fa
Feedback

فریب کلاهبرداران را نخورید! تل‌متریو این کانال‌ها را شناسایی و برچسب‌گذاری می‌کند 👉 برای مشاهده برچسب، اشتراک تهیه کنید

Data Science | Вопросы собесов

Data Science | Вопросы собесов

رفتن به کانال در Telegram

Сайт: https://easyoffer.ru/ Все каналы: t.me/+xGeAw6ckJ4liYzQy Контакт для рекламы: @sendme_ads

نمایش بیشتر
4 848
مشترکین
اطلاعاتی وجود ندارد24 ساعت
-137 روز
-3430 روز
جذب مشترکین
نوامبر '26
نوامبر '26
+11
در 0 کانال‌ها
اکتبر '26
+44
در 0 کانال‌ها
Get PRO
سپتامبر '26
+67
در 0 کانال‌ها
Get PRO
اوت '26
+47
در 0 کانال‌ها
Get PRO
ژوئیه '26
+47
در 0 کانال‌ها
Get PRO
ژوئن '26
+43
در 1 کانال‌ها
Get PRO
مه '26
+32
در 0 کانال‌ها
Get PRO
آوریل '26
+55
در 0 کانال‌ها
Get PRO
مارس '26
+58
در 0 کانال‌ها
Get PRO
فوریه '26
+115
در 0 کانال‌ها
Get PRO
ژانویه '26
+100
در 0 کانال‌ها
Get PRO
دسامبر '25
+62
در 0 کانال‌ها
Get PRO
نوامبر '25
+110
در 0 کانال‌ها
Get PRO
اکتبر '25
+132
در 1 کانال‌ها
Get PRO
سپتامبر '25
+75
در 0 کانال‌ها
Get PRO
اوت '25
+82
در 0 کانال‌ها
Get PRO
ژوئیه '25
+125
در 0 کانال‌ها
Get PRO
ژوئن '25
+127
در 0 کانال‌ها
Get PRO
مه '25
+124
در 1 کانال‌ها
Get PRO
آوریل '25
+166
در 0 کانال‌ها
Get PRO
مارس '25
+598
در 5 کانال‌ها
Get PRO
فوریه '25
+332
در 4 کانال‌ها
Get PRO
ژانویه '25
+201
در 53 کانال‌ها
Get PRO
دسامبر '24
+120
در 0 کانال‌ها
Get PRO
نوامبر '24
+162
در 1 کانال‌ها
Get PRO
اکتبر '24
+310
در 40 کانال‌ها
Get PRO
سپتامبر '24
+408
در 249 کانال‌ها
Get PRO
اوت '24
+181
در 1 کانال‌ها
Get PRO
ژوئیه '24
+342
در 54 کانال‌ها
Get PRO
ژوئن '24
+924
در 244 کانال‌ها
Get PRO
مه '24
+999
در 191 کانال‌ها
Get PRO
آوریل '24
+689
در 23 کانال‌ها
تاریخ
رشد مشترکین
اشارات
کانال‌ها
15 نوامبر+1
14 نوامبر0
13 نوامبر0
12 نوامبر+1
11 نوامبر+1
10 نوامبر+1
09 نوامبر+3
08 نوامبر+1
07 نوامبر0
06 نوامبر0
05 نوامبر+2
04 نوامبر+1
03 نوامبر0
02 نوامبر0
01 نوامبر0
پست‌های کانال
Дилерство Rippa: обучение, лиды, CRM Дилерство мини-экскаваторов, вход от 1,4 млн ₽. Разберём модель. Узнать больше #реклама
Дилерство Rippa: обучение, лиды, CRM Дилерство мини-экскаваторов, вход от 1,4 млн ₽. Разберём модель. Узнать больше #реклама 16+ protechmachines.ru О рекламодателе

2
🤔 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
120
3
🤔 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
185
4
Вяжете или шьёте? Зарабатывайте на мастер-классах "Ведёте творческий блог? С VK Донатом можно зарабатывать на своём деле прям
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
5
🤔 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
200
6
🤔 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
200
7
Один аккаунт вместо десятка нейросетей Если вы работаете с нейросетями, у вас, скорее всего, несколько сервисов в закладках:
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
8
🤔 Как работает having? `HAVING` в SQL используется для фильтрации результатов группировки, которые были созданы с помощью `GROUP BY`. В отличие от `WHERE`, который фильтрует строки до группировки, `HAVING` применяет фильтры уже после того, как данные были агрегированы. Это позволяет отфильтровывать группы на основе агрегатных функций, таких как `COUNT()`, `SUM()` или `AVG()`. Использование `HAVING` удобно, когда требуется отобрать только те группы, которые соответствуют определённым условиям. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
217
9
🤔 Расскажи про юнет U-Net – это сверточная нейронная сеть (CNN), созданная для семантической сегментации изображений. Она была разработана в 2015 году для медицинских изображений, но теперь применяется в разных областях: от компьютерного зрения до спутниковых снимков. 🚩Как устроена U-Net? 🟠Сжатие (encoder, контрактирующая часть) уменьшает размер изображения и извлекает признаки. 🟠Восстановление (decoder, расширяющая часть) восстанавливает пространственное разрешение для точной сегментации. 🚩Encoder (Сжатие) Похоже на обычную CNN (например, VGG). Несколько сверточных слоёв с активацией ReLU. Макспулинг (Pooling, stride=2) уменьшает размер изображения в 2 раза. В результате извлекаются глобальные признаки, но теряется детализация. 🚩Decoder (Восстановление) 🟠Транспонированные свёртки (Up-convolutions) увеличивают размер изображения. 🟠Склейка (Skip Connections) соединяют слои энкодера и декодера, чтобы сохранить детали. 🚩Выходной слой Последний слой – 1x1 свёртка, уменьшающая количество каналов до числа классов (например, 2 для бинарной сегментации). Активация – Sigmoid (для бинарной сегментации) или Softmax (для многоклассовой сегментации). 🚩Где используется? Медицинская диагностика (поиск опухолей, органов). Спутниковые снимки (анализ ландшафтов). Сегментация объектов в автономных машинах. Ставь 👍 и забирай 📚 Базу знаний
232
10
ЮКassa разыгрывает 2 000 000 ₽ на хакатоне по MCP Разработчики и предприниматели, работающие с ИИ — это ваш выход. Покажите,
ЮКassa разыгрывает 2 000 000 ₽ на хакатоне по MCP Разработчики и предприниматели, работающие с ИИ — это ваш выход. Покажите, как решаете задачи бизнеса с MCP ЮKassa, и получите шанс выиграть деньги. Призовой фонд — 2 000 000 ₽. Хакатон пройдёт 5-6 декабря онлайн. Участвуйте в одиночку или в команде до пяти человек и выбирайте один из двух треков: — «Сделайте свой бизнес агентным». Интегрируйте MCP ЮKassa в существующий бизнес и создайте ИИ-агента, который самостоятельно выполняет коммерческую или платёжную задачу. — «Создайте ИИ-решение для клиентов». Разработайте готового ИИ-агента, автоматизацию или интеграционное решение на базе MCP ЮKassa. Финальный продукт должен решать типовые задачи бизнеса и легко разворачиваться для других клиентов ЮKassa. Регистрация открыта до 4 декабря Подать заявку #реклама 16+ promo.yookassa.ru О рекламодателе
217
11
🤔 Что такое recall? Recall (полнота) — это метрика, показывающая, какая доля истинных положительных случаев была правильно предсказана моделью. Она рассчитывается как отношение количества истинно положительных предсказаний к сумме истинно положительных и ложно отрицательных. Recall важен, когда важно минимизировать количество пропущенных положительных случаев. Высокий recall означает, что модель почти не пропускает положительные случаи. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
226
12
🤔 Что такое random forest ? Это популярный ансамблевый алгоритм машинного обучения, используемый для задач классификации и регрессии. Он основан на множестве решений деревьев, которые работают как коллектив, чтобы улучшить точность и стабильность модели. Random Forest объединяет предсказания отдельных деревьев для получения более точного и надежного результата. 🚩Концепции 🟠Ансамбль деревьев решений Состоит из множества деревьев решений, каждое из которых обучается на случайной подвыборке данных и предсказывает целевую переменную. 🟠Bootstrap Aggregation (Bagging) Каждый отдельный дерево обучается на случайной подвыборке данных, выбранной с заменой (bootstrap). Это помогает снизить дисперсию модели и уменьшить вероятность переобучения. 🟠Случайный выбор признаков На каждом узле дерева при выборе признака для расщепления выбирается случайное подмножество признаков. Это дополнительно уменьшает корреляцию между деревьями и улучшает обобщающую способность модели. 🚩Плюсы и минусы ➕Устойчивость к переобучению За счет использования бутстрапа и случайного выбора признаков менее подвержен переобучению по сравнению с отдельными деревьями решений. ➕Высокая точность Объединение предсказаний множества деревьев часто дает более точные результаты, чем использование одного дерева. ➖Время и ресурсы Обучение и предсказание с помощью Random Forest может быть более затратным по времени и вычислительным ресурсам, особенно для больших наборов данных. ➖Интерпретируемость Хотя он предоставляет информацию о важности признаков, интерпретация модели в целом может быть сложной из-за большого количества деревьев. import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, classification_report # Пример данных data = pd.DataFrame({ 'feature1': np.random.rand(100), 'feature2': np.random.rand(100), 'target': np.random.choice([0, 1], size=100) }) # Разделение данных на обучающую и тестовую выборки X = data[['feature1', 'feature2']] y = data['target'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Обучение модели Random Forest model = RandomForestClassifier(n_estimators=100, random_state=42) model.fit(X_train, y_train) # Предсказание на тестовых данных y_pred = model.predict(X_test) # Оценка модели accuracy = accuracy_score(y_test, y_pred) print(f'Accuracy: {accuracy}') print(classification_report(y_test, y_pred)) # Важность признаков feature_importances = pd.DataFrame(model.feature_importances_, index=X.columns, columns=['importance']).sort_values('importance', ascending=False) print(feature_importances) Ставь 👍 и забирай 📚 Базу знаний
235
13
NoSQL в бою: выдержит ли Cassandra вашу нагрузку? ⚡ Думаете, Cassandra — универсальное решение всех проблем с нагрузкой? А чт
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
213
14
🤔 Как систематическая ошибка и дисперсии связаны между собой? Высокая систематическая ошибка (bias) уменьшает сложность модели, но снижает точность, а высокая дисперсия (variance) приводит к переобучению. Баланс между ними важен для оптимальной работы модели. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
212
15
🤔 В чем различия между методами apply и applymap? Методы apply и applymap используются для применения функций к данным, но они работают на разных уровнях и имеют разные области применения. 🚩Метод apply Можно использовать как с объектами DataFrame, так и с Series для применения функции вдоль оси данных: 🟠DataFrame Применяется к каждой строке или столбцу в DataFrame. Можно указать ось для применения функции (axis=0 для столбцов, axis=1 для строк). 🟠Series Применяется к каждому элементу в Series. Пример использования на DataFrame import pandas as pd df = pd.DataFrame({ 'A': range(1, 5), 'B': range(10, 50, 10) }) # Применение функции к каждому столбцу (по умолчанию axis=0) result = df.apply(lambda x: x + 10) print(result) Пример использования на Series s = pd.Series([1, 2, 3]) result = s.apply(lambda x: x**2) print(result) 🚩Метод applymap Используется только с объектами DataFrame и применяется к каждому элементу в DataFrame. Этот метод подходит для поэлементных преобразований, таких как применение математических функций или форматирование строк. import pandas as pd df = pd.DataFrame({ 'A': [1, 2, 3], 'B': [4, 5, 6] }) # Применение функции ко всем элементам DataFrame result = df.applymap(lambda x: x**2) print(result) Ставь 👍 и забирай 📚 Базу знаний
237
16
Контроллер для территориально распределенных систем Управление по беспроводной сети. Встроенный LTE-модем, модуль GNSS (GPS/Г
Контроллер для территориально распределенных систем Управление по беспроводной сети. Встроенный LTE-модем, модуль GNSS (GPS/ГЛОНАСС) Узнать больше #реклама owen.ru О рекламодателе
192
17
🤔 Зачем нужен self super? self указывает на текущий экземпляр класса, а super позволяет обращаться к методам родительского класса, избегая дублирования кода. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний
247
18
Вебинар: Кому и за что клиенты будут платить в 2027 году Эксперты поделятся опытом внедрения ИИ, развитии клиентского сервиса
Вебинар: Кому и за что клиенты будут платить в 2027 году Эксперты поделятся опытом внедрения ИИ, развитии клиентского сервиса и новых подхо... Зарегистрироваться #реклама 16+ elama.ru О рекламодателе
206
19
🤔 Какие современные архитектуры языковых моделей известны? В последние годы разработка языковых моделей на основе искусственного интеллекта значительно продвинулась благодаря внедрению архитектур на основе трансформеров. Эти модели показали выдающиеся результаты во многих задачах обработки естественного языка (NLP). 🟠BERT (Bidirectional Encoder Representations from Transformers) Разработан компанией Google в 2018 году. Использует механизм внимания (attention), который позволяет модели одновременно учитывать контекст с обеих сторон входной последовательности (левой и правой). Эта модель предобучается на задачах предсказания слов по контексту и определения следующего предложения. Значительно улучшил результаты по сравнению с предыдущими моделями на широкий спектр задач NLP, включая вопросно-ответные системы, классификацию текстов и маркировку сущностей. 🟠GPT (Generative Pre-trained Transformer) Разработана OpenAI, GPT и её последующие версии (GPT-2, GPT-3, GPT-4) стали известны благодаря своей способности генерировать текст, который трудно отличить от текста, написанного человеком. Представляет собой модель с однонаправленным вниманием, что позволяет ей эффективно предсказывать следующее слово в последовательности, делая её особенно мощной для задач генерации текста. Модели GPT обучаются на огромных объёмах текстовых данных и способны выполнять широкий спектр задач без специализированного обучения, используя технику под названием "zero-shot learning". 🟠Transformer-XL Разработан для улучшения производительности моделей трансформеров на задачах, требующих более длительного контекста, например, для обработки очень больших документов или для понимания связей в длинных текстах. Вводит механизмы для сохранения состояния предыдущих сегментов текста, что позволяет модели использовать гораздо более длинный контекст, чем это возможно в стандартных трансформерах. 🟠RoBERTa (Robustly Optimized BERT Approach) Разработана Facebook, представляет собой итерацию и улучшение BERT. Модифицирует ключевые аспекты BERT, такие как увеличение размера мини-пакетов, удлинение тренировочных данных и удаление этапа предобучения с предсказанием следующего предложения. Эти изменения позволили RoBERTa достичь новых рекордных результатов на стандартных тестовых наборах NLP. 🟠ALBERT (A Lite BERT) Это ещё одна вариация BERT, созданная с целью уменьшения потребления памяти и ускорения обучения. Использует разделяемые между слоями параметры и факторизует матрицу внимания для уменьшения количества требуемых параметров, что делает его более эффективным с точки зрения использования ресурсов. Ставь 👍 и забирай 📚 Базу знаний
284
20
CIO и EA 2026: как ИИ меняет корпоративную архитектуру ⚡ Не знаете, какие технологии корпоративной архитектуры будут в приори
CIO и EA 2026: как ИИ меняет корпоративную архитектуру ⚡ Не знаете, какие технологии корпоративной архитектуры будут в приоритете в 2026 году? Путаетесь в трендах и стратегиях внедрения? Присоединяйтесь к открытому уроку Андрея Коптелова и разберите свежий отчёт Gartner «Hype Cycle for Enterprise Architecture, 2026». 📅 18 ноября в 19:00. Разберём: - Три главных приоритета руководителя EA на 2026 год. - Самые перспективные технологии Цикла зрелости. - Практические стратегии внедрения. - Как доказать ценность EA бизнесу. Вы узнаете, как трансформировать функцию EA из создателя статичных чертежей в динамичного оркестратора бизнес-результатов, способного успевать за скоростью современных изменений. ✅ Запишитесь сейчас и получите практические инструменты для работы с EA в 2026 году! Узнать больше #реклама 16+ otus.ru О рекламодателе
204