Machine learning Interview

💨 Тестовое задание на позицию Data Scientist Wargaming Задание «Обменные курсы» У игроков Кореи существует возможность покупать внутри-игровую валюту (gold) с помощью веб-интерфейса (премиум-магазина). При этом в магазине представлено лишь 6 типов пакетов с внутри-игровой валютой, различающихся по количеству gold. Типы пакетов (packages) и их реальная стоимость (в корейских вонах) для игроков представлена в таблице ниже Package Price, KRW 1250 gold 7485 KRW 2900 gold 17365 KRW 7000 gold 36270 KRW 12000 gold 60000 KRW 21500 gold 98625 KRW 30000 gold 132745 KRW Со временем было принято решения о расширении функционала премиум-магазина: было решено добавить возможность покупки пакета с любым количеством gold. При этом было построено правило перевода gold в реальные деньги (корейские воны), которое описано в таблице ниже Gold Amount Exchange Rate Amount ≤ 2900 gold 0,167 gold per 1 KRW 2900 gold < Amount ≤ 7000 gold 0,193 gold per 1 KRW 7000 gold < Amount ≤ 12000 gold 0,2 gold per 1 KRW 12000 gold < Amount ≤ 21500 gold 0,218 gold per 1 KRW Amount > 21500 gold 0,226 gold per 1 KRW То есть, пакеты с количеством внутри-игровой валюты, не превышающие 2900 gold, оцениваются согласно соотношению 0,167 gold за 1 корейский вон. Затем было принято решение о введении возможности пополнения аккаунта игрока реальными деньгами, при котором сумма пополнения в корейских вонах переводилась бы в эквивалентную сумму в gold, согласно описанному выше правилу. Необходимо формализовать и придумать непрерывную функцию, которая записывалась бы в виде формулы (без if, поскольку технические средства не умеют выполнять данную операцию, где предполагалось использовать полученное решение), описанное выше правило таким образом, чтобы после двух нововведений сохранилась описанная выше ценовая политика, но при этом была возможность как покупать любое количество gold, так и пополнять аккаунт любым количеством денег (корейских вон). Решение @machinelearning_interview

🔥 Загляните вглубь алгоритма k Nearest Neighbours и попробуйте его на практике! 1 марта в 18:00 мск пройдет вебинар в рамках онлайн-курса «Machine Learning. Professional» в OTUS. Тема урока: «Мы похожи на свое окружение: алгоритм k Nearest Neighbours для задачи классификации» — https://otus.pw/yDZG/ ✅ На занятии мы поговорим о задаче классификации, крайне востребованном классе задач в области ML сегодня. Мы изучим алгоритм kNN для ее решения, а затем применим его на практике. В результате урока мы: - Познакомимся с популярным алгоритмом машинного обучения kNN - Узнаем, как устроен алгоритм kNN - Освоим принципы решения задачи классификации с помощью kNN ⚠️ Урок будет полезен IT-специалистам, которые хотят освоить продвинутые методы ML и перейти в Data Science. Продолжить обучение на курсе возможно в рассрочку. 👉 Пройдите вступительный тест для участия в вебинаре https://otus.pw/yDZG/ Реклама. Информация о рекламодателе на сайте otus.ru

❓Как развернуть технологии машинного перевода на своём проекте? Ответ на этот вопрос вы найдёте в новой статье Андрея Соколова из команды прикладных исследований ВКонтакте. Там он подробно рассказал о процессе разработки переводчика для постов и сообщений в мессенджере. Материал написан максимально понятным языком и его смело можно использовать как гайд для развёртывания технологии в своих проектах. Обещаем: после прочтения вы поймёте, что сделать собственный переводчик – реально. Это не требует гигантских трудозатрат, а качество на выходе может получиться намного лучше, чем у готовых сторонних продуктов. @machinelearning_interview

🖥 Эта задача взята с Avito Weekend Offer для аналитиков Вам дан набор чисел в виде списка Python. Необходимо найти медиану этого числового ряда. Задание Напишите функцию FindMedian, которая будет возвращать одно число - медианное значение. Функция FindMedian принимает на вход arr - исходный список с числами. Пример: arr = [1, 5, 2, 3, 6] Ответ: 3 Пример: arr = [100, 5, 2, 4, 3, 6] Ответ: 4.5 Примечание: Если в выборке четное число элементов, то за медиану нужно взять среднее между центральными элементами (после упорядочивания). Дополнительная информация Обратите внимание, что шаблон решения представлен в виде (на примере языка Python): class Answer: def function(self, arg1, arg2): # напишите свой код ниже return res Здесь function - функция, которую вам нужно написать (от задачи к задаче ее имя меняется), а arg1, arg2 - аргументы этой функции. Чтобы решить задачу, напишите свой код между комментарием и выражением return .... print(Answer().function(arg1, arg2)) Если вам нужно импортировать какой-то модуль, указывайте модуль до class Answer. Например: import mymodule class Answer: ... Полный пример: # импортируем модуль import collections class Answer: def problemSolve(self, n, m): # напишите свой код ниже ... return res # промежуточно смотрим результат print(Answer().problemSolve(n=2, m=3)) Пишите свое решение в комментариях👇 @machinelearning_interview

⚠️Пройдите тест на углубленные знания в сфере Machine Learning. Professional — https://otus.pw/DAYk/ 🔓 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на продвинутом курсе «Machine Learning. Professional» от OTUS и его партнера — Сбера ⏰ Время прохождения теста ограничено 30 минут 📌 РЕЗУЛЬТАТ ПРОХОЖДЕНИЯ КУРСА: Серьезное портфолио с проектами и возможность претендовать на Junior+ и Middle позиции Data Scientist Протестируйте обучение на открытом уроке: ✅ Мы похожи на свое окружение: алгоритм k Nearest Neighbours для задачи классификации — https://otus.pw/88RV/ 👉 ПРОЙТИ ТЕСТ: https://otus.pw/DAYk/

🎲 Задачи по теореме Байеса Рост экономики. Компания ожидает, что вероятность подъема экономики — 5 %, а вероятность роста выручки компании вследствие подъема экономики — 90 %. Если экономика не поднимется, то выручка компании вырастет с вероятностью 40 %. Каковая вероятность того, что экономика поднялась, если выручка компании выросла? Решение Пусть ПЭ — подъем экономики, РВ — рост выручки. Находим: • Р(ПЭ | РВ) =Р(РВ | ПЭ) -Р(ПЭ) / Р(РВ); • Р(ПЭ) = 0,05; • Р(РВ | ПЭ) = 0,90; • Р(РВ) = 0,05 • 0,90 + 0,95 • 0,40 = 0,425; • Р(ПЭ | РВ) = (0,90 • 0,05) / 0,425 = 0,106. Если выручка компании выросла, то вероятность того, что экономика поднялась, равна 10,6 %. @machinelearning_interview

🤖 С 20 февраля по 7 марта пройдёт онлайн-буткемп "Second step in NLP" Перед Новым годом онлайн-магистратура «Машинное обучение и высоконагруженные системы» провела базовый буткемп по автоматическому анализу текстов. А теперь приглашает вас сделать следующий шаг в изучении Natural Language Processing :) ✅ Что будет? - 3 лекции — погружение в NLP + практика; - 2 домашних задания; - 2 Q&A сессии с разбором вопросов участников; - соревнование на Kaggle: предсказание зарплаты соискателей по описанию вакансии; - разбор лучших решений; - электронные именные сертификаты за прохождение курса. ✅ Для кого? Для слушателей, знакомых с основными алгоритмами машинного обучения, в частности, с классическими подходами для работы с текстовыми данными. ✅ Начальные требования: - знание основных алгоритмов ML - знание python на пользовательском уровне ✅ Когда? С 20 февраля по 7 марта 👉 Подробности и регистрация.

MLOps в облаке: как работать над ML-экспериментами с помощью MLflow Александр Волынский (Product Manager ML Platform в VK Cloud) и Сергей Артюхин (преподаватель программы «Симулятор ML» в Karpov Courses) написали статью, где показали последовательность действий по выстраиванию MLOps-подхода, который в последнее время заметно меняет подходы к работе ML-специалистов. Что в статье? ▪️ Инструменты для решения задач MLOps: JupyterHub и MLflow. ▪️ Запуск трекинга MLflow. ▪️ Как настроить MLflow, чтобы обращаться к нему через API. @machinelearning_interview

​Коллеги, приглашаем вас на вебинар Обезличивание данных «под ключ»: просто, быстро, с AI, который состоится 16 февраля в 11:00 (МСК). Надежность испытаний новых функций ПО зависит от близости условий проверки к реальным. При этом бизнесу нельзя использовать данные клиентов as is для тестов. Законы обязывают компании анонимизировать персональные данные, а это процесс трудоёмкий. Сфера.Обезличивание данных защищает критически важную информацию пользователей и приложений, обезличивая чувствительные данные с использованием Искусственного интеллекта. Инструмент делает процесс обезличивания лёгким и доступным даже для сотрудников без специальной технический квалификации. На вебинаре мы: - расскажем про актуальность обезличивания для генерации качественных тестовых данных; - обсудим основные проблемы подготовки обезличенных данных и подходы к их решениям; - представим вам Сфера.Обезличивание данных - готовое коробочное решение для создания обезличенных данных “под ключ”; - обезличим данные в прямом эфире! - расскажем об эффектах применения инструмента для вашего бизнеса. Регистрируйтесь на вебинар по ссылке https://clck.ru/33YR65 и не упустите возможность задать все свои вопросы владельцу продукта в прямом эфире. Держите руку на пульсе тенденций в области работы с персональными данными.

SberMarket тестовое задание: Predict the user's next order Overview Сервисы доставки еды уже давно перестали быть просто курьерами, которые привозят заказ. Индустрия e-grocery стремительно идет к аккумулированию и использованию больших данных, чтобы знать о своих пользователях больше и предоставлять более качественные и персонализированные услуги. Одним из шагов к такой персонализации может быть разработка модели, которая понимает привычки и нужды пользователя, и, к примеру, может угадать, что и когда пользователь захочет заказать в следующий раз. Такая модель, будучи разработанной, может принести значительную ценность для клиента - сэкономить время при сборке корзины, помочь ничего не забыть в заказе, убрать необходимость планировать закупки и следить за заканчивающимися запасами продуктов. В данном соревновании участникам предлагается решить задачу предсказания следующего заказа пользователя (безотносительно конкретного момента времени, когда этот заказ произойдет). Заказ пользователя состоит из списка уникальных категорий товаров, вне зависимости от того, сколько продуктов каждой категории он взял. Data Description В качестве тренировочных данных представляется датасет с историей заказов 20000 пользователей вплоть до даты отсечки, которая разделяет тренировочные и тестовые данные по времени. train.csv: ▪user_id - уникальный id пользователя ▪order_completed_at - дата заказа ▪cart - список уникальных категорий (category_id), из которых состоял заказ В качестве прогноза необходимо для каждой пары пользователь-категория из примера сабмита вернуть 1, если категория будет присутствовать в следующем заказе пользователя, или 0 в ином случае. Список категорий для каждого пользователя примере сабмита - это все категории, которые он когда-либо заказывал. sample_submission.csv: Пример сабмита. В тест входят не все пользователи из тренировочных данных, так как некоторые из них так ничего и не заказали после даты отсечки. submission.csv ▪id - идентификатор строки - состоит из user_id и category_id, разделенных точкой с запятой: f'{user_id};{category_id}'. Из-за особенностей проверяющей системы Kaggle InClass, использовать колонки user_id, category_id в качестве индекса отдельно невозможно ▪target - 1 или 0 - будет ли данная категория присутствовать в следующем заказе пользователя @machinelearning_interview

Weekend Offer для ML-специалистов и мобильных разработчиков от VK Это хороший шанс познакомиться с командами Дзена, Почты Mail.ru, Антиспама и Маруси за выходные и возможность получить оффер, пройдя интервью и финальное собеседование. Участники смогут пообщаться с каждой командой и узнать подробнее о задачах, которые предстоит выполнять. Лучших кандидатов пригласят на работу уже вечером второго дня. Для участия оставьте отклик до 16 февраля по ссылке, после чего с вами свяжутся HR, пообщаются и назначат слоты на выходные. @machinelearning_interview

4.02 @machinelearning_interview ❓Хотите стать специалистом по компьютерному зрению? Сделайте первые шаги на открытом уроке онлайн-курса «Компьютерное зрение». 🔥9 февраля в 20:00 мск пройдет открытый урок «Kornia — убийца OpenCV?». На занятии мы обсудим дифференцируемую библиотеку Computer Vision — Kornia. Вы узнаете: - Почему Kornia применяется в обучении нейронных сетей и PyTorch, а OpenCV — нет - За счет чего Kornia работает в разы быстрее, чем OpenCV - Какие продвинутые функции потерь и алгоритмы для моделей CV предоставляет Kornia - Как написать алгоритм, которые автоматически сшивает несколько фотографий в панорамный снимок - Почему Kornia — это лучший инструмент для задач, связанных с геометрией изображений 🧑‍💻 Для участия пройдите вступительный тест: https://otus.pw/k9AV/

28 февраля в NewProLab стартует 5-недельная онлайн-программа Spark Scala for Data Engineering 5.0 Программа подойдет дата-инженерам, разработчикам и дата сайентистам. Что входит в программу: ✅ 11 занятий в прямом эфире с преподавателями-практиками. ✅ 5 инструментов – помимо Apache Spark вы поработаете с Kafka, Elasticsearch, Cassandra, PostgreSQL, HDFS. ✅ 5 лаб – каждую неделю вы будете решать задачи с использованием реальных датасетов и на основе кейсов из реальной жизни. Подробности по ссылке Для участников нашего сообщества организаторы предоставили промокод machinelearning_interview, по которому вы получите скидку 20% при покупке программы до 20 февраля.

❓Что нужно знать для старта в Data Science? 👉 Приглашаем вас на вебинар: Легкий старт в Data Science. На занятии мы разберем основы Машинного Обучения и поговорим о такой востребованной области, как Data Science. 📌 В результате занятия вы: — Изучите основные подходы и принципы методов машинного обучения. — Примените знания на практике — обучите свою первую ML-модель для решения задачи классификации. 👉 Для участия зарегистрируйтесь https://otus.pw/hJ9R/ Это открытый урок, который пройдет в рамках курса «Machine Learning» » где вас ждут: — Живые вебинары, на которых эксперты поделятся уникальным опытом и трендами в Machine Learning — Решение реальных задач машинного обучения и групповой разбор заданий — Создание своего портфолио из готового проекта и выполненных заданий

Говорят, Random Search лучше Grid Search Так и со знаниями в Deep Learning: никогда не знаешь какой совет повысит метрики или какой фреймворк облегчит жизнь. Чтобы не пропустить полезный совет, подписывайтесь на канал DeepSchool. В нем вы найдете: - советы по обучению сетей; - разборы статей; - посты с теорией ML и DL; - туториалы и обзоры фреймворков; - вопросы с собеседований. Подписывайтесь, чтобы развиваться в DL вместе!