Ds.interview

Еще один вопросик с моего тестового 🔵 43. Для какого шаблона взаимодействия был разработан HDFS? 1. Один раз записали / много раз прочитали 2. Много раз поменяли данные / один раз прочитали 3. Один раз записали / один раз прочитали 4. Много раз поменяли данные / много раз прочитали 🗣 1 пункт - правильный ответ ✅ #system_design 🚀 Subjects: #практика Source: #ozon

Продолжая тему HDFS, ловите еще один интерсный вопросик, который попался мне в формате теста 🔵 42. Как можно менять данные в HDFS? 1. Удалять данные в конце файла 2. Дописывать данные в конец файла 3. Дописывать данные в произвольное место файла 4. Удалять произвольную часть файла 5. Удалять все данные (весь файл) 🗣 2 и 5 пункты - правильные ответы ✅ #system_design 🚀 Subjects: #практика Source: #ozon

🔵 41. Сколько блоков в HDFS будет иметь файл размером 1025 Мб, если объем HDFS равен 3 Пб, размер блока - 128 Мб, число серверов - 100, фактор репликации - 3? 🗣Блок - это еденица хранения данных в HDFS. Соответственно, кол-во блоков для такого файла будет 1025 / 128 = 9 (целых) блоков. Фактор репликации - это кол-во копий 1 блока на разных серверах, соответственно всего будет 27 блоков. Ответ: 27 блоков. прости, госпади, назову это #system_design 🚀 Subjects: #практика Source: #ozon

Та-даам! Хочу поделиться радостной новостью - со вчерашнего дня работаю математиком-разработчиком в Ozon Fintech 🦫 Вот так пафосно теперь оказывается называется профессия data scientist-а 😅 Конечно, такая формулировка очень приятна, ведь шутка про питониста и ds-ера становится как никогда актуальна😎 Залетайте ко мне в инсту @shrf.ramilya - там постараюсь делиться событиями в новом этапе моей жизни 🎤

Та-даам! Хочу поделиться радостной новостью - со вчерашнего дня работаю математиком-разработчиком в Ozon Fintech 🦫 Вот так пафосно теперь оказывается называется профессия data scientist-а 😅 Конечно, такая формулировка очень приятна, ведь шутка про питониста и ds-ера становится как никогда актуальна😎 Залетайте ко мне в инсту @shrf.ramilya - там постараюсь делиться событиями в новом этапе моей жизни 🎤

40. Есть два обученных бинарных классификатора: какой из них лучше, если у одного roc-auc score равен 0.25, а у другого 0.7? Roc-auc score - метрика, которая характеризует умение модели отличать один класс от другого. Если roc-auc равен 0.5 - это всё равно что случайное угадывание класса. Соответственно, при метрике равной меньше 0.5 можно говорить о неправильной разметке классов. При том же roc-auc score равным 0.25 и правильной разметке (inverse), действительный roc-auc score должен быть равным 0.75. А значит эта модель лучше. #метрики Grade: #junior Subjects: #теория Source: #сбер

🔵 39. Игроки играют в настольную игру, где перемещение по полю (по часовой стрелке) осуществляется посредством бросков игральных шестигранных кубиков. Каждый игрок начинает игру с ячейки 1 и перемещается между ячейками на количество ходов, равное сумме выпавших при броске кубиков баллов. Если сумма баллов превышает количество ячеек, игрок продолжает движение по ячейкам по часовой стрелке. Пример: если сумма выпавших баллов равна 10, то пятая ячейка будет конечной. Необходимо рассчитать вероятность попадания на каждую ячейку игрового поля при количестве бросаемых игральных кубиков равным 3м. 🗣Ответ в комментариях #тервер 🚀 Grade: #junior Subject: #практика

Ребята, всем привет! ☺️ Фух, давно меня тут не было, что даже как-то совестно возвращаться ) Но! У меня для вас есть интересное свежее задание на теорию вероятностей, которое мне попалось на тестовом задании в одну известную, еще недавно стартап компанию, услугами которой, я уверенна, каждый из вас хоть раз пользовался📍 Чтобы было почти честно, немного видоизменю постановку задачи, с сохранением сути, конечно же, а так же не буду оставлять свой код решения 😉 Ловите кейс ниже 👩‍💻

🔵 38. Предположим, что есть обученная модель градиентного бустинга. Как можно оценить “уверенность” предсказания модели (подсказка - boosting uncertainty)? 🗣 Можно построить график, где по оси x - номер дерева (в последовательности деревьев градиентного бустинга), а по оси y - предсказанное значение целевой переменной. Если модель градиентного бустинга “уверенна” в своем ответе, уже на первых деревьях модель сойдётся к какому-либо предсказанному значению, если модель не “уверена”, то значения предсказанной целевой переменной будут колебаться. #gradient_boosting 🚀 Grade: #junior Subject: #практика Source: @KarpovCourses

37. Предположим, что в процессе обучения нейронной сети на одном из слоев мы применяем несколько сверток одинакового размера к одному и тому же изображению. Почему паттерны, на которые будут реагировать такие свертки после обучения, могут получаться разными? Это происходит за счет случайной инициализации весов сверток. #cnn Grade: #junior Subject: #практика Source: @vhadzhykhanov