница запуска модели на CPU и GPUSeniorИннотех
- Ответь на такие вопросы вслухMock-интервью с ИИ: вопросы голосом и разбор каждого ответа.Попробовать
- Работали ли вы с рекуррентными нейронными сетямиSeniorИннотех
- Как очистить таблицу от дублирующихся данных в SQLSeniorИннотех
- Зачем и когда использовать видеокартыSeniorИннотех
- Как работает SQL запрос с полным набором полей без агрегатных функций и GROUP BY по этим же полямSeniorИннотех
- Зачем нужны сенсоры в AirflowSeniorИннотех
- Какие типы SCD существуют и как формируется историчность в таблицахSeniorИннотех
- Как лучше хранить веса модели: в Docker образе или загружать отдельноSeniorИннотех
- Отдавали ли вы образ с Dockerfile в репозиторий для деплоя моделиSeniorИннотех
- Как балансировать скорость ответа модели и размер моделиSeniorИннотех
- Был ли опыт минимизации размера модели или ее оптимизацииSeniorИннотех
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.