Data Science | Вопросы собесов
Ir al canal en Telegram
Сайт: https://easyoffer.ru/ Все каналы: t.me/+xGeAw6ckJ4liYzQy Контакт для рекламы: @sendme_ads
Mostrar más4 843
Suscriptores
Sin datos24 horas
-57 días
-3430 días
Cargando datos
Canales Similares
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
noviembre '26nov '26
noviembre '26
+12
en 0 canales
octubre '26
+44
en 0 canales
Get PRO
septiembre '26
+67
en 0 canales
Get PRO
agosto '26
+47
en 0 canales
Get PRO
julio '26
+47
en 0 canales
Get PRO
junio '26
+43
en 1 canales
Get PRO
mayo '26
+32
en 0 canales
Get PRO
abril '26
+55
en 0 canales
Get PRO
marzo '26
+58
en 0 canales
Get PRO
febrero '26
+115
en 0 canales
Get PRO
enero '26
+100
en 0 canales
Get PRO
diciembre '25
+62
en 0 canales
Get PRO
noviembre '25
+110
en 0 canales
Get PRO
octubre '25
+132
en 1 canales
Get PRO
septiembre '25
+75
en 0 canales
Get PRO
agosto '25
+82
en 0 canales
Get PRO
julio '25
+125
en 0 canales
Get PRO
junio '25
+127
en 0 canales
Get PRO
mayo '25
+124
en 1 canales
Get PRO
abril '25
+166
en 0 canales
Get PRO
marzo '25
+598
en 5 canales
Get PRO
febrero '25
+332
en 4 canales
Get PRO
enero '25
+201
en 53 canales
Get PRO
diciembre '24
+120
en 0 canales
Get PRO
noviembre '24
+162
en 1 canales
Get PRO
octubre '24
+310
en 40 canales
Get PRO
septiembre '24
+408
en 249 canales
Get PRO
agosto '24
+181
en 1 canales
Get PRO
julio '24
+342
en 54 canales
Get PRO
junio '24
+924
en 244 canales
Get PRO
mayo '24
+999
en 191 canales
Get PRO
abril '24
+689
en 23 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 21 noviembre | 0 | |||
| 20 noviembre | 0 | |||
| 19 noviembre | 0 | |||
| 18 noviembre | +1 | |||
| 17 noviembre | 0 | |||
| 16 noviembre | 0 | |||
| 15 noviembre | +1 | |||
| 14 noviembre | 0 | |||
| 13 noviembre | 0 | |||
| 12 noviembre | +1 | |||
| 11 noviembre | +1 | |||
| 10 noviembre | +1 | |||
| 09 noviembre | +3 | |||
| 08 noviembre | +1 | |||
| 07 noviembre | 0 | |||
| 06 noviembre | 0 | |||
| 05 noviembre | +2 | |||
| 04 noviembre | +1 | |||
| 03 noviembre | 0 | |||
| 02 noviembre | 0 | |||
| 01 noviembre | 0 |
Publicaciones del Canal
Российский радиатор Royal Thermo с мировым именем
Международная премия Red Dot за дизайн и технологии. Персональный климат-контроль
Узнать больше
#реклама
royal-thermo.ru
О рекламодателе
21 nov, 13:36
| 2 | 🤔 Как градиент бустинг регрессор работает?
Градиент бустинг регрессор строит множество слабых моделей, таких как деревья решений, и комбинирует их для улучшения предсказаний. Модели обучаются последовательно, каждая новая модель пытается скорректировать ошибки предыдущих. На каждом шаге модель минимизирует ошибку, используя градиент функции потерь для обновления предсказаний. Этот процесс продолжается до тех пор, пока не будет достигнута определенная точность или не исчерпаны ресурсы.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 142 |
| 3 | Виллы на Алтае с окупаемостью 8 лет. Управление под ключ
Недвижимость на первой линии Катуни. Отель c инфраструктурой 5*, ресторан и бассейн
Узнать больше
#реклама
moneyard-premium.ru
О рекламодателе | 214 |
| 4 | 🤔 Какие переменные (типы данных) можно использовать в качестве ключей?
Хэшируемые типы данных, такие как числа, строки, кортежи с неизменяемыми элементами. Это важно, если требуется быстро сопоставить значения в структуре данных.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 218 |
| 5 | Москвич 3 от 1 780 000 р. Платеж от 9 900 ₽ в месяц
Практичный городской кроссовер. Оцинкованный кузов. Багажник до 1050 л. Телематика
Узнать больше
Изучите все условия кредита (займа) на сайте в соответствующем разделе. Оценивайте свои финансовые возможности и риски. Финансовые услуги оказывает: АО "Авто Финанс Банк", ПАО "Совкомбанк".
#реклама
moskvich.ru
О рекламодателе | 260 |
| 6 | 🤔 Почему хорошо работает случайный лес?
Случайный лес работает хорошо, потому что он сочетает предсказания множества независимых деревьев решений, что снижает вероятность переобучения и увеличивает общую точность модели. Каждое дерево строится на случайной подвыборке данных и случайных признаках, что обеспечивает разнообразие моделей. За счёт этого случайный лес становится устойчивым к шуму и переобучению, предоставляя более стабильные и обобщающие предсказания. Модель также устойчива к выбросам и может эффективно работать с большим количеством признаков.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 260 |
| 7 | Как внедрить ИИ в бизнес и получить измеримый результат?
Эксперты Т1 ИИ разработали методологию ИИ-трансформации для руководителей компаний.
Внутри:
✅ Модель из 5 уровней ИИ-зрелости бизнеса.
✅ Рекомендации по переходу от пилотов к системному внедрению ИИ.
✅ Подход к оценке экономического эффекта от ИИ.
✅ План действий на первый квартал с ключевыми решениями для руководства.
✨ Скачайте методологию Т1 ИИ и узнайте, как выстроить управляемую ИИ-трансформацию своей компании.
Скачать
#реклама 16+
t1-ai.ru
О рекламодателе | 211 |
| 8 | 🤔 Разница между K-Means и KNN
1. K-Means (кластеризация):
o Используется для группировки данных в кластеры на основе схожести.
o Это алгоритм обучения без учителя.
o Результат — центры кластеров, данные распределяются вокруг них.
2. KNN (K-Nearest Neighbors):
o Алгоритм классификации или регрессии, находящий ближайших соседей для прогнозирования.
o Это алгоритм обучения с учителем.
o Результат зависит от разметки данных (меток классов).
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 260 |
| 9 | 🔥 Скрытые вакансии с удаленной работой для DS / ML, которые нигде больше не публикуются. Напрямую от компаний, с контактами рекрутеров.
🔹 Data Science ML | Вакансии
🔹 Data Engineer | Вакансии
🔹 Аналитик Данных | Вакансии
🔸 Все каналы с вакансиями | 287 |
| 10 | 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 | 205 |
| 11 | 🤔 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 | 262 |
| 12 | 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 | 226 |
| 13 | 🤔 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 | 289 |
| 14 | Дилерство Rippa: обучение, лиды, CRM
Дилерство мини-экскаваторов, вход от 1,4 млн ₽. Разберём модель.
Узнать больше
#реклама 16+
protechmachines.ru
О рекламодателе | 224 |
| 15 | 🤔 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 | 314 |
| 16 | 🤔 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 | 325 |
| 17 | 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 |
| 18 | 🤔 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 | 326 |
| 19 | 🤔 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 | 321 |
| 20 | 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 |
