Machine learning Interview

❗️Как пройти техническое собеседование на ML-специалиста? ⚠️ Узнайте на примере mock-интервью с преподавателями курса «MLOps» в OTUS! На открытом уроке вы сможете наблюдать один из этапов собеседования при найме ML-специалистов — ML System Design секцию. 👉 Для удачного прохождения этого этапа не достаточно только знания алгоритмов машинного обучения. Также проверяются навыки проектирования ML систем, которые могут успешно работать в промышленной среде. Больше инструментов MLOps ждет вас на курсе. Обратите внимание: возможные способы оплаты обучения. 👉 Готовьте вопросы и записывайтесь на вебинар! https://otus.pw/yCvY/ Нативная интеграция. Информация о продукте www.otus.ru

🔥 19 худших ошибок на собеседованиях по науке о данных https://www.datasciencecentral.com/17-worst-mistakes-at-data-science-job-interviews/ @machinelearning_interview

💪 Хотите выйти на новый уровень в Machine Learning? Научитесь рекомендовать визуально похожие товары! Приглашаем вас 24 мая в 20:00 мск на открытый урок в OTUS. Для участия пройдите вступительный тест 👉 https://otus.pw/9S45/ Занятие приурочено к старту онлайн-курса «Рекомендательные системы» в OTUS. Вместе с Александром Брут-Бурляко, DS-инженером в СБЕР Neurolab, разберем, как использовать векторное представление изображений и нейросети компьютерного зрения для поиска объектов по фото. В результате вы поймете, как: - Работать с глубокими нейросетями компьютерного зрения - Готовить изображения для обработки - Сделать рекомендательную систему на основе похожих изображений. 💻 Урок подходит для DS/ML/DL-специалистов, аналитиков и руководителей контентных сервисов и интернет-магазинов, которые хотят создать свою рекомендательную систему на основе сравнения изображений. После вебинара вы сможете продолжить обучение на курсе. Сейчас доступны разные способы оплаты. https://otus.pw/9S45/ Нативная интеграция. Информация о продукте на otus.ru

🗣Подборка статей для подготовки к собеседованиям по машинному обучению. 1. Вопросы для собеседования по ML 1.1 2. Вопросы с собеседовании по машинному обучению uproger. 3. @machinelearning_interview - телеграм канал с разбором вопросов с собеседований мл. 4. 20 основных вопросов для собеседования по машинному обучению 5. Разберитесь в 40 популярных вопросах для собеседования по машинному обучению 6. Ресурсы для собеседования : ML/Data Science/AI Research Engineer 7. Вопросы и ответы на интервью по ML 8. A Guide To Machine Learning Interview Questions And Answers 9. 6 лучших алгоритмов машинного обучения 10. Подготовка к собеседованию по машинному обучению - алгоритмы ML 11. Машинное обучение IP - EDUREKA - Вопросы и ответы 12. 100 распространенных вопросов для интервью по ML 13. Вопросы для собеседования по машинному обучению - Криш Наик 14. Data Science Interviewer Pro By Emma Ding 15. Вопросы для собеседования по науке о данных Краткий обзор от Simplilearn 16. Наиболее часто задаваемые вопросы на собеседовании по AI/ML 17. Вопросы для собеседования по машинному обучению. 18. @python_job_interview - вопросы с собеседований python, ds. Сохраняем себе, чтобы не потерять @data_analysis_ml

Вопросы с технического собеседования на позицию инженер по машинному обучению и компьютерному зрению. 🖥 Github @machinelearning_interview

⁉️ Начните изучать инструменты MLOps с библиотеки DataFrame API! ⚠️ Приглашаем 15 мая в 20:00 мск на открытый урок «DataFrame API: от Dask к PySpark» в OTUS. DataFrame API — это библиотека для обработки данных в Python, которая часто используется в задачах машинного обучения. ✅ На этом занятии мы рассмотрим ситуацию, когда данные уже не помещаются на дисковый массив, а для быстрой обработки требуется большое количество ядер. ⬆️ Покажем на практике как деплоить модели в production Больше инструментов MLOps ждет вас на курсе. Обратите внимание: возможные способы оплаты обучения. 👉 Готовьте вопросы и записывайтесь на вебинар! https://otus.pw/5rri/ Нативная интеграция. Информация о продукте www.otus.ru

В самом разгаре приём заявок на конкурсный отбор в магистратуру Сколтеха «Современные вычислительные методы» по двум образовательным трекам: — математическое моделирование; — высокопроизводительные вычисления и большие данные. На программе вы научитесь обрабатывать доступную информацию в реальных задачах и строить на этой основе эффективно решаемые математические модели, разрабатывать новые вычислительные подходы и алгоритмы для задач с большим объёмом данных, использовать методы высокопроизводительных вычислений на Python, C и C ++ для разработки и оптимизации. Если успеете подать заявку до 29 мая — у вас будет 2 попытки пройти отбор: Реклама. Автономная некоммерческая образовательная организация высшего образования «Сколковский институт науки и технологий», ИНН 5032998454

​Как не завалить испытательный срок Получить оффер джуну становится всё сложнее: несколько собесов, тестовое задание, интервью с техдиром или руководителем. И на каждом этапе можно получить отказ. И если всё-таки удалось получить оффер, то начинается испытательный срок, который можно завалить по самым разным причинам. Чтобы этого избежать, бизнес-аналитик и продакт-менеджер с 10-летним стажем дал несколько рекомендаций по успешному прохождению испытательного срока: https://devby.io/blogs/posts/good-junior #советы

📌 Курс «Машинное обучение» на МКН СПбГУ Аннотация Объемный годовой курс, в котором подробно рассматриваются модели машинного обучения. Такой подход позволяет осознать основные принципы данной области в целом. Знание этих принципов даст возможность самостоятельно понимать механизмы функционирования более сложных современных моделей, обнаруживать пути улучшения уже существующих алгоритмов, а также адаптировать методы машинного обучения для решения нестандартных задач. 🖥 Github @machinelearning_interview

📌 Как Airflow и k8s помогают строить эффективный конвейер? 👉 Узнайте 27 апреля в 20:00 на открытом уроке в OTUS. Вебинар приурочен к старту онлайн-курса «MLOps». На этом занятии мы построим свой конвейер обучения моделей на Airflow и k8s. ✔️Airflow — стандарт де-факто для планирования задач. Кроме регулярного запуска наших скриптов подготовки данных и обучения моделей, важно контролировать окружение, в котором они запускаются и выделять на время необходимые ресурсы, будь то RAM или GPU. ✔️ В этом нам поможет k8s — платформа для управления контейнерами. Нам осталось только правильно соединить эти два инструмента. Этой теме и посвящён вебинар. 🔥Регистрация https://otus.pw/Zk7x/ Нативная интеграция. Информация о продукте www.otus.ru

🔍 Тестовое задание по 3D ML Всего представлено три задания. Описание для каждой задачи можно найти в соответствующей директории. Они оформлены в Jupyter Notebook: Task1 Task2 Task3 Task4 (зависит от решения Task3) При выполнении заданий необходимо описать ход своих мыслей и основные идеи, которые были использованы. Можно оформить в Jupyter Notebook или Google Colab. Нужно отправить исходный код решения задач. Крайне желательно со ссылкой на GitHub, Bitbucket, GitLab или другое хранилище репозиториев Git. Основные критерии оценки выполнения заданий: Код написан в едином стиле. Соблюдены основные соглашения, принятые в сообществе. Например, PEP 8 для Python, Google C++ style и т. п. Стиль может быть разным, но весь код должен быть оформлен в едином стиле. Насколько он кроссплатформенный. Как организована структура проекта. В части Docker. Насколько оптимально написана сборка с точки зрения размера образа и сколько инструкций будут выполняться в случае изменения основного кода приложения (если всё собирается заново, то это не очень хорошо). Основные моменты смотрите в документации Желательно, чтобы код был написан на Python 3. Какие-то части могут быть написаны на других языках программирования: C, C++, CUDA C/C++. Запуск проекта должен осуществляться достаточно просто. Если проект на Python 3, то он должен быть с файлом, в котором перечислены зависимости: requirements.txt, файл для Poetry или конфигурационный файл окружения для Anaconda. Проекты на C/C++ должны снабжаться CMake файлом для сборки. Мы можем запустить ваши примеры в окружении Linux Ubuntu 18.04 или 20.04, Windows 10, а также в Docker, поэтому лучше явно указывать на какой ОС предполагается запуск, если от этого зависят какие-то части в решении. @machinelearning_interview

Станьте автором-разработчиком учебного контента на курсе по машинному обучению Яндекс Практикум — это сервис онлайн-образования, где каждый может получить навыки для работы в современных цифровых компаниях. Что нужно делать? • продумывать содержание курсов и отдельных уроков с методистом и менеджером программы • придумывать, как улучшить уже существующую теорию и практику • писать теорию уроков и создавать практические задания разных форматов — тренажёр, оценочные квизы, проекты и т. д. Кого ищут? Авторов, понимающих одну или несколько тем и технологий, которые мы включим в программу. Профессионалов в классическом Machine Learning, которые хотят делиться опытом, объяснять сложное простыми словами и влиять на формирование индустрии. Что предлагают?  ◾️ Парт-тайм сотрудничество на удалёнке из любой точки мира  ◾️ Дополнительный доход ◾️ Развитие софтскилов и профессиональное комьюнити ◾️ Возможность экспериментировать и принимать самостоятельные решения Ссылка на вакансию

💻 Опишите процесс создание системы связывания сущностей ? Связывание именованных сущностей (NEL) — это процесс обнаружения и связывания упоминаний сущностей в заданном тексте с соответствующими сущностями в целевой базе знаний. Связывание сущностей состоит из двух частей: Распознавание именованных сущностей: NER обнаруживает и классифицирует потенциальные именованные сущности в тексте по предопределенным категориям, таким как человек, организация, местоположение, медицинский код, выражение времени и т.д. Устранение неоднозначности : это устраняет неоднозначность каждой обнаруженной сущности, связывая ее с соответствующей сущностью в базе знаний. Давайте посмотрим на Entity Linking в действии в следующем примере(картинка). В предложении / тексте говорится: «Майкл Джордан — профессор машинного обучения в Калифорнийском университете в Беркли». Первый NER обнаруживает и классифицирует названные сущности Майкла Джордана и Калифорнийского университета в Беркли как человека и организацию. Затем имеет место разрешение неоднозначности. Предположим, что в данной базе знаний есть две сущности «Майкл Джордан», профессор Калифорнийского университета в Беркли и спортсмен. Майкл Джордан в тексте связан с профессором Калифорнийского университета в Беркли, сущностью в базе знаний. Точно так же Калифорнийский университет в Беркли в тексте связан с юридическим лицом Калифорнийского университета в базе знаний. Приложения Связывание сущностей применяется во многих задачах обработки естественного языка. Сценарии использования можно в общих чертах разделить на поиск информации, извлечение информации и построение графов знаний, которые, в свою очередь, могут использоваться во многих системах, таких как: ▪Семантический поиск Анализ содержания ▪Вопросно-ответные системы / чат-боты / виртуальные помощники Все вышеупомянутые приложения требуют высокоуровневого представления текста, в котором понятия, относящиеся к приложению, отделены от текста и других не имеющих смысла данных. Постановка задачи Интервьюер попросил вас разработать систему связывания сущностей, которая: ▪Определяет потенциальные упоминания именованных сущностей в тексте. ▪Выполняет поиск возможных соответствующих сущностей в целевой базе знаний для устранения неоднозначности. ▪Возвращает либо наиболее подходящую соответствующую сущность, либо ноль. Постановка проблемы переводится в следующую проблему машинного обучения: «Имея текст и базу знаний, найдите все объекты, упомянутые в тексте (Распознать). А затем свяжите их с соответствующей правильной записью в базе знаний (Устранение неоднозначности)». Вопросы на собеседовании для связывания сущностей Это некоторые из вопросов, которые интервьюер может задать во время обсуждения систем связывания сущностей. ▪Как бы вы построили систему распознавания сущностей? ▪Как бы вы построили систему устранения неоднозначности? ▪Учитывая фрагмент текста, как бы вы извлекли всех людей, страны и предприятия, упомянутые в нем? ▪Как бы вы измерили производительность средства устранения неоднозначности / распознавателя объектов / компоновщика объектов? ▪Учитывая несколько средств устранения неоднозначности / распознавателей / лайнеров, как бы вы определить, какой из них лучший? @machinelearning_interview

👉Часто ML интервью на уровень позиции middle и выше требуют не только опыта промышленной разработки и твёрдых знаний core ML, но и в дополнение, предполагают довольно высокий уровень софт скиллов. Именно они оставляют то самое послевкусие последнего этапа собеседования, когда компания решает, делать ли вам оффер и когда вы решаете, точно ли вы хотите работать в этой компании. 👨‍💼По своему опыту проведения и прохождения ML интервью автор канала делится лайфхаками для собеседований ML system design на примере решения реальной задачи ранжирования. 👊Подписывайся, чтобы не пропустить дальнейший разбор кейса и дополнительные лайфхаки для собеседований https://t.me/rl_enthusiasts/41

Решение задач Hackaton TiNT (ITMO) machine learning February 2019 Хакатон ТИнТ (ИТМО) по машинному обучению Февраль 2019 В основном, все задания из олимпиады "Я -проффесионал" от Яндекса по анправлению Большие Данные 🖥 GIthub @machinelearning_interview

Уважаемые коллеги! ⚡ Приглашаем вас на бесплатный семинар по компьютерному зрению, который состоится в Москве 26 апреля в 10:00 На семинаре будут демонстрироваться самые передовые алгоритмы компьютерного зрения, такие как: - поиска глубины по видео; - pose estimation – определение характерных точек объекта с целью определения положения (позы) объекта в пространстве; - сегментация изображения для целей точного положения объекта в пространстве и его составляющих; - детекции объектов в 2D и 3D и их трекинга; - обнаружения аномалий (CV в задачах предсказательного обслуживания); - генерации данных и one-shot learning. ✔️ Вы сможете увидеть на практике, как эти алгоритмы работают и как можно применять их на производстве. Семинар будет полезен для специалистов, работающих в области автоматизации производства, робототехники и машинного зрения, а также всем, кому интересен анализ данных с использованием методов искусственного интеллекта. Подать заявку на участие👈

Решения упражнений онлайн-курса "Машинное обучение и анализ данных" Упражнения по машинному обучению и анализу данных (ИТМО, ПИиКТ-СиППО,) 🖥 GIthub @machinelearning_interview

💻 Навык работы с большими данными открывает путь в ведущие IT-корпорации. Обычно такие корпорации используют MLOps — способ повышения производительности и создания надежных моделей корпоративного уровня. 📊 Занимаетесь дата-инжинирингом и хотите выйти на новый уровень? Эксперты топовых компаний обучат вас необходимым навыкам на практическом онлайн-курсе «MLOps» от OTUS. 👉 Определите свой уровень подготовки с помощью теста — https://otus.pw/U5jXx/ 🔥 Пройдете тест, получите велкам-скидку и доступ к 2 предстоящим открытым урокам: ✔️ Построим свой конвейер обучения моделей на Airflow и k8s. ✔️ DataFrame API: от Dask к PySpark Реклама. Информация о рекламодателе на сайте www.otus.ru

🎲 Задача. Найти вероятность того, что при бросании двух игральных костей в сумме выпадет: а) пять очков; б) не более четырёх очков; в) от 3-х до 9 очков включительно. Решение задачи . Найдём общее количество исходов: по правилу умножения комбинаций, всего может выпасть 36 вариантов. Иными словами, каждая грань 1-го кубика может составить упорядоченную пару с каждой гранью 2-го кубика. Условимся записывать такую пару в виде (a, b) , где a – цифра, выпавшая на 1-м кубике, b – цифра, выпавшая на 2-м кубике. Например: (3, 5) – на первом кубике выпало 3 очка, на втором – 5 очков, сумма очков: 3 + 5 = 8; (6, 1) – на первом кубике выпало 6 очков, на втором – 1 очко, сумма очков: 6 + 1 = 7; (2, 2) – на обеих костях выпало 2 очка, сумма: 2 + 2 = 4. Очевидно, что наименьшую сумму даёт пара (1, 1) , а наибольшую – две «шестёрки». а) Рассмотрим событие: A – при бросании двух игральных костей выпадет 5 очков. Запишем и подсчитаем количество исходов, которые благоприятствуют данному событию: (1, 4); (4, 1); (2, 3); (3, 2). Итого: 4 благоприятствующих исхода. По классическому определению: Р(А) = 4/36 = 1/9– искомая вероятность. б) Рассмотрим событие: В – выпадет не более 4-х очков. То есть, либо 2, либо 3, либо 4 очка. Снова перечисляем и подсчитываем благоприятствующие комбинации, слева будем записывать суммарное количество очков, а после двоеточия – подходящие пары: 2 очка: (1; 1); 3 очка: (1; 2); (2; 1); 4 очка: (2; 2); (1; 3); (3; 1). Итого: 6 благоприятствующих комбинаций. Таким образом: Р(В) = 6/36 = 1/6 – вероятность того, что выпадет не более 4-х очков. в) Рассмотрим событие: С – выпадет от 3-х до 9 очков включительно. Здесь можно пойти прямой дорогой, но… что-то не хочется. Да, некоторые пары уже перечислены в предыдущих пунктах, но работы все равно предстоит многовато. Как лучше поступить? В подобных случаях рациональным оказывается окольный путь. Рассмотрим противоположное событие: С1 – выпадет 2 или 10 или 11 или 12 очков. В чём смысл? Противоположному событию благоприятствует значительно меньшее количество пар: 2 очка: (1; 1); 10 очков: (4; 6); (6; 4); (5; 5); 11 очков: (5; 6); (6; 5); 12 очков: (6; 6). Итого: 7 благоприятствующих исходов. По классическому определению: Р(С1) = 7/36 – вероятность того, что выпадет меньше трёх или больше 9-ти очков. Далее пользуемся тем, что сумма вероятностей противоположных событий равна единице: Р(С) + Р(С1) = 1; Р(С) = 1 - Р(С1) = 1 - 7/36 = 29/36 – вероятность того, что выпадет от 3-х до 9 очков включительно. Особо щепетильные люди могут перечислить все 29 пар, выполнив тем самым проверку. Ответ: а) 1/9; б) 1/6; в) 29/36. @machinelearning_interview