Machine learning Interview

🌟 Количественные методы с использованием R В этой свободной книге представлены практические примеры, которые легко можно применить к любому набору данных, плюс детально обсуждается, как работает каждый пример. Здесь рассматривается описательная и базовая статистика, включая анализ графиков, распределения, дисперсию, вероятность, проверку гипотез, корреляцию, простую регрессию и тесты 𝛘-квадрат. Будет полезно начинающим ML-специалистам и не только 🟡 Quantitative Methods Using R @machinelearning_interview

⚡️ Вливайтесь в команду AI VK: ребята развивают технологии искусственного интеллекта, создают системы рекомендаций и поиска контента…и находятся в поиске ML-разработчика (Senior)! Чем предстоит заниматься: - улучшать базовое качество рекомендаций; - запускать новые сценарии музыкальных рекомендаций; - анализировать статистику потребления контента, выдвигать и проверять гипотезы, проводить А/B тесты; - взаимодействовать со смежными командами (разрабатывать рекомендации для всевозможных типов аудиоконтента и голосового помощника). Для этого потребуется: - опыт промышленного применения ML; - глубокое понимание алгоритмов классического ML (LogReg, MF, CatBoost, etc..); - опыт работы с большими данными (MapReduce/Spark). Знание Java и опыт в построении рекомендательных систем будут плюсом. Если это мэтч — пишите в личку в tg: https://t.me/ellinatsyra.

🧠 Наконец-то кто-то создал leetcode для машинного обучения. Этот сайт предлагает задачки разной сложности в категориях линейной алгебры, машинного и глубокого обучения, анализа данных. Он полезен для всех, кто хочет углубить свои знания, улучшить навыки и попрактиковаться в машинном обучении. На сайте указаны уровни сложности, есть интерфейс для ввода своего решения и правильные ответы. Только что выполнил первое упражнение: вычисление матрично-векторного произведения без каких-либо тензорных операций (разрешены только списки на python). http://deep-ml.com @data_analysis_ml

🌟 CSCE585: Machine Learning Systems Держите отличную подборку лекций по ML, есть и pdf, и видео. Всего здесь 20 лекций, они раскрывают такие темы ML как: — построение масштабируемых и распределённых ML-систем — методы оптимизации и нейронные сети — сжатие моделей и квантование — аппаратная сторона ML-систем — обзор ML-платформ 🟡 Лекции по ML, pdf 🟡 Плейлист YouTube @machinelearning_interview

⚡️ GraphRAG — методология улучшенного извлечения данных для генерации текста из определенных источников (RAG) от Microsoft. GraphRAG использует графы знаний для улучшения ответов на запросы. Во время запроса система обращается к графу знаний и использует резюме сообществ и связи между сущностями для формирования контекста, который помогает LLM дать более точный ответ, чем традиционные методы, основанные на поиске по векторным сходствам. Архитектура GraphRAG состоит из ключевых компонентов: Indexer : разделяет корпус данных на мелкие текстовые блоки (TextUnits), извлекает из них сущности, связи и ключевые утверждения. Clustering : группирует данные в иерархическую структуру с использованием метода Лейдена, создавая граф знаний. Community Summarization : генерирует обобщенные описания для каждой группы данных, что помогает в понимании контекста и смыслового связывания всей информации. Knowledge Graph : структура, объединяющая сущности и их связи, созданная на основе данных. GraphRAG значительно улучшает работу моделей языка с частными данными, позволяя им более точно и полно отвечать на сложные вопросы, требующие синтеза информации из разных источников. ⚠️ Рекомендации и предупреждения: - Эффективность индексации зависит от правильной идентификации понятий - Индексация может быть дорогостоящей, рекомендуется создание тестового набора данных - Система предназначена для опытных пользователей в предметной области - Необходим анализ ответов человеком для получения достоверной информации - Методология наиболее эффективна на текстовых данных с общей темой и множеством сущностей 📄 Документация: 🟢локальный запуск 🟢конфигурирование 🟢эмулятор Azurite 🖥Github 🖥Github для запуска на API Azure 🟡Страница проекта 🟡Arxiv @ai_machinelearning_big_data #LLM #GraphRAG #ML #RAG #NLP #Deeplearning

⚡️ GraphRAG — методология улучшенного извлечения данных для генерации текста из определенных источников (RAG) от Microsoft. GraphRAG использует графы знаний для улучшения ответов на запросы. Во время запроса система обращается к графу знаний и использует резюме сообществ и связи между сущностями для формирования контекста, который помогает LLM дать более точный ответ, чем традиционные методы, основанные на поиске по векторным сходствам. Архитектура GraphRAG состоит из ключевых компонентов: Indexer : разделяет корпус данных на мелкие текстовые блоки (TextUnits), извлекает из них сущности, связи и ключевые утверждения. Clustering : группирует данные в иерархическую структуру с использованием метода Лейдена, создавая граф знаний. Community Summarization : генерирует обобщенные описания для каждой группы данных, что помогает в понимании контекста и смыслового связывания всей информации. Knowledge Graph : структура, объединяющая сущности и их связи, созданная на основе данных. GraphRAG значительно улучшает работу моделей языка с частными данными, позволяя им более точно и полно отвечать на сложные вопросы, требующие синтеза информации из разных источников. ⚠️ Рекомендации и предупреждения: - Эффективность индексации зависит от правильной идентификации понятий - Индексация может быть дорогостоящей, рекомендуется создание тестового набора данных - Система предназначена для опытных пользователей в предметной области - Необходим анализ ответов человеком для получения достоверной информации - Методология наиболее эффективна на текстовых данных с общей темой и множеством сущностей 📄 Документация: 🟢локальный запуск 🟢конфигурирование 🟢эмулятор Azurite 🖥Github 🖥Github для запуска на API Azure 🟡Страница проекта 🟡Arxiv @ai_machinelearning_big_data #LLM #GraphRAG #ML #RAG #NLP #Deeplearning

🌟 Детальный разбор реального кейса ML — предсказание исхода больных пациентов по их физиологическим данным Параллельно затрагиваются такие моменты: — подготовка данных, удаление выбросов — обучение ML-модели — проверка прогнозов модели, оценивание Используемые данные были взяты из датасета eICU Collaborative Research Database, содержащего обезличенные физиологические данные тяжелобольных пациентов. 🟡 Introduction to Machine Learning @machinelearning_interview

Оплачиваемая стажировка и трудоустройство без опыта — ну ничего себе 😳 Все возможно с Добровольным квалификационным экзаменом! Это бесплатный проект Правительства Москвы, где ты можешь показать свои знания по специальности, запомниться потенциальным работодателям и получить оффер в престижные компании Москвы. Тебя ждет всего три шага: 1️⃣ Пройди тест После регистрации на сайте ДКЭ тебе будет доступно 70 профессий по 7 направлениям. Выбирай тест по своей специальности и проверь уровень своих знаний! 2️⃣ Реши кейс Если ты успешно сдал тест, тебя пригласят на следующий этап, где ты с другими участниками в команде будешь решать реальный кейс одного из работодателей. 3️⃣ Стань победителем Окажись в числе лучших по общему количеству баллов за оба этапа и получи шанс попасть на оплачиваемую стажировку с дальнейшим трудоустройством. Готов проявить себя? Регистрируйся и начинай проходить тест — https://dke.moscow Реклама. АНО "РАЗВИТИЕ ЧЕЛОВЕЧЕСКОГО КАПИТАЛА", АНО "РЧК". ИНН 7710364647. erid: LjN8JtwvH

🌟 Работа со статистикой на Python — серия лекций и видео Здесь раскрываются такие темы как классификация, использование деревьев решений, SVM, обучение без учителя, Survival Analysis Почти по каждой теме приведены подробные записи с нужной теорией — в целом, очень полезный ресурс для старта в ML Если интересуют чисто видео, можно сразу сюда 📎 Statistical Learning using Python @machinelearning_interview

⚡️Лучший способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь: C++ t.me/cpluspluc Devops: t.me/devOPSitsec Машинное обучение: t.me/ai_machinelearning_big_data АНАЛИЗ Данных: t.me/data_analysis_ml Хакинг: t.me/linuxkalii Linux: t.me/linuxacademiya Базы данных: t.me/sqlhub C#: t.me/csharp_ci Golang: t.me/Golang_google Java: t.me/javatg React: t.me/react_tg Javascript: t.me/javascriptv Мобильная разработка: t.me/mobdevelop Docker: t.me/+0WdB4uvOwCY0Mjdi Python: t.me/pythonl Rust: t.me/rust_code PHP: t.me/phpshka Android: t.me/android_its Big Data: t.me/bigdatai Собеседования МЛ: t.me/machinelearning_interview Python подготовка с собесу: t.me/python_job_interview МАТЕМАТИКА: t.me/data_math 💼 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 C++ папка: https://t.me/addlist/CdBs5DLepLJmZjY6 C# папка: https://t.me/addlist/u15AMycxRMowZmRi Java папка: https://t.me/addlist/ZM3J6oFNAnRlNWU6 FRONTEND папка: https://t.me/addlist/mzMMG3RPZhY2M2Iy Linux папка: https://t.me/addlist/w4Doot-XBG4xNzYy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy

🌟 Материалы по Deep Learning — ноутбуки и лекции от Парижского университета — git clone https://github.com/m2dsupsdlclass/lectures-labs Можно использовать, чтобы освежить теорию перед собеседованием; здесь подробно разбираются такие темы как: — рекомендательные системы — свёрточные нейросети (CNN) и классификация изображений — рекуррентные нейросети и NLP — работа с последовательностями — механизмы внимания и памяти 📎 Лекции и ноутбуки @machinelearning_interview

⚡️ Большая подборка из 210 реализованных проектов, связанных с ML и Deep Learning Здесь собраны ссылки на репозитории этих проектов с датасетами и готовыми моделями А вот некоторые из этих проектов: — определение надёжности клиентов для банка — расшифровка CAPTCHA — определение: кот или собака на изображении — определение наличия/отсутствия диабета 🟡 210 ML-проектов @machinelearning_interview

📌Отличная шпаргалка по разным распределениям Здесь приведено подробное описание таких распределений как β-распределение, биномиальное, 𝛘-квадрат, нормальное, Пуассона К каждому из распределений приведена реализация на Python и примеры использования 📎 Распределения @machinelearning_interview

Станьте профессионалом в области Data Science и машинного обучения в магистратуре от Центрального университета! Центральный университет — современный вуз, созданный при поддержке ведущих компаний России: Т-Банка, Авито и других. Получите диплом магистра в области математики и компьютерных наук и обучайтесь на основе реальных кейсов ведущих ИТ-компаний у профессоров из МГУ, МФТИ, РЭШ и практиков из индустрии. Хорошая новость для тех, кто уже имеет опыт в Data Science и машинном обучении — вы можете пропустить базовое обучение и закончить магистратуру за 3 семестра. У каждого студента будет: - личный ментор по траектории обучения; - доступ к карьерному центру с коучами и консультантами; - опыт работы в проектах партнеров уже во время обучения. Участвуйте в онлайн-отборе, чтобы выиграть грант на обучение до 1,2 млн рублей. Больше подробностей про университет и конкурс грантов по ссылке! erid:2VtzqwHKD7N Реклама, АНО ВО «Центральный университет», ИНН 7743418023

🌟 Interpretable Machine Learning with LIME for Image Classification Отличный Colab, который поможет разобраться, как работает алгоритм LIME для классификации изображений Параллельно затрагиваются особенности CV-алгоритмов и почему они не всегда работают, как нужно 🟡 Google Colab @machinelearning_interview

🌟 Идея для пет-проекта — ML-приложение, прогнозирующее задержки полётов Чтобы разобраться в ML, нужно... В общем, в этом репозитории приведены все необходимые шаги для реализации ML-приложения, предсказывающего задержки рейсов в стокгольмском аэропорту Арланда. Очень подробно объясняется архитектура этого приложения, и даже реализуется графический интерфейс на Gradio 🖥 GitHub 🟡 Презентация проекта на Hugging Face @machinelearning_interview

⚡️ Нереальный список ресурсов по Machine Learning Здесь приведена масса полезных ссылок для изучения NLP, computer vision, SVM и других ML-алгоритмов Если кто искал и никак не мог найти объяснение нужной темы ML — скорее всего оно есть тут 📎 Список ресурсов @machinelearning_interview

🔹 Как усилить технический анализ финансовых рынков методами машинного обучения? Рассмотрим, как современные технологии машинного обучения могут усилить и расширить классические подходы технического анализа на финансовых рынках на открытом уроке от Otus, посвященный курсу «ML для финансового анализа», 3 июля в 20:00. ✅ В течении часа рассмотрим реальные примеры и кейсы, демонстрирующие использование машинного обучения для улучшения торговых стратегий на основе технического анализа. Оставляйте заявку на курс «ML для финансового анализа» и создайте торгового робота для автоматического проведения операций с оценкой уровня риска 👉 Регистрация на урок и подробности: https://otus.pw/XDjW/?erid=LjN8KFVwt

🌟 Математика для ML Это open-source книга для объяснения математических основ Machine Learning Особенно актуально, чтобы освежить основные моменты перед собеседованием 📎 PDF @machinelearning_interview