Machine learning Interview

Как устроены нейронные сети и как применять их в продуктовой аналитике Разберёмся в прямом эфире: 14 июня в 19:00 (по Москве) Вебинар проведёт Анатолий Карпов — автор тех самых бесплатных курсов на stepik, основатель школы karpovꓸcourses и по совместительству ведущий аналитик с опытом работы в Mail.Ru, VK и JetBrains. Ждём вас на трансляции! Регистрируйтесь, чтобы не пропустить

Ищу ml специалиста для разработки быстрой, эффективной системе трекинга движений человека в реальном времени Мы компания metadreamteam.io - амбициозная команда XR разработчиков и 3Д артистов, работающая на американском рынке, которая делает проекты для всего мира! От Екомерс до real estate. От внедрения лучших решений на рынке до создания своих разработок с нуля. Сейчас делаем свою разработку по созданию умного зеркала для примерки одежды. Необходимо разработать систему трекинга на основании данных с rgb потока камеры , включающую от 8 основных точек скелета их положение и вращение с минимальной возможной погрешностью. Нужно выбрать архитектуру, спрогнозировать обьем базы данных, аппаратные мощности для обучения и работы нейросети. И создать ее обосновав решение Работа удаленная. Фриланс. Оплата от $40 в час Если ты хочешь работать с лучшими в индустрии, делать амбициозные проекты и зарабатывать в валюте - тогда заполняй эту форму, чтобы присоединиться к нам! - https://forms.gle/JkFgki9dNCggkz5PA

🔍 Что такое объяснительные алгоритмы Когда они используются? Приведите примеры объяснительных алгоритмов Что такое объяснительные алгоритмы? Объяснительные алгоритмы позволяют нам обнаруживать и понимать переменные, которые оказывают статистически значимое влияние на выходное значение (результат). Вместо создания алгоритмов для предсказания значений, мы создаем объяснительные модели для понимания взаимосвязи между переменными в модели. С точки зрения регрессии, очень много внимания уделяется статистически значимым переменным. Почему? Практически всегда вы будете работать с выборкой данных, являющейся подмножеством всей совокупности. Для того чтобы сделать верные выводы о совокупности по выборке, важно убедиться, что результат статистически значим. Недавно появились два метода: SHAP и LIME. Они используются для интерпретации моделей машинного обучения. Когда используются? Объяснительные модели эффективны, когда вы хотите понимать, почему выбрано именно такое решение. Или когда вы хотите понять как две или более переменных связаны между собой. На практике возможность объяснить, как ваша модель работает, так же важна, как и качество модели. Если вы не можете объяснить, никто не поверит ей и никто не будет её использовать. Это особенно актуально для банковской сферы, где все модели должны быть интерпретируемыми. Примеры алгоритмов Традиционные объяснительные модели, основанные на проверке гипотез: ▪Линейная регрессия. ▪Логистическая регрессия. Алгоритмы для объяснения моделей машинного обучения: ▪SHAP; ▪LIME. @machinelearning_interview

⚡️ Стартовал прием заявок на Технологический конкурс НТИ Up Great «Экстренный поиск»! Участникам предстоит преодолеть комплексный технологический барьер, предусматривающий разработку технологий и технических решений, объединенных в единую систему, позволяющую эффективно использовать техническое зрение при поиске пропавших людей с применением беспилотных воздушных судов (БВС). На первом этапе (Сателлит №1) участникам необходимо разработать программное решение для поиска объектов (людей) на изображениях, полученных с БВС.  Призовой фонд Сателлита №1 составляет 5 млн руб.  Лучшим командам, удовлетворяющим требованиям технического регламента, организаторами будут предоставлены БВС для участия во втором этапе (Сателлит №2) и финале конкурса. Призерами и победителями могут стать только налоговые резиденты РФ. 📲 Заявки на Сателлит № 1 принимаются до 12 июня 2023 г. по ссылке. Конкурс организуется совместно МФТИ, Фондом НТИ и добровольческим поисково-спасательным отрядом «ЛизаАлерт». Общий призовой фонд составляет 135 млн руб.

Что такое алгоритмы схожести и когда они используются? Алгоритмы схожести вычисляют сходство пары записей/узлов/точек/текстов. Есть алгоритмы, которые вычисляют расстояние между двумя значениями данных, такими как расстояние Евклида. А также есть алгоритмы, вычисляющие схожесть текстов, такие как алгоритм Левенштейна. Когда используются? Алгоритмы сходства применяются повсеместно, но чаще всего в рекомендательных системах. ▪Какие статьи предложит тебе Medium, основываясь на прочитанном тобой ранее? ▪Какие ингредиенты вы можете использовать для замены голубики? ▪Какие треки предложит тебе Spotify, основываясь на треках, которые тебе уже нравятся? ▪Какие продукты Amazon предложит тебе, основываясь на истории покупок? Это только некоторые примеры применения алгоритмов сходства в повседневной жизни. Примеры алгоритмов Ниже приведены самые популярные алгоритмы сходства: ▪К-ближайших соседей; ▪расстояние Евклида; ▪косинусное сходство; ▪алгоритм Левенштейна; ▪алгоритм Джаро-Винклера; ▪сингулярное разложение (SVD). @machinelearning_interview

Как получить первый опыт работы ML-инженером и выделиться на собеседовании? Приходите практиковаться в Симулятор ML. Под руководством ведущих Data Scientists Валерия Бабушкина и Богдана Печёнкина вы не просто прокачаете отдельные навыки, но и поймёте, как сводить бизнес-задачи к задачам машинного обучения. Динамическое ценообразование, рекомендательные системы, матчинг, модели прогноза, А/В-тесты, тестирование кода в Python — реальные рабочие проекты по этим темам ждут вас в Симуляторе. Симулятор работает в режиме подписки и постоянно пополняется новыми задачами — сейчас их уже более 50. Присоединяйтесь!

Расскажите что вы знаете о LLM: больших языковых моделях ? Расскажите про наиболее известным LLM ? Большие языковые модели — это нейросетевые модели, использующие алгоритмы машинного обучения, позволяющие обобщать, прогнозировать, генерировать человеческие языки на основе больших наборов текстовых данных. Принцип работы таких моделей основан на определении вероятностного сочетания слов и их значений в заданном контексте с использованием определенных алгоритмов вычислений. В БЯМ чаще всего использовалась архитектура трансформера, которая с 2018 года стала стандартной техникой глубокого обучения для последовательных данных (ранее наиболее распространёнными были рекуррентные архитектуры, такие как модели с долгой кратковременной памятью). БЯМ обучаются без учителя на неаннотированном тексте. Трансформер при генерации вывода слева направо обучается максимизировать вероятность, назначенную следующему слову в обучающих данных, с учётом предыдущего контекста. В качестве альтернативы БЯМ может использовать двунаправленный трансформер (как в примере BERT), который присваивает распределение вероятностей по словам, имеющим доступ как к предыдущему, так и к последующему контексту. В дополнение к задаче прогнозирования следующего слова или «заполнения пробелов» БЯМ могут быть обучены вспомогательным задачам, которые проверяют их понимание распределения данных, таких как прогнозирование следующего предложения (NSP), в котором представлены пары предложений и модель должна предсказать, появятся ли они рядом в обучающем корпусе текстов. В настоящее время основное применение LLM находят в чат-ботах, написании статей, маркетинговых текстов, электронных писем, переводах текстов, используются поисковыми системами и т.д. К наиболее известным LLM относят: GPT ( OpenAI). Является одной из крупнейших языковых моделей, обученной на огромном количестве разнообразных наборов данных и 175 млрд параметров. Модель умеет писать тексты (статьи, стихи и т.д.), переводить, отвечать на вопросы по тексту. Архитектура модели transformer1 LaMDA ( Google). Относится к разговорным нейросетевым моделям. Построенная на архитектуре transformer и обученная также на текстовых наборах данных модель способна вести диалог. BERT ( Google). Данная нейросетевая модель в большей степени используется в поисковых запросах. Модель обучена в целях увеличения эффективности процесса понимания контекста запроса пользователя для выдачи релевантного результата. Архитектура модели transformer. BLOOM (Исследовательская группа BigScience). На текущий момент является самой большой многоязычной нейросетевой моделью. Обученная на огромных объемах текстовых данных и 176 млрд параметров с использованием вычислительных ресурсов промышленного масштаба модель способна генерировать текст на 46 языках и 13 языках программирования. LLM – достаточно мощный инструмент, однако перспективы их повсеместного применения в настоящее время и в дальнейшем довольно туманны, ввиду недостаточной изученности и наличия разного рода неточностей, выявленных в их работе. Имеющиеся на текущий момент знания и опыт в применении моделей демонстрируют не только большие достижения, но также и огромное количество проблем, только усиливающих скептицизм к использованию LLM. Так, например, у многих моделей была выявлена склонность к генерации некачественного, провокационного и даже оскорбительного контента. Специалисты в области языковых моделей также расходятся во мнении о возможном позитивном развитии данного направления искусственного интеллекта в дальнейшем. Одни утверждают, что предел развития LLM практически достигнут, по мнению других – масштабирование LLM будет способствовать формированию более умных моделей. Однако, текущее положение показывает, что использование LLM сейчас видится в большей степени в качестве вспомогательного инструмента, без всецелого полагания на результат, а применение в особо значимых сферах деятельности человека может привести к необратимым последствиям.

Хотите хакнуть ChatGPT и достать из его глубин информацию, которую он не захотел бы отдать вам просто так? О том, как это сделать, узнайте в новой статье на Хабре. В ней Ваня Самсонов, руководитель продуктового направления ML ВКонтакте рассказал, почему считает AI не соперником на рынке труда, а инструментом для достижения более качественных результатов. А главное — поделился большой подборкой материалов для каждого, кто хочет сделать нейросети своими помощниками. ✔️Хабр @machinelearning_interview

🔥 Полезные ссылки для подготовки к собесдованию ▪https://github.com/khangich/machine-learning-interview ▪https://github.com/rbhatia46/Data-Science-Interview-Resources ▪https://www.springboard.com/blog/ai-machine-learning/machine-learning-interview-questions/ ▪https://github.com/iamtodor/data-science-interview-questions-and-answers ▪https://medium.com/analytics-vidhya/test-your-skills-26-data-science-interview-questions-answers-69cb2b223e57 https://github.com/andkret/Cookbook @machinelearning_interview

✅ Покажем на практике как деплоить модели в production Владение инструментами MLOps открывает новые карьерные горизонты специалистам ML, Data Scientist’ам и Software инженерам. 📌 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на курсе «MLOps» от OTUS. Время прохождения теста ограничено 30 минут ПРОЙДИТЕ ТЕСТ — сможете занять место в группе по спец.цене 👉 https://otus.pw/RcJa/ Нативная интеграция. Информация о продукте www.otus.ru

Minimum Viable Study Plan for Machine Learning Interviews Сборник интервью по машинному обучению от FAANG, Snapchat, LinkedIn. ▪Github @machinelearning_interview

⚡️ Стартовал прием заявок на Технологический конкурс НТИ Up Great «Экстренный поиск»! Участникам предстоит преодолеть комплексный технологический барьер, предусматривающий разработку технологий и технических решений, объединенных в единую систему, позволяющую эффективно использовать техническое зрение при поиске пропавших людей с применением беспилотных воздушных судов (БВС). На первом этапе (Сателлит №1) участникам необходимо разработать программное решение для поиска объектов (людей) на изображениях, полученных с БВС. Призовой фонд Сателлита №1 составляет 5 млн руб. Лучшим командам, удовлетворяющим требованиям технического регламента, организаторами будут предоставлены БВС для участия во втором этапе (Сателлит №2) и финале конкурса. Призерами и победителями могут стать только налоговые резиденты РФ. 📲 Заявки на Сателлит № 1 принимаются до 12 июня 2023 г. по ссылке. Конкурс организуется совместно МФТИ, Фондом НТИ и добровольческим поисково-спасательным отрядом «ЛизаАлерт». Общий призовой фонд составляет 135 млн руб.

#вопросы_с_собеседований Что такое аугментация данных? Можете привести примеры? Под аугментацией данных понимается увеличение выборки данных для обучения через модификацию существующих данных. Компьютерное зрение - одна из областей, где очень полезно увеличение объема данных. Есть много модификаций, которые мы можем сделать с изображениями: — Изменить размер — Горизонтально или вертикально перевернуть — Добавить шум — Деформировать — Изменить цвета

Как развернуть сложные модели как Transformers и подружить их с инфраструктурой? Как сделать предобработку текста для классификации отзывов? Благодаря глубоким знаниям предметной области Natural Language Processing вы сможете ответить на эти вопросы. На курсе по обработке естественного языка (NLP) вы научитесь грамотно извлекать информацию из текста, решать задачи информационного поиска, распознания речи и генерации текста. Погружаться в область вы будете под руководством экспертов из Digital habits, EORA, Ozon Tech и Delivery Hero. Всю теорию вы будете отпрабатывать на практических заданиях. Дополнительно вы получите доступ к мастер-классам с примерами реальных проектов по NLP, которые потом сможете реализовать у себя в компании. На курсе Easy NLP вы получите необходимые знания для работы специалистом в данной области, а также разберете все нестандартные ситуации и сложные моменты. Старт потока 19 июня, присоединяйтесь по ссылке Промокод (всего 10 штук) на скидку 5% EASYNMLLEARNING

Полезные статьи с разбором вопросов по машинному обучению ▪Разбор в вопросов с кодом по алгоритмам машинного обучения. ▪Типы вопросов по машинному обучению на собеседовании по науке о данных и как к ним подготовиться ▪Вопросы и ответы на собеседовании по машинному обучению для специалистов по анализу данных ▪Вопросы и ответы на собеседовании по глубокому обучению для специалистов по анализу данных @machinelearning_interview

Реферальная программа от Сбера: крутая возможность порекомендовать друга на интересные проекты и получить 80 000 рублей! 🤑 Теперь вы можете прислать контакты своих друзей-разработчиков, тестировщиков, аналитиков и рассчитывать на вознаграждение. Как это работает 👇 ✔️ Вы отправляете данные друга по ссылке. ✔️ Дожидаетесь, пока он пройдет все этапы отбора. ✔️ Получаете деньги, когда у друга закончится испытательный срок. Сейчас Сбер ищет ИТ-специалистов уровня Middle и Senior с опытом работы более 2-х лет. Они будут развивать уникальные проекты в масштабах всей страны. Знаете, кого можно порекомендовать? Тогда переходите по ссылке и заполняйте анкету 💚

🔍 Где искать работу Дата Саентисту? Собрали для вас список площадок для поиска работы или фрланс-проекта в области Data Science. 1. Toptal Toptal - один из крупнейших фриланс сайтов для специалистов по анализу данных. В отличие от многих других бирж фриланса в Toptal соискатели проходят тестирование в различных областях, включая знание английского языка и технические навыки, в области SQL и Python для data science. 2. Open Data Science Jobs Open Data Science Jobs - одна из крупнейших площадок вакансий, посвященных только науке о данных. Такие компании, как Bose, использовали эту доску объявлений для поиска специалистов по науке о данных для оптимизации своей бизнес-аналитики. 3. Kaggle Kaggle - одно из крупнейших сообществ датасаентистов. Kaggle предоставляет наборы данных, проводит соревнования и вообще способствует процветанию сообщества специалистов по анализу данных. Доска вакансий Kaggle - один из лучших вариантов для начала поиска проекта для рабрты. Ее услугами пользуются крупнейшие компании (Amazon, Capital One и AIG и тд). 4. Scalable Path Если у вас есть готовая команда датасаентистов и вы хотите найти интерсный проект , Scalable Path - отличный вариант. 5. Gigster Еще одина крупная фриланс площадка с проектами ds. 6. iCrunchData - это доска объявлений c вакансиями в области науки о данных. 7. X-Team X-Team - рынок фриланса, где можно работать, как одному, так и в команде. 8. Gun.io Gun.io очень похож на Toptal, быстро и эффективно подбирая для компаний квалифицированных инженеров по науке о данных. С тысячами зарегистрированных членов Gun.io является восходящей звездой в индустрии фриаланса. 9. R-users Простой поиск по сайту R-users позволяет найти десятки вакансий в области науки о данных, в которых используется язык программирования R. 10. AngelList AngelList - это место, где встречаются ит- предприниматели и инвесторы. 11. Engineering Jobs Если вы ищете ds проект Engineering Jobs может стать отличным местом для поиска интересной работы. 12. Dice Dice - доскоа объявлений о карьере в сфере технологий и ИТ. Эта доска известна тем, что привлекает архитекторов программного обеспечения, инженеров, QA-тестеров и инженеров по анализу данных. 13. SimplyHired SimplyHired - это еще одна крупная доска объявлений о работе, похожая на Indeed или Monster. 14. Upwork Одна из крупнейших фриланс площадок, где постоянно публикуются ds проекты. 15. Папка с каналами для поиска работы в телеграме. Телеграм каналы и чаты, где публикуются вакансии ds, python и не только. Очень полезная папка (папки поддерживаются только в последних версиях тг), где можно найти вакансию на любой ЯП. @machinelearning_interview

⭐️ Пособие для технических интервью. Здесь представлены бесплатные и курируемые материалы по подготовке к техническим собеседованиям для занятых инженеро. Более 500 000 человек воспользовались этим пособием! 🖥 Github @machinelearning_interview