Библиотека собеса по Data Science | вопросы с собеседований
Open in Telegram
Вопросы с собеседований по Data Science и ответы на них. Учиться у нас: clc.to/GjjbkQ По рекламе: @proglib_adv Учиться у нас: https://proglib.io/w/7dfb7235 Для обратной связи: @proglibrary_feeedback_bot
Show more
Network:4 494
Subscribers
-124 hours
-37 days
+1330 days
Posts Archive
🏃♀️ Как провести вечер вторника с пользой для карьеры?
Включайте кружок там личное приглашение от спикера. 👆
Уже завтра в прямом эфире, разбираем архитектуру контекста в мультиагентных системах.
🤫 Секретный лут:
промик на 5.000₽. Он достанется только тем, кто придет на прямой эфир.
👉 Регистрируйтесь на трансляцию
🏃♀️ Как провести вечер вторника с пользой для карьеры?
Включайте кружок там личное приглашение от спикера. 👆
Уже завтра в прямом эфире, разбираем архитектуру контекста в мультиагентных системах.
🤫 Секретный лут:
промик на 5.000₽. Он достанется только тем, кто придет на прямой эфир.
👉 Регистрируйтесь на трансляцию
Вычислять точное апостериорное распределение для нейросетей математически невозможно. Приходится выбирать метод аппроксимации.
В чем заключается основное преимущество Variational Inference перед методами MCMC (Markov Chain Monte Carlo)?
В 2026 году модели обязаны разделять два типа неопределенности. Представь беспилотный автомобиль, который едет в густом тумане.
Какая неопределенность здесь является Эпистемической (Epistemic)?
В Байесовском подходе мы ищем Апостериорное распределение по формуле Байеса.
За что именно отвечает «Априорное распределение» (Prior) в процессе обучения модели?
В крупных компаниях используют Feature Store (например, Feast или Hopsworks).
Какую главную проблему при переходе от обучения (Offline) к работе в реальном времени (Online) решает эта инфраструктура?
Git плохо справляется с хранением тяжелых датасетов в несколько терабайт. Инструменты вроде DVC решают эту проблему.
Каким образом DVC позволяет версионировать данные, сохраняя при этом легковесность Git-репозитория?
Модель предсказания спроса начала ошибаться. Распределение входных признаков сильно изменилось по сравнению с обучающей выборкой, хотя сама логика поведения людей осталась прежней. Как называется этот тип деградации модели и какое действие требуется?
При генерации текста (Inference) мы часто настраиваем параметр Temperature (T).
Как математически параметр T влияет на распределение вероятностей следующего токена и на итоговый результат?
BERT — это «энкодер», а GPT — «декодер». Это определяет способ их обучения.
В чем заключается ключевое различие в механизме внимания (Attention) при обучении GPT по сравнению с BERT?
PCA проецирует данные на новые оси (главные компоненты).
Каким критерием руководствуется PCA при выборе первой главной компоненты (PC1)?
Вы используете стандартный feature_importance_ из Random Forest (на основе Gini impurity).
В чем заключается главная опасность доверия этому методу при наличии высококоррелированных признаков?
LIME (Local Interpretable Model-agnostic Explanations)
LIME часто используется для объяснения «черных ящиков». Каким образом LIME строит объяснение для конкретного примера (строки данных)?
🤖 Ваш ИИ-агент съедает бюджет на токены и падает при сбоях API?
Пора переходить на новый уровень. Открыли продажи курса по AgentOps — управлению ИИ-агентами в рабочих процессах.
Рынок требует инженеров, которые умеют:
• Контролировать метрики и качество ответов;
• Эффективно работать с RAG-архитектурой;
• Строить системы, готовые к реальным нагрузкам.
Обучение займет 6-12 недель под руководством практиков с опытом в AI и Data Science в крупных IT-компаниях, таких как Яндекс, Сбер, МТС, Huawei, Raft и др.
🎁 Можно подождать, пока про AgentOps начнут говорить все. Или зайти сейчас — НА 30% ДЕШЕВЛЕ!
Работа с AI начинается с систем. Системы — с AgentOps.🔥 Забрать скидку и изучить программу.
Метод SHAP основан на теории игр и вычисляет вклад каждого признака в итоговое предсказание.Что именно представляет собой «значение Шепли» (Shapley value) для конкретного признака в отдельном предсказании?
🏃♀️ Мы собрали бесплатный мега-гайд по ии-агентам 👇
Выкатили большую серию постов, которая ЛЕГКО ЗАМЕНИТ ПАРОЧКУ ПЛАТНЫХ КУРСОВ на рынке.
В первой части постов навалили жесткой базы, чтобы вправить мозги на место. Во второй дали конкретные инструменты, фреймворки и пошаговые инструкции, что нужно кодить прямо сейчас.
Часть 1. Введение, юзкейсы и реальность
Разбираемся с терминами, снимаем розовые очки и смотрим, где ИИ реально приносит бабки, а где только жжет нервы:
1. «Так что вообще считается AI-агентом?»
2. «Где тут бот, а где уже AI-агент?»
3. «Не надо пихать AI-агента в каждую задачу»
4. «Что уже можно спокойно делать через AI-агентов?»
5. «А что через AI-агентов пока лучше не трогать?»
Часть 2. Изнанка, ошибки и архитектура
Как всё это устроено под капотом, чтобы не слить бюджет и не наломать дров на старте:
6. «Можно ли просто сесть вечером и собрать себе AI-агента?»
7. «С чего вообще начать, если хочется попробовать AI-агентов»
8. «Почему AI-агент может внезапно начать творить дичь»
9. «Где AI-агенты реально экономят время, а где только добавляют возни»
10. «Почему они жрут столько денег?»
Часть 3. Хардкорная практика (Что делать руками)
Хватит теории. Открываем ноут, запускаем Cursor и делаем нормальные, отказоустойчивые системы:
11. «Почему одного промпта мало?»
12. «Почему AI-агенту мало просто “дать доступ к данным”»
13. «Если не следить за AI-агентом, он быстро начинает жить своей жизнью»
14. «Собрать демку легко. Но как же сделать нормально»
15. «Как сделать, чтобы это не развалилось через неделю?»
👍 Сохраняйте пост в избранное, чтобы не потерять.
Метод Hyperband (или ASHA) часто используется для настройки нейросетей.
Какая ключевая идея позволяет Hyperband работать в разы быстрее, чем обычный перебор?
Вы строите модель предсказания оттока клиентов. Один из признаков — «Среднее количество звонков в поддержку за последние 3 месяца». В данных есть клиенты, которые ушли месяц назад.
Почему использование этого признака — это утечка данных (leakage)?
Многие компании переходят от обычного векторного поиска к GraphRAG.
В какой ситуации GraphRAG покажет значительно лучший результат, чем обычный поиск по сходству векторов (Top-K Retrieval)?
