متاح الآن! بحث تيليغرام 2025 — أهم رؤى العام 
Data Science | Вопросы собесов
الذهاب إلى القناة على Telegram
Cайт easyoffer.ru Реклама @easyoffer_adv ВП @easyoffer_vp Тесты t.me/+Kn2WW6VoGrZkNzky Вакансии t.me/+Ir52wMvyEgo5YWIy
إظهار المزيد4 940
المشتركون
-324 ساعات
-87 أيام
-2430 أيام
جاري تحميل البيانات...
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
يونيو '26
يونيو '26
+20
في 0 قنوات
مايو '26
+32
في 0 قنوات
Get PRO
أبريل '26
+55
في 0 قنوات
Get PRO
مارس '26
+58
في 0 قنوات
Get PRO
فبراير '26
+115
في 0 قنوات
Get PRO
يناير '26
+100
في 0 قنوات
Get PRO
ديسمبر '25
+62
في 0 قنوات
Get PRO
نوفمبر '25
+110
في 0 قنوات
Get PRO
أكتوبر '25
+132
في 1 قنوات
Get PRO
سبتمبر '25
+75
في 0 قنوات
Get PRO
أغسطس '25
+82
في 0 قنوات
Get PRO
يوليو '25
+125
في 0 قنوات
Get PRO
يونيو '25
+127
في 0 قنوات
Get PRO
مايو '25
+124
في 1 قنوات
Get PRO
أبريل '25
+166
في 0 قنوات
Get PRO
مارس '25
+598
في 5 قنوات
Get PRO
فبراير '25
+332
في 4 قنوات
Get PRO
يناير '25
+201
في 53 قنوات
Get PRO
ديسمبر '24
+120
في 0 قنوات
Get PRO
نوفمبر '24
+162
في 1 قنوات
Get PRO
أكتوبر '24
+310
في 40 قنوات
Get PRO
سبتمبر '24
+408
في 249 قنوات
Get PRO
أغسطس '24
+181
في 1 قنوات
Get PRO
يوليو '24
+342
في 54 قنوات
Get PRO
يونيو '24
+924
في 244 قنوات
Get PRO
مايو '24
+999
في 191 قنوات
Get PRO
أبريل '24
+689
في 23 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 11 يونيو | +2 | |||
| 10 يونيو | 0 | |||
| 09 يونيو | +2 | |||
| 08 يونيو | +3 | |||
| 07 يونيو | +1 | |||
| 06 يونيو | +1 | |||
| 05 يونيو | +1 | |||
| 04 يونيو | +2 | |||
| 03 يونيو | +2 | |||
| 02 يونيو | +5 | |||
| 01 يونيو | +1 |
منشورات القناة
🤔 За что мэп штрафует больше: за перепрогноз или недопрогноз?
MAP (Mean Average Precision) больше штрафует за недопрогноз (упущенные релевантные элементы), так как метрика ориентирована на точность в верхней части ранжированного списка.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний
| 2 | 🤔 Почему считается, что случайный лес не переобучается?
Считается, что случайный лес не склонен к переобучению, потому что он усредняет предсказания большого количества деревьев решений, каждое из которых обучается на случайной подвыборке данных и случайных признаках. Этот процесс помогает уменьшить влияние отдельных переобученных деревьев на финальное предсказание. В результате модель становится более устойчивой к ошибкам и шуму в данных. Кроме того, случайный лес не сильно зависит от малозначимых признаков, так как случайные выборки уменьшают их влияние.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 243 |
| 3 | 🤔 В чем разница между метрикой качества и функцией потери при обучении?
Метрика качества оценивает, насколько хорошо модель работает, сравнивая её предсказания с реальными данными (например, Accuracy, Precision, ROC AUC). Функция потери измеряет ошибку модели и используется во время обучения для минимизации этой ошибки (например, MSE, Cross-Entropy). Метрика качества часто применяется на тестовых данных, а функция потери — на этапе оптимизации модели
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 266 |
| 4 | Как усилить вовлечение коллег в корпоративное обучение
📚Сотрудники включают обучающие вебинары фоном, пролистывают курсы и проходят тесты с помощью ИИ?
18 июня на вебинаре эксперты МТС Линк и ProctorEdu разберут, как выстроить онлайн-обучение с контролем знаний, вовлечением слушателей и достоверной проверкой результатов.
✅Вы узнаете, как:
• организовать эффективное асинхронное обучение с использованием ИИ;
• заменить «говорящую голову» на более вовлекающие форматы;
• контролировать использование ИИ, переключение на другие вкладки и смартфоны для прохождения тестирований;
• использовать онлайн-оценки для управленческих и кадровых решений.
💻 Вебинар будет полезен:
— директорам по персоналу;
— менеджерам по обучению и развитию сотрудников;
— руководителям корпоративных университетов.
Регистрируйтесь по ссылке
Зарегистрироваться
#реклама 16+
my.mts-link.ru
О рекламодателе | 287 |
| 5 | 🤔 При свёртке картинки HxW матрицей 3x3, что получится в итоге?
Результирующий размер изображения будет (H−2)×(W−2)(H-2) \times (W-2), если не использовать дополнение, так как свёртка "обрезает" края.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 316 |
| 6 | Аренда VPS/VDS-сервера.
Виртуальные выделенные серверы в дата-центрах уровня Tier III — 7 готовых конфигураций от 200 ₽/мес.
Преимущества аренды:
- Выделенные ресурсы без переплаты;
- KVM-виртуализация;
- Быстрые NVMe SSD;
- Соответствие 152-ФЗ, PCI DSS;
- Бесплатная защита от DDoS;
- Управление через панель, API и Terraform;
- Техподдержка 24/7.
Запустите сервер за несколько минут!
Попробовать
#реклама 16+
selectel.ru
О рекламодателе | 310 |
| 7 | 🤔 Как оценивать эффективность работы рекомендательных моделей?
Используются метрики:
1. Precision@K и Recall@K для точности и полноты рекомендаций.
2. NDCG для оценки релевантности на основе позиций элементов.
3. Coverage — доля уникальных рекомендованных элементов.
4. Оценка на основе A/B-тестов или пользовательских метрик, таких как удержание.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 372 |
| 8 | 🤔 В чем различия между методами apply и applymap?
В pandas `apply` используется для применения функции вдоль оси DataFrame (по строкам или столбцам), в то время как `applymap` применяется к каждому элементу DataFrame индивидуально.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 413 |
| 9 | 🤔 Как градиент бустинг регрессор работает?
Градиент бустинг регрессор строит множество слабых моделей, таких как деревья решений, и комбинирует их для улучшения предсказаний. Модели обучаются последовательно, каждая новая модель пытается скорректировать ошибки предыдущих. На каждом шаге модель минимизирует ошибку, используя градиент функции потерь для обновления предсказаний. Этот процесс продолжается до тех пор, пока не будет достигнута определенная точность или не исчерпаны ресурсы.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 442 |
| 10 | 🤔 Чему равно p-value для выброса?
Это вероятность получить значение настолько же экстремальное, как наблюдаемое, при условии, что оно принадлежит общему распределению.
Чем меньше p-value, тем выше вероятность, что точка — выброс.
Значение зависит от метода (Grubbs, Dixon, Z-score и др.). Обычно, если p < 0.05, точка может считаться выбросом.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 486 |
| 11 | 🤔 Что значит AUC <0.5? Что с ним делать?
AUC (Area Under the Curve) — это площадь под ROC-кривой, которая измеряет, насколько хорошо модель классифицирует объекты.
AUC = 1.0 → идеальная модель (отлично различает классы).
AUC = 0.5 → модель не лучше случайного угадывания.
AUC < 0.5 → модель предсказывает хуже, чем случайное угадывание.
Если AUC < 0.5, это означает, что модель инвертирует классы: когда она уверена, что объект относится к положительному классу, на самом деле он отрицательный, и наоборот.
🚩Что делать?
🟠Проверить, не перепутаны ли метки классов
Иногда в данных метки классов (0 и 1) могут быть инверсированы. Попробуйте изменить 0 на 1 и наоборот, а затем пересчитать AUC.
🟠Инвертировать предсказания
Если модель действительно "перепутала" предсказания, можно просто изменить знак вероятностей:
y_pred_inverted = 1 - y_pred
🟠Проверить ошибки в данных
Возможно, есть ошибки в признаках, модель обучается на шуме или неправильных данных.
🟠Переобучить модель с другими параметрами
Попробуйте изменить гиперпараметры или использовать другую модель.
Ставь 👍 и забирай 📚 Базу знаний | 529 |
| 12 | 🤔 Как работает MSE?
MSE (Mean Squared Error) — это метрика, используемая для оценки качества модели регрессии, которая измеряет среднее квадратичное отклонение предсказанных значений от фактических. Она рассчитывается как среднее арифметическое квадратов разности между предсказанными и реальными значениями: `MSE = (1/n) * Σ(actual - predicted)^2`, где n — количество наблюдений. MSE чувствительна к большим ошибкам, так как квадраты отклонений увеличивают вес крупных ошибок. Цель модели — минимизировать MSE, чтобы предсказания были как можно ближе к фактическим значениям.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 460 |
| 13 | 🤔 В чем преимущество медианы над средним?
Медиана менее чувствительна к выбросам, чем среднее (mean):
- Среднее (Mean) – учитывает все значения, поэтому искажается выбросами.
- Медиана (Median) – просто находит центральное значение в упорядоченном ряду, игнорируя крайние выбросы.
Медиана особенно полезна при распределении доходов, цен, длительностей и других данных с выбросами.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 462 |
| 14 |  👨👨👨👨👨👨👨👨👨👨
Каналы с IT вакансиями
и стажировками
Подписывайся и забирай свой оффер 🤘
1. Стажировки и вакансии по России и миру
2. IT вакансии по СНГ
3. IT стажировки по СНГ
4. ИИ-ассистент для автооткликов
5. DIGITAL и IT стажировки и вакансии
6. IT стажировки в топовых компаниях мира
7. Удалённые IT вакансии и стажировки
8. Python вакансии и стажировки
9. БИГТЕХ вакансии и стажировки
10. Design вакансии и стажировки
11. QA вакансии и стажировки
12. Junior вакансии и стажировки
13. Frontend вакансии и вопросы собесов
14. Вакансии и стажировки для аналитиков
15. Вакансии в русских стартапах за границей
16. Вакансии и стажировки для DevOps
17. Вакансии, которых нет на ХХ.РУ | 459 |
| 15 | 🤔 Как считается метрика IoU?
Метрика IoU (Intersection over Union) используется для оценки качества совпадения предсказанной области с истинной областью в задачах сегментации или обнаружения объектов. Она вычисляется как отношение площади пересечения двух областей (предсказанной и истинной) к площади их объединения.
🚩Пример расчета IoU
🟠Предсказанная область:
допустим, у нас есть предсказанный прямоугольник с координатами \((x_1, y_1, x_2, y_2)\).
🟠Истинная область:
истинный прямоугольник с координатами \((x_1', y_1', x_2', y_2')\).
🚩Выполнение расчета пересечения и объединения:
1⃣Найти координаты пересекающегося прямоугольника:
\(\text{left} = \max(x_1, x_1')\)
\(\text{right} = \min(x_2, x_2')\)
\(\text{top} = \max(y_1, y_1')\)
\(\text{bottom} = \min(y_2, y_2')\)
2⃣Рассчитать площадь пересечения:
\(\text{Площадь пересечения} = \max(0, \text{right} - \text{left}) \times \max(0, \text{bottom} - \text{top})\)
3⃣Рассчитать площадь объединения:
\(\text{Площадь объединения} = \text{Площадь предсказанной области} + \text{Площадь истинной области} - \text{Площадь пересечения}\)
def calculate_iou(box1, box2):
"""
Вычисляет IoU для двух прямоугольников.
box1 и box2 — это списки или кортежи, содержащие координаты прямоугольника в формате (x1, y1, x2, y2)
"""
x1, y1, x2, y2 = box1
x1_prime, y1_prime, x2_prime, y2_prime = box2
# Вычисляем координаты пересекающейся области
xi1 = max(x1, x1_prime)
yi1 = max(y1, y1_prime)
xi2 = min(x2, x2_prime)
yi2 = min(y2, y2_prime)
# Вычисляем площадь пересечения
inter_width = max(0, xi2 - xi1)
inter_height = max(0, yi2 - yi1)
inter_area = inter_width * inter_height
# Вычисляем площади обоих прямоугольников
box1_area = (x2 - x1) * (y2 - y1)
box2_area = (x2_prime - x1_prime) * (y2_prime - y1_prime)
# Вычисляем площадь объединения
union_area = box1_area + box2_area - inter_area
# Вычисляем IoU
iou = inter_area / union_area
return iou
# Пример использования
box1 = (1, 1, 3, 3)
box2 = (2, 2, 4, 4)
print(f"IoU: {calculate_iou(box1, box2)}")
Ставь 👍 и забирай 📚 Базу знаний | 431 |
| 16 | 🤔 Почему в нейронных сетях нельзя инициализировать веса нулями?
1. Симметричность: При инициализации весов нулями все нейроны в слое начинают обучение одинаково, что делает их идентичными.
2. Отсутствие обучения: Градиенты для всех нейронов слоя будут одинаковыми, из-за чего они не смогут различаться и обучаться.
3. Решение: Инициализация случайными значениями разрывает симметрию, позволяя нейронам обучаться независимо друг от друга.
Стандартные методы, такие как He или Xavier инициализация, обеспечивают оптимальный начальный размах весов.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 446 |
| 17 | 🤔 В чём отличия RoBERTa от BERT?
Это улучшенная версия модели BERT (Bidirectional Encoder Representations from Transformers), созданная с целью повышения её производительности за счёт модификации процесса обучения. Оба алгоритма основаны на архитектуре трансформеров и применяются для задач обработки естественного языка (NLP), таких как классификация текста, вопрос-ответные системы и другие. Основные отличия между RoBERTa и BERT заключаются в подходе к обучению.
🚩Основные отличия RoBERTa от BERT
🟠Масштаб и объём данных для обучения
BERT: Обучался на двух корпусах текстов: Wikipedia (2,5 млрд слов) и BookCorpus (800 млн слов).
RoBERTa: Использует значительно больший объём данных (~160 ГБ), включая:
Common Crawl News;
OpenWebText;
Stories от BooksCorpus и других источников.
🟠Оптимизация задачи маскированного моделирования языка (MLM)
BERT: Маскирует 15% токенов во входных данных и использует эту фиксированную маскировку на протяжении всей эпохи обучения.
RoBERTa: Применяет динамическую маскировку токенов, где токены маскируются случайно на каждой итерации.
🟠Исключение задачи NSP (Next Sentence Prediction)
BERT: Обучается на задаче NSP, где модель предсказывает, идут ли два предложения подряд.
RoBERTa: Убрала задачу NSP, так как эксперименты показали, что она незначительно влияет на производительность.
🟠Размер батча и количество шагов
BERT: Использует меньшие размеры батча (до 256) и обучался 1 млн шагов.
RoBERTa: Увеличивает размер батча до 8,000 и обучается 500,000 шагов.
🟠Использование гиперпараметров
RoBERTa уделяет больше внимания точной настройке гиперпараметров, таких как скорость обучения и размеры батча.
🚩Результаты и преимущества RoBERTa
RoBERTa демонстрирует лучшую производительность на многих бенчмарках, таких как GLUE, SQuAD и RACE, в сравнении с BERT.
Она более эффективна при больших вычислительных ресурсах и данных.
🚩Пример применения RoBERTa
from transformers import RobertaTokenizer, RobertaForSequenceClassification
import torch
# Загрузка токенайзера и модели RoBERTa
tokenizer = RobertaTokenizer.from_pretrained("roberta-base")
model = RobertaForSequenceClassification.from_pretrained("roberta-base")
# Входной текст
text = "RoBERTa is an optimized version of BERT."
# Токенизация
inputs = tokenizer(text, return_tensors="pt")
# Предсказание
outputs = model(**inputs)
logits = outputs.logits
print("Logits:", logits)
Ставь 👍 и забирай 📚 Базу знаний | 466 |
| 18 | Получи грант до 1,35 млн руб. на обучение в магистратуре
Хочешь развиваться в сфере ИТ и получить фундаментальные знания с практикой?
Поступай в магистратуру Центрального университета!
— 4 офлайн программы по востребованным направлениям ИТ
— 2 онлайн-программы: машинное обучение и продуктовый менеджмент
— 550 грантов до 75%
— Вечерние занятия и учеба по выходным — удобно совмещать с работой
— Обучение по модели STEM-образования: на стыке науки, технологий и бизнеса
— Возможность стажировок и трудоустройства в ведущих компаниях
— Государственный диплом за 2 года
Магистратура в Центральном университете — это современный подход к образованию, сильный преподавательский состав и актуальные кейсы от индустрии. Оставляй заявку на грант уже сейчас!
Зарегистрироваться
#реклама 16+
cu.ru
О рекламодателе | 344 |
| 19 | 🤔 Как работает градиентный бустинг регрессор?
Это ансамблевый метод, который комбинирует множество слабых моделей (обычно деревьев решений) для улучшения качества предсказаний:
1. Первая модель предсказывает исходные данные, а остатки ошибок передаются следующей.
2. Каждое новое дерево обучается на ошибках предыдущих, уменьшая отклонения.
3. Градиентный спуск минимизирует ошибку, выбирая оптимальные веса.
4. Итоговое предсказание – это взвешенная сумма предсказаний всех деревьев.
Градиентный бустинг хорошо работает с нелинейными зависимостями и устойчив к выбросам.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 467 |
| 20 | 🤔 Как в столбце найти медиану,не используя функцию median?
💬 Спрашивают в 14% собеседований
Чтобы найти медиану в столбце данных без использования встроенной функции median, можно использовать сортировку и вычисление медианы вручную. Давайте рассмотрим этот процесс шаг за шагом.
🚩Пошаговое объяснение:
🟠Сбор данных: Изначально у нас есть набор данных, который мы представим в виде списка.
🟠Сортировка данных: Мы сортируем этот список по возрастанию.
🟠Определение длины списка: Вычисляем количество элементов в списке.
🟠Поиск медианы:
Если количество элементов нечетное, медианой будет центральный элемент отсортированного списка.
Если количество элементов четное, медианой будет среднее значение двух центральных элементов отсортированного списка.
🤔 Пример кода на Python:
# Пример данных
data = [2.3, 5.1, 7.4, 2.9, 6.5, 4.8, 3.1, 5.7, 8.2, 3.4]
🟠Сортировка данных
sorted_data = sorted(data)
🟠Определение длины списка
n = len(sorted_data)
🟠Поиск медианы
if n % 2 == 1:
# Нечетное количество элементов
median = sorted_data[n // 2]
else:
# Четное количество элементов
mid1 = sorted_data[n // 2 - 1]
mid2 = sorted_data[n // 2]
median = (mid1 + mid2) / 2
print(f"Медиана: {median}")
Объяснение кода:
🟠Сортировка данных: Мы используем функцию sorted() для сортировки данных по возрастанию.
🟠Определение длины списка: Переменная n хранит количество элементов в отсортированном списке.
🟠Поиск медианы:
- Если n нечетное (определяется с помощью n % 2 == 1), медианой является центральный элемент, который находится на позиции n // 2.
- Если n четное, медианой является среднее значение двух центральных элементов. Эти элементы находятся на позициях n // 2 - 1 и n // 2.
Ставь 👍 и забирай 📚 Базу знаний | 503 |
