Machine learning Interview

Лучше бы пил

🔥 Бесплатный курс по нейросетям от Андрея Карпати: от backprop до GPT Neural Networks: Zero to Hero — бесплатный курс с видео и Jupyter-ноутбуками, где нейросети изучаются через реализацию руками. Что внутри: • backprop с нуля через micrograd • bigram и MLP-модели на PyTorch • разбор активаций, градиентов и BatchNorm • ручной backprop без loss.backward() • переход к WaveNet-подобной архитектуре • сборка GPT по шагам • основы BPE-токенизации Хороший вариант, чтобы понять, как нейросети работают изнутри, а не запоминать формулы. Проект open-source, лицензия MIT. 🔗 https://github.com/karpathy/nn-zero-to-hero

🧠 Face ID — это далеко не самая сложная задача в биометрии. Настоящие проблемы начинаются, когда систему нужно заставить работать не на красивом датасете, а в реальном мире. Например: • как отличить человека от фотографии или дипфейка • что делать, если лицо закрыто маской или очками • как запускать модели на слабом железе без потери качества • почему высокий accuracy почти ничего не говорит о надежности системы • какие метрики действительно важны (FAR, FRR, EER) Именно эти задачи ежедневно решают инженеры, которые разрабатывают биометрические системы для миллионов устройств. 28 июля в 19:00 пройдет открытый вебинар, где Иван Соломатин — к.т.н., ведущий инженер Samsung Electronics, преподаватель МФТИ и Harbour.Space [анкорная ссылка https://harbour.space], автор курсов онлайн-магистратуры MSAI (girafe.ai [анкорная ссылка https://girafe.ai /?utm_source=tg&utm_medium=posev&utm_campaign=machine_learning_interview] × МФТИ) разберет, как сегодня строятся современные системы биометрического распознавания. Обсудим: • как устроены современные биометрические пайплайны • какие существуют виды биометрических признаков • как защищают системы от спуфинга • почему хорошие модели иногда плохо работают в продакшене 📅 28 июля, 19:00 (МСК) Формат: онлайн, на платформе Zoom Участие бесплатное, необходима предварительная регистрация Если захотите глубже разобраться в Computer Vision, ML Engineering и других направлениях современного AI, посмотреть программу онлайн-магистратуры MSAI можно на сайте girafe.ai/msai-program [анкорная ссыдка https://girafe.ai /?utm_source=tg&utm_medium=posev&utm_campaign=machine_learning_interview] Реклама: Физ лицо Гончаренко В. В. ИНН 272403059890 Erid: 2VtzqvTq1Rt

Курт Гёдель нашёл «дыру» в Конституции США, которая, по его мнению, позволяла легально превратить страну в диктатуру. В 1947 году, готовясь к экзамену на американское гражданство, один из величайших логиков XX века внимательно изучил Конституцию и заявил, что обнаружил в ней внутреннее противоречие. По воспоминаниям, на собеседовании Гёдель даже попытался объяснить судье, как именно демократическая система теоретически может сама себя отменить через законные процедуры. Его друзья Альберт Эйнштейн и Оскар Моргенштерн, присутствовавшие рядом, быстро свернули дискуссию. История получила название Gödel’s Loophole.

Sakana AI обновила Fugu-Ultra: до +7,9 пункта на бенчмарках Вышла Fugu-Ultra v1.1. Sakana AI обновила пул frontier-моделей, которыми управляет её мультиагентный оркестратор. По данным компании, новая версия стала сильнее на всех опубликованных тестах, а прирост относительно v1.0 достигает 7,9 пункта. Особенно заметные улучшения заявлены на ProgramBench и Terminal Bench 2.1, то есть в задачах на кодинг и длительную работу агента. Fugu интересна тем, что за одним API скрывается сразу несколько моделей. Система сама выбирает экспертов, распределяет между ними роли и объединяет результаты в один ответ. Архитектура основана на исследованиях TRINITY и Conductor. Цена при этом осталась прежней: $5 за 1 млн входных токенов и $30 за 1 млн выходных для стандартного контекста. https://sakana.ai/fugu

Если хочешь развиваться в машинном обучении — решать реальные бизнес-задачи или уйти в исследования — в Центральном университете есть магистратура под оба сценария. И на нее можно получить грант до 75%. Места ограничены, дедлайн подачи заявок — 20 августа. «Машинное обучение» — это направление с несколькими форматами и треками. В офлайн-формате (пары по вечерам и в выходные в центре Москвы) можно выбрать один из трех треков: ⚫️Индустриальный — сильная база в ML, современные инструменты, реальные задачи от партнеров ⚫️Научный (AIRI × ЦУ) — сложные модели, исследования, подготовка к аспирантуре и работе в передовых лабораториях ⚫️ML в электронной коммерции × Lamoda — работа с реальными данными Lamoda, применение ML для бизнес-задач и возможность попасть на стажировку в компанию Для тех, кто хочет учиться из любой точки мира, есть онлайн-формат: основной трек и продвинутый — для специалистов с опытом в ML. Это полноценная альтернатива офлайну с теми же преподавателями и курсами. Магистратура в Центральном университете — это 2 года обучения, которое можно совмещать с работой, и диплом государственного образца. Карьерная поддержка начинается еще во время учебы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышаются в грейде в Яндексе, Авито, Т-Банке и других компаниях. Поступление проходит через грантовый конкурс — это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на все время обучения: грант покрывает до 75% стоимости. В 2026 году доступно 550 грантов на все программы магистратуры. Подробнее о программах и условиях участия в конкурсе — по ссылкам ➡️Офлайн программа ➡️Онлайн программа

OpenAI собрала библиотеку реальных сценариев работы с ChatGPT и Codex На сайте Work, in progress публикуют практические кейсы, эксперименты и промпты от разработчиков и обычных пользователей. Среди примеров: * создание сайтов, API и интерактивных инструментов; * работа с несколькими ИИ-агентами; * анализ документов и исследования; * ревью и исправление кода; * монтаж видео через Codex; * автоматизация повседневных задач. Материалы можно фильтровать по продукту, типу задачи, автору и языку. Полезная база идей для тех, кто ищет реальные способы встроить ChatGPT и Codex в работу. https://work-in-progress.openai.chatgpt.site/

МТС True Tech и ВТБ 2 августа приглашают на масштабное событие этого лета для специалистов по Data Science «Урбан ML». В трех залах пройдут 17 выступлений и мастер-классов по RecSys, антифроду, NLP, LLM и агентным системам. Выступят Data Science-лидеры и эксперты из компаний: MTC Web Services (MWS), ВТБ, RWB, Sber AI Lab, X5, Звук, Альфа Банк и других компаний. Мероприятие пройдет в московском лофте с атмосферным двором. Участников ждут нетворкинг-активности, баскетбол, ИИ-шахматы и настольный теннис. А вечером — афтепати с диджей-миксами под открытым небом. Когда: 2 августа 11:00 — 22:00 Где: Москва, офлайн Участие бесплатное по предварительной регистрации. Количество мест ограничено. erid: 2W5zFFwJDaH

🚀 ИИ-модель китайской RedNote набрала 42 из 42 на математической олимпиаде dots-note-3.0 решила все шесть задач Международной математической олимпиады 2026 года. Официальные проверяющие поставили модели по 7 баллов за каждое доказательство. Такой же результат показали лишь 7 из 666 участников. Результат особенно важен из-за формата IMO. Здесь оценивают полный ход доказательства: пропущенный случай, логический разрыв или неуказанное условие снижают балл, даже если итоговый ответ верный. Модель работала с исходными условиями задач, использовала агентный цикл с рассуждениями на естественном языке и выполнением Python-кода. Затем она проверяла собственные доказательства, находила слабые места и переписывала решения. Во время тестирования вмешательство людей было запрещено. Для сравнения: в 2025 году модели Google DeepMind и OpenAI получили по 35 баллов из 42, что соответствовало уровню золотой медали. dots-note-3.0 пока находится в бете и является самой лёгкой моделью семейства dots3. В него также входят более крупные jazz и aria. RedNote обещает открыть модель, но дату пока не называет. scmp.com/tech/article/3361482/worlds-first-ai-model-earn-perfect-score-maths-olympiad-comes-chinas-rednote

Как научить матричную факторизацию реально планировать рекомендации на несколько шагов вперед Несмотря на развитие рекомендательных трансформеров и генеративных моделей, матричные факторизации по-прежнему широко применяются в рекомендательных системах. Обычно система берёт top-K айтемов, которые ближе всего к текущему эмбеддингу пользователя, не учитывая, как показ рекомендации изменит его профиль и последующие выдачи. Исследователи AI VK решили добавить к ALS планирование через Monte Carlo Tree Search. Работу Planning over Matrix-Factorization MDPs for Candidate Generation приняли на воркшопе Customer Journey в рамках KDD 2026. ### Как устроен подход За основу взяли ALS и механику обновления профилей из сервиса Profile Stream во VK. Эмбеддинг пользователя там пересчитывается после новых взаимодействий, поэтому процесс можно представить как RL-среду: - состояние — текущий эмбеддинг пользователя; - действие — показ конкретного айтема; - награда — близость к релевантным айтемам; - переход — обновление эмбеддинга по формулам ALS в допущении оптимистичной среды MCTS строит дерево возможных последовательностей рекомендаций. Каждая вершина соответствует состоянию пользователя, а ветви — кандидатам из top-K. В офлайн-экспериментах использовался оптимистичный сценарий: при переходе считалось, что пользователю понравился показанный айтем. Далее профиль обновлялся, и поиск продолжался уже из нового состояния. В результате Эксперименты провели на VK-LSVD, MovieLens-1M, KuaiRec, Yambda. При протоколе Leave-last-n планирование превзошло статический top-K на всех датасетах. На некоторых срезах VK-LSVD показатель Recall@10 вырос примерно в 1,5 раза. При Global time split, который ближе к реальному продакшн-сценарию, прирост сохранился на MovieLens-1M и VK-LSVD. Работа показывает, что поверх относительно лёгкой ALS можно использовать RL-планирование и учитывать будущую динамику пользовательского профиля. Следующие шаги: моделирование стохастической среды по логам и дистилляция MCTS-агента в быструю политику в духе MuZero. #aivkhub #rl #mcts #als

Как научить матричную факторизацию реально планировать рекомендации на несколько шагов вперед Несмотря на развитие рекомендательных трансформеров и генеративных моделей, матричные факторизации по-прежнему широко применяются в рекомендательных системах. Обычно система берёт top-K айтемов, которые ближе всего к текущему эмбеддингу пользователя, не учитывая, как показ рекомендации изменит его профиль и последующие выдачи. Исследователи AI VK решили добавить к ALS планирование через Monte Carlo Tree Search. Работу Planning over Matrix-Factorization MDPs for Candidate Generation приняли на воркшопе Customer Journey в рамках KDD 2026. ### Как устроен подход За основу взяли ALS и механику обновления профилей из сервиса Profile Stream во VK. Эмбеддинг пользователя там пересчитывается после новых взаимодействий, поэтому процесс можно представить как RL-среду: - состояние — текущий эмбеддинг пользователя; - действие — показ конкретного айтема; - награда — близость к релевантным айтемам; - переход — обновление эмбеддинга по формулам ALS в допущении оптимистичной среды MCTS строит дерево возможных последовательностей рекомендаций. Каждая вершина соответствует состоянию пользователя, а ветви — кандидатам из top-K. В офлайн-экспериментах использовался оптимистичный сценарий: при переходе считалось, что пользователю понравился показанный айтем. Далее профиль обновлялся, и поиск продолжался уже из нового состояния. ### В результате Эксперименты провели на VK-LSVD, MovieLens-1M, KuaiRec, Yambda. При протоколе Leave-last-n планирование превзошло статический top-K на всех датасетах. На некоторых срезах VK-LSVD показатель Recall@10 вырос примерно в 1,5 раза. При Global time split, который ближе к реальному продакшн-сценарию, прирост сохранился на MovieLens-1M и VK-LSVD. Работа показывает, что поверх относительно лёгкой ALS можно использовать RL-планирование и учитывать будущую динамику пользовательского профиля. Следующие шаги: моделирование стохастической среды по логам и дистилляция MCTS-агента в быструю политику в духе MuZero. #aivkhub #rl #mcts #als

Одна и та же ложь может по-разному влиять на LLM в зависимости от тона, уверенности и грамматической формы. В EoBench собрали около 66 тысяч ложных утверждений в 19 стилях и проверили 18 моделей Gemma, Llama и Qwen. Для теста оставили только те факты, которые модель изначально знала правильно. Лучше всего модели убеждали: * приказы; * формальный язык; * обращение как к ребёнку; * ссылки на авторитет; * уверенная подача. Хуже всего работали слабые формулировки и контрфактические утверждения. Крупные модели реже принимали ложный контекст, а instruction tuning обычно дополнительно повышал устойчивость. Вывод: оценивать LLM нужно с учётом формы запроса. Небольшое изменение формулировки может заметно изменить ответ модели. Статья: *It’s Not What You Say, It’s How You Say It: Evaluating LLM Responses to Expressions of Belief* arxiv.org/abs/2607.18232

AI Agents Security Week от ШАДа: как делать ИИ-агентов, которым можно доверять ИИ-агенты уже не просто отвечают в чате. Они пишут код, ходят в базы, вызывают инструменты, работают с файлами и могут влиять на реальные процессы. Поэтому главный вопрос теперь не «как подключить агента», а как выстроить архитектуру так, чтобы агент делал ровно то, что от него нужно. С 27 июля по 31 июля ШАД проведёт онлайн-интенсив AI Agents Security Week вместе с экспертами Яндекса. Разберут практические вещи: * чем автономные агенты отличаются от обычных LLM * как безопасно давать агентам доступ к инструментам и данным * как снижать риск утечек, взломов и ошибок конфигурации * какие уязвимости появляются в агентных системах * с какими проблемами уже сталкивались команды, которые делают ИИ-модели и продукты на их основе Интенсив подойдёт ML-разработчикам, DevOps и DevSecOps-инженерам, техлидам, архитекторам, а также студентам старших курсов технических вузов. Для практики пригодится понимание SDL и базовый опыт вайбкодинга: уметь поставить задачу модели, получить код и запустить его. Формат: пять вечерних онлайн-занятий с возможностью задавать вопросы экспертам. Чтобы получить сертификат, нужно пройти отборочное тестирование и выполнить итоговую работу. Заявки принимают до 27 июля включительно. Программа, спикеры и регистрация — на сайте.

✔️ Tencent показала Hyra-1.0 - агента из Hunyuan Research Agent. Hyra работает через цикл: задача → попытка → проверка → улучшение → новая попытка Агент работает и постепенно докручивает решение. Tencent показывает демо в трёх направлениях: * AI4AI - оптимизация моделей, пайплайнов и GPU-задач * AI4Science - научные и математические задачи * AI4Fun - экспериментальные сценарии Демо: https://hy.tencent.com/research/hyra

OvisOCR2 вышел на ModelScope. Это компактная OCR-модель на 0.8B параметров для page-level document parsing: на вход подаётся изображение страницы, на выходе получается структурированный Markdown в нормальном порядке чтения. Формулы модель отдаёт в LaTeX, таблицы в HTML, визуальные области помечает image tags с bbox-координатами. По заявленным результатам OvisOCR2 набрала 96.58 overall на OmniDocBench v1.6 и стала первой end-to-end моделью, которая заняла первое место в лидерборде, где раньше доминировали pipeline-системы. На PureDocBench тоже сильный результат: 75.06 Avg3. Это важнее, чем просто победа на одном бенчмарке, потому что документный парсинг давно страдает от переобучения под популярные наборы. Модель сделана на базе Qwen3.5-0.8B и дообучалась через SFT, RL и OPD. Для деплоя есть поддержка vLLM, лицензия Apache 2.0. https://modelscope.ai/models/ATH-MaaS/OvisOCR2

Hugging Face сообщила о проникновении в часть своей production-инфраструктуры. Точкой входа стал вредоносный датасет, который использовал две уязвимости в пайплайне обработки данных: загрузчик удалённого кода и инъекцию в конфигурационный шаблон. После выполнения кода на worker-узле агент: - получил доступ на уровне ноды - собрал облачные и кластерные credentials - перемещался между внутренними кластерами - выполнил тысячи действий через рой краткоживущих sandbox-сред В журналах зафиксировали более 17 000 событий. Hugging Face обнаружила несанкционированный доступ к части внутренних датасетов и нескольким сервисным ключам. Признаков изменения публичных моделей, датасетов, Spaces и опубликованных пакетов компания пока не нашла. Ироничная деталь: коммерческие ИИ-модели блокировали анализ реальных эксплойтов и C2-команд из-за safety-фильтров. Поэтому расследование проводили локально с помощью open-weight модели GLM 5.2. Компания закрыла пути выполнения кода, пересобрала скомпрометированные ноды и отозвала ключи. Пользователям рекомендуют сменить access-токены и проверить недавнюю активность аккаунта. https://thehackernews.com/2026/07/worlds-largest-ai-model-repository.html #ai #cybersecurity #huggingface #infosec

Maths, CS & AI Compendium: бесплатный учебник для будущих AI/ML-инженеров На GitHub завирусился большой open-source компедиум по математике, computer science и AI. Сейчас у проекта уже около 6.3K звёзд. Автор позиционирует его как «нестандартный учебник» для практиков: меньше сухой нотации, больше интуиции, связей между темами и реального контекста. Внутри 20 глав: * векторы, матрицы, calculus * статистика и вероятность * machine learning и deep learning * NLP, computer vision, audio/speech * multimodal learning и autonomous systems * GNN, OS, алгоритмы * production engineering, GPU/SIMD * AI inference, ML systems design и applied AI Отдельно есть MCP server, чтобы Claude Code, Cursor, VS Code и другие AI-ассистенты могли использовать компедиум как локальную базу знаний. Хороший ресурс для тех, кто хочет не просто «выучить ML», а собрать фундамент: математика → CS → ML systems → современный AI. GitHub: https://github.com/HenryNdubuaku/maths-cs-ai-compendium thub.com/HenryNdubuaku/maths-cs-ai-compendium

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку В IT прокачивается тот, кто каждый день видит сильные идеи, новые инструменты, реальные задачи, вакансии и разборы. Окружение решает больше, чем кажется. Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: t.me/DevopsDocker Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_1001_notes Java: t.me/java_library JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: @courses ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд. Пока кто-то листает шум, ты будешь видеть инструменты, задачи и идеи, которые помогают расти в профессии.

Исследователи дали coding agent задачу собрать training environment и научить vision-модель считать цветные звёзды. С ограничением по времени. Агент работал через autoresearch-пайплайн на NeMo RL, NeMo Gym и reusable skills. Он сам поднимал окружение, запускал обучение, проверял результаты и двигал эксперимент дальше, пока исследователь только направлял процесс. Результат: Qwen3-VL-2B поднялась с 25% до 96.9% accuracy на задаче подсчёта цветных объектов. Агент ведёт исследовательский цикл: * собирает среду * запускает обучение * оценивает модель * анализирует результат * предлагает следующий эксперимент И вот это уже похоже на будущее ML-разработки: человек задаёт направление и критерии, а агент берёт на себя рутину вокруг экспериментов. https://developer.nvidia.com/blog/how-to-run-an-autoresearch-workflow-with-rl-agent-skills-and-nvidia-nemo/?linkId=100000430716000

Модели для распознавания и анализа речи — в открытом доступе Команда GigaChat выложила две модели и датасет: — GigaChat3.1-Audio-10B-A1.8B - audio-native LLM — GigaAM-Multilingual - мультиязычный ASR — TimeGround-1M - датасет для привязки событий ко времени в длинном аудио GigaChat Audio работает со звуком напрямую, без промежуточной расшифровки в текст. Ведёт диалог по записи, распознаёт речь, переводит, классифицирует и собирает выжимку с таймкодами. Держит до двух часов аудио — то есть созвон или лекцию целиком, без нарезки на куски. Загрузил запись — получил резюме и таймкоды, чтобы перемотать к нужному месту. Сильная сторона как раз в этом: модель понимает не только что сказали, но и когда. GigaAM-Multilingual — распознавание речи на русском, английском, казахском, киргизском и узбекском. Энкодер предобучен на 2 млн часов и 70+ языках, так что под новый язык или домен дообучается на скромных данных: грузинский и башкирский подняли с одного Common Voice до WER ~4%. TimeGround-1M — это данные, а не веса. Веса сейчас открывают многие, датасеты — заметно реже, а здесь можно учить собственные модели привязывать события ко времени. Что можно собрать уже сейчас: — ассистент по встречам и лекциям — поиск по аудиозаписям — выжимки с таймкодами — ASR для ботов и приложений — дообучение под свой язык и домен У Audio-модели 10B параметров, активных — 1,8B, так что поднять её реально на своём железе. Обе статьи приняли на Interspeech 2026. Hugging Face: — https://huggingface.co/ai-sage/GigaChat3.1-Audio-10B-A1.8B — https://huggingface.co/ai-sage/GigaAM-Multilingual — https://huggingface.co/datasets/ai-sage/TimeGround-1M С удовольствием посмотрел статьи команды: https://arxiv.org/abs/2607.10387 https://arxiv.org/abs/2607.10371