Поступашки - ШАД, Стажировки и Магистратура
5 лет помогаем получать офферы в BigTech, поступать в ШАД и проходить в топовые магистратуры. Вопросы, реклама: @vice22821 По покупке курсов: @menshe_treh Наши курсы: https://old.postypashki.ru/ Чат: @postypashki_old_chat Ютуб: youtube.com/@OfferBerry
显示更多📈 Telegram 频道 Поступашки - ШАД, Стажировки и Магистратура 的分析概览
频道 Поступашки - ШАД, Стажировки и Магистратура (@postypashki_old) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 42 365 名订阅者,在 教育 类别中位列第 4 286,并在 俄罗斯 地区排名第 15 027 位。
📊 受众指标与增长动态
自 невідомо 创建以来,项目保持高速增长,吸引了 42 365 名订阅者。
根据 07 七月, 2026 的最新数据,频道保持稳定运转。过去 30 天订阅人数变化为 466,过去 24 小时变化为 20,整体触达仍然可观。
- 认证状态: 未认证
- 互动率 (ER): 平均受众互动率为 38.60%。内容发布后 24 小时内通常能获得 19.70% 的反应,占订阅者总量。
- 帖子覆盖: 每篇帖子平均可获得 16 345 次浏览,首日通常累积 8 341 次浏览。
- 互动与反馈: 受众积极参与,单帖平均反应数为 60。
- 主题关注点: 内容集中在 стажировка, собеседование, шад, пет, огонёк 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台:
“5 лет помогаем получать офферы в BigTech, поступать в ШАД и проходить в топовые магистратуры.
Вопросы, реклама: @vice22821
По покупке курсов: @menshe_treh
Наши курсы: https://old.postypashki.ru/
Чат: @postypashki_old_chat
Ютуб: youtube.com/@OfferBer...”
凭借高频更新(最新数据采集于 08 七月, 2026),频道始终保持新鲜度与高覆盖。分析显示受众积极互动,使其成为 教育 类别中的关键影响点。
Возможные вопросы для уточнения задачи: Какие параметры банк учитывает при расчете кредитного скоринга? Важно понять, какие факторы (доход, кредитная история, возраст и т. д.) уже используются и можно ли их оптимизировать Как определяется "финансовая трудность"? Например, это может быть просрочка платежей, банкротство или снижение кредитного рейтинга Нужно ли фокусироваться на определенном типе кредитов? Разные виды займов (ипотека, автокредиты) могут требовать разных подходов first things first: высокий коэффициент долга (отношение суммы кредита к доходу) сигнализирует о риске. Таких заемщиков следует рассматривать как выбросы, а вот если доход заемщика не меняется со временем, это может указывать на ошибку в данных + пропущенные значения заполняемы с помощью регрессии/других методов импутации При построении модели можно начать с логистической регрессии в рамках baseline, затем перейти к более сложным алгоритмам (деревья решений для интерпретируемости и XGBoost, CatBoost для улучшения точности), после- проводится оценка важности признаков: поймём какие факторы сильнее всего влияют на риск2. Как бы вы классифицировали фрукты и овощи на изображениях для e-commerce платформы
Уточним: Содержит ли каждое изображение только один объект? Если да, задача упрощается до многоклассовой классификации Сколько классов (видов фруктов/овощей) нужно распознавать? Например, 100/200/.. категорий Каковы размеры и тип изображений? Поработаем с данными: балансируем, разделяем, аугментируем CNN эффективно выявляет особенности изображений: ResNet/EfficientNet для готовых решений, но желательно написать свою нейронку с batch normaми и dropoutами после можно перейти к оптимизации: learning rate scheduling, color normalization для улучшения качества input Проверяем, работу модели на новых данных и интерпретируем ошибки(ex., томаты и гранаты моделька может спутать)3. Как определить, делает ли стриминговый сервис больший акцент на сериалах или фильмах
Нужно ли включать анимационные сериалы и фильмы в анализ? Это важно, т.к. анимация может составлять значительную часть контента Какова бизнес-цель исследования? Например, нужно ли анализировать конкретные жанры (боевики, триллеры и т. д.) или все категории? На какую аудиторию ориентирован анализ? Дети, взрослые или все возрастные группы? Предположим, интервьюер подтверждает, что анализ должен охватывать все жанры, включая анимацию, и ориентирован на общую аудиторию Для начала я бы ограничил анализ странами с наибольшим объемом контента — США и Индией, тем самым упростим задачу, чтобы позже модель масштабировать Немножечко про сезонность: пики релизов приходятся на праздники, что может влиять на баланс между фильмами и сериалам На этапе сбора данных выбираем те объекты, у которых указаны год, месяц релиза, страна, жанр и другие ключевые параметры (checking удаляются ли записи с пропусками в критически важных полях, таких как дата релиза или категория контента) Смотрим распределение контента по жанрам и странам и корреляцию между типом контента, рейтингами, популярностью (числом просмотров), а также доходом (при наличии данных) -> даст понять, какой контент чаще привлекает аудиторию и генерирует прибыль Проверяем, как обстоит вопрос с доходностью фильмов и сериалов через монетизацию (подписки, реклама)+ просматриваем вовлеченность пользователей: ex., какие категории контента чаще выбирают через рекомендации. определяем приоритеты в продвиженииЕще больше подобных собесов и вопросов в нашем открытом банке собесов. @postypashki_old
Как считается micro-F1 и чем отличается от macro-F1? подсказка: micro-F1 агрегирует TP/FP/FN по всем классам перед вычислением precision и recall, а macro-F1 сначала вычисляет F1 для каждого класса, а потом усредняетобсудили модели кластеризации, логистическую регрессию
Логистическая регрессия обучена, но метрика F1 на тесте низкая проверить дисбаланс классов, попробовать изменить threshold
Кластеризация KMeans дала плохие кластеры протестировать другие k, нормализовать данные, попробовать DBSCAN
Одна фича, один таргет; обучили модель на трейне, но весь тест лежит правее трейна (вне диапазона по фиче), что произойдёт? модель будет экстраполировать, если линейна
В выборке 1000 наблюдений. Как проверить, что распределение таргета - нормальное?ML System Design
у банка есть пул вопросов для подтверждения личности клиента (ex., когда зарегистрировались, сколько тратите в месяц) некоторые клиенты не помнят ответы, из-за чего оператору приходится задавать много лишнего задача: спроектировать систему, которая заранее выбирает минимальный, но достаточный набор вопросов с высокой вероятностью получения верных ответовтут, как я понимаю, проверяют, сможешь ли по истории и признакам клиента оценить вероятность ответа, выбрать минимальный набор вопросов с помощью ML и грамотно описать A/B-тестирование: например, сравнения длины верификации, количества вопросов и успешности
обсудили построение простой рекомендательной системы для интернет-магазина + поговорили про ускорение инференса моделейЕще больше подобных собесов и вопросов в нашем открытом банке собесов. @postypashki_old
Математика, sql ➡️аналитика старт Программирование ➡️ бэкенд старт, алгоритмы стартТакже на курсах будет доступно:
➡️Разборы контеста Яндекса, Авито буткемп DS (DS только на мл старт) ➡️Огромный банк технических вопросов ➡️Записи реальных собесов и интервью ➡️Mock-собес и помощь с резюме, легендой ➡️Гарантия трудоустройства📌 Вопросы и запись — менеджеру
🔵разбор контеста донабора Т-банк, стажировки в Яндекс, Авито буткемп DS (DS только на мл старт); 🔵mock-собеседования с обратной связью; 🔵закрытый банк вопросов с реальных интервью Яндекса, Т-Банка, Ozon, WB, Авито и других компаний; 🔵банк тестовых заданий и задач из бигтеха; 🔵реферальную рекомендацию в бигтех после успешной защиты пет-проекта.Курс длится 6 недель. Программа построена так, чтобы успевать осваивать теорию, выполнять домашние задания и постепенно делать пет-проект без перегруза. Все это время рядом преподаватель и куратор, которые помогают разобраться со сложными темами и отвечают на вопросы. 🔊Стоимость до 30.06 включительно:
Дополнительные скидки до 30.06: -500 ₽, если учились уже у нас на других курсах -500 ₽, если берете с другомДействует гарантия: прошел курс, выполнил все рекомендации, но не получил оффер — вернем деньги 📌Для вопросов и записи на курс напишите менеджеру
