ar
Feedback

لا تقع ضحية للمخادعين! تيليمتريو يكتشف ويُميّز هذه القنوات 👉 إذا كنت تريد رؤية العلامة، اشترك

Data Science | Вопросы собесов

Data Science | Вопросы собесов

الذهاب إلى القناة على Telegram
4 843
المشتركون
-124 ساعات
-97 أيام
-3930 أيام
جذب المشتركين
نوفمبر '26
نوفمبر '26
+12
في 0 قنوات
أكتوبر '26
+44
في 0 قنوات
Get PRO
سبتمبر '26
+67
في 0 قنوات
Get PRO
أغسطس '26
+47
في 0 قنوات
Get PRO
يوليو '26
+47
في 0 قنوات
Get PRO
يونيو '26
+43
في 1 قنوات
Get PRO
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
20 نوفمبر0
19 نوفمبر0
18 نوفمبر+1
17 نوفمبر0
16 نوفمبر0
15 نوفمبر+1
14 نوفمبر0
13 نوفمبر0
12 نوفمبر+1
11 نوفمبر+1
10 نوفمبر+1
09 نوفمبر+3
08 نوفمبر+1
07 نوفمبر0
06 نوفمبر0
05 نوفمبر+2
04 نوفمبر+1
03 نوفمبر0
02 نوفمبر0
01 نوفمبر0
منشورات القناة
🤔 Какие переменные (типы данных) можно использовать в качестве ключей? Хэшируемые типы данных, такие как числа, строки, кортежи с неизменяемыми элементами. Это важно, если требуется быстро сопоставить значения в структуре данных. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
20 نوفمبر, 11:10

2
Москвич 3 от 1 780 000 р. Платеж от 9 900 ₽ в месяц Практичный городской кроссовер. Оцинкованный кузов. Багажник до 1050 л. Т
Москвич 3 от 1 780 000 р. Платеж от 9 900 ₽ в месяц Практичный городской кроссовер. Оцинкованный кузов. Багажник до 1050 л. Телематика Узнать больше Изучите все условия кредита (займа) на сайте в соответствующем разделе. Оценивайте свои финансовые возможности и риски. Финансовые услуги оказывает: АО "Авто Финанс Банк", ПАО "Совкомбанк". #реклама moskvich.ru О рекламодателе
181
3
🤔 Почему хорошо работает случайный лес? Случайный лес работает хорошо, потому что он сочетает предсказания множества независимых деревьев решений, что снижает вероятность переобучения и увеличивает общую точность модели. Каждое дерево строится на случайной подвыборке данных и случайных признаках, что обеспечивает разнообразие моделей. За счёт этого случайный лес становится устойчивым к шуму и переобучению, предоставляя более стабильные и обобщающие предсказания. Модель также устойчива к выбросам и может эффективно работать с большим количеством признаков. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
194
4
Как внедрить ИИ в бизнес и получить измеримый результат? Эксперты Т1 ИИ разработали методологию ИИ-трансформации для руководи
Как внедрить ИИ в бизнес и получить измеримый результат? Эксперты Т1 ИИ разработали методологию ИИ-трансформации для руководителей компаний. Внутри: ✅ Модель из 5 уровней ИИ-зрелости бизнеса. ✅ Рекомендации по переходу от пилотов к системному внедрению ИИ. ✅ Подход к оценке экономического эффекта от ИИ. ✅ План действий на первый квартал с ключевыми решениями для руководства. ✨ Скачайте методологию Т1 ИИ и узнайте, как выстроить управляемую ИИ-трансформацию своей компании. Скачать #реклама 16+ t1-ai.ru О рекламодателе
211
5
🤔 Разница между K-Means и KNN 1. K-Means (кластеризация): o Используется для группировки данных в кластеры на основе схожести. o Это алгоритм обучения без учителя. o Результат — центры кластеров, данные распределяются вокруг них. 2. KNN (K-Nearest Neighbors): o Алгоритм классификации или регрессии, находящий ближайших соседей для прогнозирования. o Это алгоритм обучения с учителем. o Результат зависит от разметки данных (меток классов). Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
214
6
🔥 Скрытые вакансии с удаленной работой для DS / ML, которые нигде больше не публикуются. Напрямую от компаний, с контактами
🔥 Скрытые вакансии с удаленной работой для DS / ML, которые нигде больше не публикуются. Напрямую от компаний, с контактами рекрутеров. 🔹 Data Science ML | Вакансии 🔹 Data Engineer | Вакансии 🔹 Аналитик Данных | Вакансии 🔸 Все каналы с вакансиями
236
7
NoSQL в бою: выдержит ли Cassandra вашу нагрузку? ⚡ Думаете, Cassandra — универсальное решение всех проблем с нагрузкой? А чт
NoSQL в бою: выдержит ли Cassandra вашу нагрузку? ⚡ Думаете, Cassandra — универсальное решение всех проблем с нагрузкой? А что, если она не подходит для вашего сценария, и вы узнаете об этом только в проде? Присоединяйтесь к открытому уроку Сергея Прощаева и разберите Cassandra с точки зрения архитектора. 📅 23 ноября в 20:00. Разберём: - Архитектуру Cassandra: модель данных, кластеризация, репликация, кольцо нод. - Консистентность vs доступность — как настраивать баланс под требования бизнеса. - Архитектурные паттерны проектирования бэкендов с Cassandra. - Когда Cassandra — оптимальный выбор, а когда лучше посмотреть на другие NoSQL/SQL решения. - Примеры из реальных высоконагруженных проектов: e-commerce, финтех, стриминг. ✅ Запишитесь сейчас и проверьте Cassandra в бою — до того, как это сделает прод! Узнать больше Есть противопоказания. Посоветуйтесь с врачом. #реклама 16+ otus.ru О рекламодателе
205
8
🤔 Какие реализации бустинга есть? AdaBoost, Gradient Boosting, XGBoost, CatBoost и LightGBM. Они различаются производительностью и подходами к построению деревьев. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
216
9
Большая распродажа велотоваров в CityCycle.ru Более 250 велосипедных товаров по суперценам от 40 брендов, в последних размера
Большая распродажа велотоваров в CityCycle.ru Более 250 велосипедных товаров по суперценам от 40 брендов, в последних размерах и единичных остатках, из прошлых и актуальных коллекций. Утепленная и летняя велоформа, велошлемы, велотуфли, фонари, сумки и замки — для гравела, шоссе и МТБ. Посмотреть каталог #реклама citycycle.ru О рекламодателе
226
10
🤔 Какие известны рекомендательные модели? Content-Based Filtering, Collaborative Filtering, и Hybrid модели. Выбор зависит от задачи и данных. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
247
11
Дилерство Rippa: обучение, лиды, CRM Дилерство мини-экскаваторов, вход от 1,4 млн ₽. Разберём модель. Узнать больше #реклама
Дилерство Rippa: обучение, лиды, CRM Дилерство мини-экскаваторов, вход от 1,4 млн ₽. Разберём модель. Узнать больше #реклама 16+ protechmachines.ru О рекламодателе
224
12
🤔 Какие знаешь рекомендательные модели? Модели: коллаборативная фильтрация (на основе пользователей или элементов), контентная фильтрация, гибридные подходы и модели с использованием глубокого обучения (например, нейронные сетевые рекомендатели). Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
289
13
🤔 Какие есть детекторы и архитектуры в CV? Классические: SIFT, HOG. Современные архитектуры: YOLO, SSD, Faster R-CNN для детекции объектов, U-Net, DeepLab для сегментации. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
309
14
Вяжете или шьёте? Зарабатывайте на мастер-классах "Ведёте творческий блог? С VK Донатом можно зарабатывать на своём деле прям
Вяжете или шьёте? Зарабатывайте на мастер-классах "Ведёте творческий блог? С VK Донатом можно зарабатывать на своём деле прямо ВКонтакте — без рекламодателей и с поддержкой тех, кому близко ваше творчество. Показывайте скетчи, открывайте ранний доступ к новым работам или общайтесь с донами в отдельном чате. 💰 Разные способы получать доход: донаты, сборы на цели, уровни подписки ✨ Доход зависит только от вас: создавайте то, что нравится вам и вашей аудитории и устанавливайте свою цену 📊 Всё на одной площадке: привлекайте аудиторию и получайте деньги без подключения сторонних сервисов На платформе уже есть авторы, которых поддерживают тысячи донов. Подключите VK Донат в профиле или сообществе и начните зарабатывать." Узнать больше #реклама 16+ vk.ru О рекламодателе
173
15
🤔 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
313
16
🤔 Как решить задачу, где присутствует одновременно два target - один categorical другой continuous? Решение задачи, в которой одновременно присутствуют два целевых признака (один категориальный и один непрерывный), можно реализовать через подход многозадачного обучения (multi-task learning). Это подход, при котором одна модель или несколько связанных моделей обучаются одновременно решать несколько задач. Вот пошаговое объяснение, как можно это сделать. 🚩 Определение задач 🟠 Категориальный признак (classification target) Например, предсказание категории продукта (класс A, класс B, класс C). 🟠Непрерывный признак (regression target) Например, предсказание стоимости продукта. 🚩 Подходы к решению 🟠Многозадачное обучение с нейронными сетями Создание единой нейронной сети, которая имеет общие слои для извлечения признаков и отдельные выходные слои для каждой задачи. 🟠Параллельное обучение отдельных моделей Обучение отдельных моделей для каждой задачи, но с использованием общих признаков и возможной передачи информации между моделями. В данном примере мы используем библиотеку Keras для построения нейронной сети, которая решает обе задачи одновременно. import pandas as pd import numpy as np from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense # Пример данных data = pd.DataFrame({ 'feature1': np.random.rand(100), 'feature2': np.random.rand(100), 'categorical_target': np.random.randint(0, 3, 100), # 3 класса 'continuous_target': np.random.rand(100) * 1000 }) # Разделение признаков и целевых переменных X = data[['feature1', 'feature2']].values y_class = data['categorical_target'].values y_reg = data['continuous_target'].values # Определение входного слоя input_layer = Input(shape=(X.shape[1],)) # Общие слои для извлечения признаков common_layer = Dense(64, activation='relu')(input_layer) common_layer = Dense(32, activation='relu')(common_layer) # Отдельный выходной слой для классификации classification_output = Dense(3, activation='softmax', name='classification_output')(common_layer) # Отдельный выходной слой для регрессии regression_output = Dense(1, activation='linear', name='regression_output')(common_layer) # Создание модели model = Model(inputs=input_layer, outputs=[classification_output, regression_output]) # Компиляция модели с различными функциями потерь для каждой задачи model.compile(optimizer='adam', loss={'classification_output': 'sparse_categorical_crossentropy', 'regression_output': 'mse'}, metrics={'classification_output': 'accuracy', 'regression_output': 'mse'}) # Обучение модели model.fit(X, {'classification_output': y_class, 'regression_output': y_reg}, epochs=50, batch_size=16) 🚩Объяснение кода 🟠Определение входного слоя Определяем входной слой, принимающий признаки. 🟠Общие слои Создаем несколько слоев для извлечения признаков, которые будут общими для обеих задач. 🟠Отдельные выходные слои Создаем два выходных слоя, один для классификации (с функцией активации softmax) и один для регрессии (с линейной функцией активации). 🟠Создание и компиляция модели Компилируем модель, указав разные функции потерь для каждой задачи (cross-entropy для классификации и MSE для регрессии). 🟠Обучение модели Обучаем модель, передавая одновременно два целевых признака. Ставь 👍 и забирай 📚 Базу знаний
306
17
Один аккаунт вместо десятка нейросетей Если вы работаете с нейросетями, у вас, скорее всего, несколько сервисов в закладках:
Один аккаунт вместо десятка нейросетей Если вы работаете с нейросетями, у вас, скорее всего, несколько сервисов в закладках: один для картинок, другой для видео, третий для музыки. Мы собрали все популярные модели в одном аккаунте: текст, изображения, видео, музыка и аудио. Под каждую задачу можно выбрать подходящую. Если не хочется придумывать запрос с нуля, есть готовые сценарии. Свои промты тоже можно писать. Попробуйте на своей задаче 🏃‍♂️🏃‍♂️🏃‍♂️ Попробовать #реклама 16+ multihub.ai О рекламодателе
180
18
🤔 Как работает having? `HAVING` в SQL используется для фильтрации результатов группировки, которые были созданы с помощью `GROUP BY`. В отличие от `WHERE`, который фильтрует строки до группировки, `HAVING` применяет фильтры уже после того, как данные были агрегированы. Это позволяет отфильтровывать группы на основе агрегатных функций, таких как `COUNT()`, `SUM()` или `AVG()`. Использование `HAVING` удобно, когда требуется отобрать только те группы, которые соответствуют определённым условиям. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
277
19
🤔 Расскажи про юнет U-Net – это сверточная нейронная сеть (CNN), созданная для семантической сегментации изображений. Она была разработана в 2015 году для медицинских изображений, но теперь применяется в разных областях: от компьютерного зрения до спутниковых снимков. 🚩Как устроена U-Net? 🟠Сжатие (encoder, контрактирующая часть) уменьшает размер изображения и извлекает признаки. 🟠Восстановление (decoder, расширяющая часть) восстанавливает пространственное разрешение для точной сегментации. 🚩Encoder (Сжатие) Похоже на обычную CNN (например, VGG). Несколько сверточных слоёв с активацией ReLU. Макспулинг (Pooling, stride=2) уменьшает размер изображения в 2 раза. В результате извлекаются глобальные признаки, но теряется детализация. 🚩Decoder (Восстановление) 🟠Транспонированные свёртки (Up-convolutions) увеличивают размер изображения. 🟠Склейка (Skip Connections) соединяют слои энкодера и декодера, чтобы сохранить детали. 🚩Выходной слой Последний слой – 1x1 свёртка, уменьшающая количество каналов до числа классов (например, 2 для бинарной сегментации). Активация – Sigmoid (для бинарной сегментации) или Softmax (для многоклассовой сегментации). 🚩Где используется? Медицинская диагностика (поиск опухолей, органов). Спутниковые снимки (анализ ландшафтов). Сегментация объектов в автономных машинах. Ставь 👍 и забирай 📚 Базу знаний
319
20
ЮКassa разыгрывает 2 000 000 ₽ на хакатоне по MCP Разработчики и предприниматели, работающие с ИИ — это ваш выход. Покажите,
ЮКassa разыгрывает 2 000 000 ₽ на хакатоне по MCP Разработчики и предприниматели, работающие с ИИ — это ваш выход. Покажите, как решаете задачи бизнеса с MCP ЮKassa, и получите шанс выиграть деньги. Призовой фонд — 2 000 000 ₽. Хакатон пройдёт 5-6 декабря онлайн. Участвуйте в одиночку или в команде до пяти человек и выбирайте один из двух треков: — «Сделайте свой бизнес агентным». Интегрируйте MCP ЮKassa в существующий бизнес и создайте ИИ-агента, который самостоятельно выполняет коммерческую или платёжную задачу. — «Создайте ИИ-решение для клиентов». Разработайте готового ИИ-агента, автоматизацию или интеграционное решение на базе MCP ЮKassa. Финальный продукт должен решать типовые задачи бизнеса и легко разворачиваться для других клиентов ЮKassa. Регистрация открыта до 4 декабря Подать заявку #реклама 16+ promo.yookassa.ru О рекламодателе
217