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
Show more📈 Analytical overview of Telegram channel Поступашки - ШАД, Стажировки и Магистратура
Channel Поступашки - ШАД, Стажировки и Магистратура (@postypashki_old) in the Russian language segment is an active participant. Currently, the community unites 42 375 subscribers, ranking 4 286 in the Education category and 15 027 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 42 375 subscribers.
According to the latest data from 08 July, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 490 over the last 30 days and by 31 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 37.50%. Within the first 24 hours after publication, content typically collects 19.33% reactions from the total number of subscribers.
- Post reach: On average, each post receives 15 890 views. Within the first day, a publication typically gains 8 191 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 61.
- Thematic interests: Content is focused on key topics such as стажировка, собеседование, шад, пет, огонёк.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“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...”
Thanks to the high frequency of updates (latest data received on 09 July, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Education category.
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
