Data Science | Вопросы собесов
前往频道在 Telegram
Сайт: https://easyoffer.ru/ Все каналы: t.me/+xGeAw6ckJ4liYzQy Контакт для рекламы: @sendme_ads
显示更多4 845
订阅者
-124 小时
-137 天
-4130 天
正在加载数据
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
十一月 '2611月 '26
十一月 '26
+11
在0个频道中
十月 '26
+44
在0个频道中
Get PRO
九月 '26
+67
在0个频道中
Get PRO
八月 '26
+47
在0个频道中
Get PRO
七月 '26
+47
在0个频道中
Get PRO
六月 '26
+43
在1个频道中
Get PRO
五月 '26
+32
在0个频道中
Get PRO
四月 '26
+55
在0个频道中
Get PRO
三月 '26
+58
在0个频道中
Get PRO
二月 '26
+115
在0个频道中
Get PRO
一月 '26
+100
在0个频道中
Get PRO
十二月 '25
+62
在0个频道中
Get PRO
十一月 '25
+110
在0个频道中
Get PRO
十月 '25
+132
在1个频道中
Get PRO
九月 '25
+75
在0个频道中
Get PRO
八月 '25
+82
在0个频道中
Get PRO
七月 '25
+125
在0个频道中
Get PRO
六月 '25
+127
在0个频道中
Get PRO
五月 '25
+124
在1个频道中
Get PRO
四月 '25
+166
在0个频道中
Get PRO
三月 '25
+598
在5个频道中
Get PRO
二月 '25
+332
在4个频道中
Get PRO
一月 '25
+201
在53个频道中
Get PRO
十二月 '24
+120
在0个频道中
Get PRO
十一月 '24
+162
在1个频道中
Get PRO
十月 '24
+310
在40个频道中
Get PRO
九月 '24
+408
在249个频道中
Get PRO
八月 '24
+181
在1个频道中
Get PRO
七月 '24
+342
在54个频道中
Get PRO
六月 '24
+924
在244个频道中
Get PRO
五月 '24
+999
在191个频道中
Get PRO
四月 '24
+689
在23个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 18 十一月 | 0 | |||
| 17 十一月 | 0 | |||
| 16 十一月 | 0 | |||
| 15 十一月 | +1 | |||
| 14 十一月 | 0 | |||
| 13 十一月 | 0 | |||
| 12 十一月 | +1 | |||
| 11 十一月 | +1 | |||
| 10 十一月 | +1 | |||
| 09 十一月 | +3 | |||
| 08 十一月 | +1 | |||
| 07 十一月 | 0 | |||
| 06 十一月 | 0 | |||
| 05 十一月 | +2 | |||
| 04 十一月 | +1 | |||
| 03 十一月 | 0 | |||
| 02 十一月 | 0 | |||
| 01 十一月 | 0 |
频道帖子
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
17 11月, 19:31
| 2 | 🤔 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 | 128 |
| 3 | 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 | 194 |
| 4 | 🤔 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 | 200 |
| 5 | Дилерство Rippa: обучение, лиды, CRM
Дилерство мини-экскаваторов, вход от 1,4 млн ₽. Разберём модель.
Узнать больше
#реклама 16+
protechmachines.ru
О рекламодателе | 224 |
| 6 | 🤔 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 | 242 |
| 7 | 🤔 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 | 263 |
| 8 | 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 |
| 9 | 🤔 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 | 274 |
| 10 | 🤔 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 | 272 |
| 11 | 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 |
| 12 | 🤔 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 | 246 |
| 13 | 🤔 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 | 275 |
| 14 | 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 |
| 15 | 🤔 Что такое recall?
Recall (полнота) — это метрика, показывающая, какая доля истинных положительных случаев была правильно предсказана моделью. Она рассчитывается как отношение количества истинно положительных предсказаний к сумме истинно положительных и ложно отрицательных. Recall важен, когда важно минимизировать количество пропущенных положительных случаев. Высокий recall означает, что модель почти не пропускает положительные случаи.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 251 |
| 16 | 🤔 Что такое random forest ?
Это популярный ансамблевый алгоритм машинного обучения, используемый для задач классификации и регрессии. Он основан на множестве решений деревьев, которые работают как коллектив, чтобы улучшить точность и стабильность модели. Random Forest объединяет предсказания отдельных деревьев для получения более точного и надежного результата.
🚩Концепции
🟠Ансамбль деревьев решений
Состоит из множества деревьев решений, каждое из которых обучается на случайной подвыборке данных и предсказывает целевую переменную.
🟠Bootstrap Aggregation (Bagging)
Каждый отдельный дерево обучается на случайной подвыборке данных, выбранной с заменой (bootstrap). Это помогает снизить дисперсию модели и уменьшить вероятность переобучения.
🟠Случайный выбор признаков
На каждом узле дерева при выборе признака для расщепления выбирается случайное подмножество признаков. Это дополнительно уменьшает корреляцию между деревьями и улучшает обобщающую способность модели.
🚩Плюсы и минусы
➕Устойчивость к переобучению
За счет использования бутстрапа и случайного выбора признаков менее подвержен переобучению по сравнению с отдельными деревьями решений.
➕Высокая точность
Объединение предсказаний множества деревьев часто дает более точные результаты, чем использование одного дерева.
➖Время и ресурсы
Обучение и предсказание с помощью Random Forest может быть более затратным по времени и вычислительным ресурсам, особенно для больших наборов данных.
➖Интерпретируемость
Хотя он предоставляет информацию о важности признаков, интерпретация модели в целом может быть сложной из-за большого количества деревьев.
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report
# Пример данных
data = pd.DataFrame({
'feature1': np.random.rand(100),
'feature2': np.random.rand(100),
'target': np.random.choice([0, 1], size=100)
})
# Разделение данных на обучающую и тестовую выборки
X = data[['feature1', 'feature2']]
y = data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Обучение модели Random Forest
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
# Предсказание на тестовых данных
y_pred = model.predict(X_test)
# Оценка модели
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy}')
print(classification_report(y_test, y_pred))
# Важность признаков
feature_importances = pd.DataFrame(model.feature_importances_, index=X.columns, columns=['importance']).sort_values('importance', ascending=False)
print(feature_importances)
Ставь 👍 и забирай 📚 Базу знаний | 270 |
| 17 | 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 | 213 |
| 18 | 🤔 Как систематическая ошибка и дисперсии связаны между собой?
Высокая систематическая ошибка (bias) уменьшает сложность модели, но снижает точность, а высокая дисперсия (variance) приводит к переобучению. Баланс между ними важен для оптимальной работы модели.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 243 |
| 19 | 🤔 В чем различия между методами apply и applymap?
Методы apply и applymap используются для применения функций к данным, но они работают на разных уровнях и имеют разные области применения.
🚩Метод apply
Можно использовать как с объектами DataFrame, так и с Series для применения функции вдоль оси данных:
🟠DataFrame
Применяется к каждой строке или столбцу в DataFrame. Можно указать ось для применения функции (axis=0 для столбцов, axis=1 для строк).
🟠Series
Применяется к каждому элементу в Series.
Пример использования на DataFrame
import pandas as pd
df = pd.DataFrame({
'A': range(1, 5),
'B': range(10, 50, 10)
})
# Применение функции к каждому столбцу (по умолчанию axis=0)
result = df.apply(lambda x: x + 10)
print(result)
Пример использования на Series
s = pd.Series([1, 2, 3])
result = s.apply(lambda x: x**2)
print(result)
🚩Метод applymap
Используется только с объектами DataFrame и применяется к каждому элементу в DataFrame. Этот метод подходит для поэлементных преобразований, таких как применение математических функций или форматирование строк.
import pandas as pd
df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6]
})
# Применение функции ко всем элементам DataFrame
result = df.applymap(lambda x: x**2)
print(result)
Ставь 👍 и забирай 📚 Базу знаний | 269 |
| 20 | Контроллер для территориально распределенных систем
Управление по беспроводной сети. Встроенный LTE-модем, модуль GNSS (GPS/ГЛОНАСС)
Узнать больше
#реклама
owen.ru
О рекламодателе | 192 |
