Machine learning Interview

Решение задач Hackaton TiNT (ITMO) machine learning February 2019 Хакатон ТИнТ (ИТМО) по машинному обучению Февраль 2019 В основном, все задания из олимпиады "Я -проффесионал" от Яндекса по анправлению Большие Данные 🖥 GIthub @machinelearning_interview

Уважаемые коллеги! ⚡ Приглашаем вас на бесплатный семинар по компьютерному зрению, который состоится в Москве 26 апреля в 10:00 На семинаре будут демонстрироваться самые передовые алгоритмы компьютерного зрения, такие как: - поиска глубины по видео; - pose estimation – определение характерных точек объекта с целью определения положения (позы) объекта в пространстве; - сегментация изображения для целей точного положения объекта в пространстве и его составляющих; - детекции объектов в 2D и 3D и их трекинга; - обнаружения аномалий (CV в задачах предсказательного обслуживания); - генерации данных и one-shot learning. ✔️ Вы сможете увидеть на практике, как эти алгоритмы работают и как можно применять их на производстве. Семинар будет полезен для специалистов, работающих в области автоматизации производства, робототехники и машинного зрения, а также всем, кому интересен анализ данных с использованием методов искусственного интеллекта. Подать заявку на участие👈

Решения упражнений онлайн-курса "Машинное обучение и анализ данных" Упражнения по машинному обучению и анализу данных (ИТМО, ПИиКТ-СиППО,) 🖥 GIthub @machinelearning_interview

💻 Навык работы с большими данными открывает путь в ведущие IT-корпорации. Обычно такие корпорации используют MLOps — способ повышения производительности и создания надежных моделей корпоративного уровня. 📊 Занимаетесь дата-инжинирингом и хотите выйти на новый уровень? Эксперты топовых компаний обучат вас необходимым навыкам на практическом онлайн-курсе «MLOps» от OTUS. 👉 Определите свой уровень подготовки с помощью теста — https://otus.pw/U5jXx/ 🔥 Пройдете тест, получите велкам-скидку и доступ к 2 предстоящим открытым урокам: ✔️ Построим свой конвейер обучения моделей на Airflow и k8s. ✔️ DataFrame API: от Dask к PySpark Реклама. Информация о рекламодателе на сайте www.otus.ru

🎲 Задача. Найти вероятность того, что при бросании двух игральных костей в сумме выпадет: а) пять очков; б) не более четырёх очков; в) от 3-х до 9 очков включительно. Решение задачи . Найдём общее количество исходов: по правилу умножения комбинаций, всего может выпасть 36 вариантов. Иными словами, каждая грань 1-го кубика может составить упорядоченную пару с каждой гранью 2-го кубика. Условимся записывать такую пару в виде (a, b) , где a – цифра, выпавшая на 1-м кубике, b – цифра, выпавшая на 2-м кубике. Например: (3, 5) – на первом кубике выпало 3 очка, на втором – 5 очков, сумма очков: 3 + 5 = 8; (6, 1) – на первом кубике выпало 6 очков, на втором – 1 очко, сумма очков: 6 + 1 = 7; (2, 2) – на обеих костях выпало 2 очка, сумма: 2 + 2 = 4. Очевидно, что наименьшую сумму даёт пара (1, 1) , а наибольшую – две «шестёрки». а) Рассмотрим событие: A – при бросании двух игральных костей выпадет 5 очков. Запишем и подсчитаем количество исходов, которые благоприятствуют данному событию: (1, 4); (4, 1); (2, 3); (3, 2). Итого: 4 благоприятствующих исхода. По классическому определению: Р(А) = 4/36 = 1/9– искомая вероятность. б) Рассмотрим событие: В – выпадет не более 4-х очков. То есть, либо 2, либо 3, либо 4 очка. Снова перечисляем и подсчитываем благоприятствующие комбинации, слева будем записывать суммарное количество очков, а после двоеточия – подходящие пары: 2 очка: (1; 1); 3 очка: (1; 2); (2; 1); 4 очка: (2; 2); (1; 3); (3; 1). Итого: 6 благоприятствующих комбинаций. Таким образом: Р(В) = 6/36 = 1/6 – вероятность того, что выпадет не более 4-х очков. в) Рассмотрим событие: С – выпадет от 3-х до 9 очков включительно. Здесь можно пойти прямой дорогой, но… что-то не хочется. Да, некоторые пары уже перечислены в предыдущих пунктах, но работы все равно предстоит многовато. Как лучше поступить? В подобных случаях рациональным оказывается окольный путь. Рассмотрим противоположное событие: С1 – выпадет 2 или 10 или 11 или 12 очков. В чём смысл? Противоположному событию благоприятствует значительно меньшее количество пар: 2 очка: (1; 1); 10 очков: (4; 6); (6; 4); (5; 5); 11 очков: (5; 6); (6; 5); 12 очков: (6; 6). Итого: 7 благоприятствующих исходов. По классическому определению: Р(С1) = 7/36 – вероятность того, что выпадет меньше трёх или больше 9-ти очков. Далее пользуемся тем, что сумма вероятностей противоположных событий равна единице: Р(С) + Р(С1) = 1; Р(С) = 1 - Р(С1) = 1 - 7/36 = 29/36 – вероятность того, что выпадет от 3-х до 9 очков включительно. Особо щепетильные люди могут перечислить все 29 пар, выполнив тем самым проверку. Ответ: а) 1/9; б) 1/6; в) 29/36. @machinelearning_interview

❓ Как стать высокооплачиваемым специалистов в ML? Совершенствуй мастерство ML в сообществе единомышленников. 25 апреля — старт продвинутого онлайн-курса «Machine Learning Advanced» от OTUS. Приглашаем на курс тех, кто хочет вырасти до позиции Middle или Senior уровня. 🧑‍💻 В программе: - Продвинутые ML-алгоритмы и кейсы решения нестандартных задач - Работа в production: настройка окружения, оптимизация кода, построение end-to-end пайплайнов и внедрение решений. - Уникальный исследовательский проект по машинному обучению ⚠️ Вебинары в формате Live coding, где преподаватель с «чистого листа» показывает решение актуальных задач ML. Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе - «Machine Learning. Advanced» от OTUS и его партнера — Сбера. 👉 ПРОЙТИ ТЕСТ: https://otus.pw/OxiY/ Реклама. Информация о рекламодателе на сайте otus.ru

❔❓ Задача Набирая номер телефона, абонент забыл две последние цифры, но помнит, что одна из них – ноль, а другая – нечётная. Найти вероятность того, что он наберёт правильный номер. Примечание: ноль – это чётное число (делится на 2 без остатка) Решение: сначала найдём общее количество исходов. По условию, абонент помнит, что одна из цифр – ноль, а другая цифра – нечётная. Здесь рациональнее не мудрить с комбинаторикой и воспользоваться методом прямого перечисления исходов. То есть, при оформлении решения просто записываем все возможные комбинации: 01, 03, 05, 07, 09 10, 30, 50, 70, 90 и подсчитываем их – всего: 10 исходов. Благоприятствующий исход один: верный номер. По классическому определению: p =1/10 = 0.1 – вероятность того, что абонент наберёт правильный номер Ответ: 0,1 @machinelearning_interview

Ищу ML специалиста для решения задачи компьютерного зрения Мы компания metadreamteam.io - амбициозная команда XR разработчиков и 3Д артистов, работающая на американском рынке, которая делает проекты для всего мира! От Екомерс до real estate. От внедрения лучших решений на рынке до создания своих разработок с нуля. Сейчас делаем свою разработку по примерке часов в режиме реального времени. Работа удаленная. Фриланс. Оплата от $25 в час (160 - 400 тыс руб за проект) Если ты хочешь работать с лучшими в индустрии, делать амбициозные проекты и зарабатывать в валюте - тогда заполняй эту форму, чтобы присоединиться к нам! https://forms.gle/ovrkQDMasSBWsR538

🎲 Расскажите что такое индуктивная вероятность? Дайте определение минимальной длине описания / сообщения Индуктивная вероятность пытается дать вероятность будущих событий на основе прошлых событий. Это основа для индуктивного мышления и математическая основа для обучения и восприятия закономерностей. Это источник знаний о мире. Есть три источника знаний: вывод , общение и дедукция. Коммуникация передает информацию, полученную другими методами. Выведение устанавливает новые факты на основе существующих фактов. Вывод устанавливает новые факты из данных. Его основой является теорема Байеса . Информация, описывающая мир, записывается на языке. Например, может быть выбран простой математический язык предложений. На этом языке предложения могут быть записаны в виде строк символов. Но в компьютере эти предложения можно закодировать в виде цепочек битов (единиц и нулей). Затем язык может быть закодирован так, чтобы наиболее часто используемые предложения были самыми короткими. Этот внутренний язык неявно представляет вероятности утверждений. Бритва Оккама говорит, что «простейшая теория, согласующаяся с данными, скорее всего, верна». «Простейшая теория» интерпретируется как представление теории, написанной на этом внутреннем языке. Теория с кратчайшей кодировкой на этом внутреннем языке, скорее всего, верна. Минимальная длина описания / сообщения Программа с наименьшей длиной, соответствующей данным, с наибольшей вероятностью предсказывает будущие данные. Это тезис, лежащий в основе методов минимальной длины сообщения и минимальной длины описания . На первый взгляд теорема Байеса кажется отличной от принципа минимальной длины сообщения / описания. При ближайшем рассмотрении оказывается то же самое. Теорема Байеса касается условных вероятностей и утверждает вероятность того, что событие B произойдет, если сначала произойдет событие A: P (A ∧ 😎 = P (B) ⋅ P (A | 😎 = P (A) ⋅ P (B | A) {\ displaystyle P (A \ land 😎 = P (B) \ cdot P (A | 😎 = P (A) \ cdot P (B | A)} становится с точки зрения сообщения длина L, L (A ∧ 😎 = L (B) + L (A | 😎 = L (A) + L (B | A). {\ displaystyle L (A \ land 😎 = L (B) + L (A | 😎 = L (A) + L (B | A).} Это означает, что если вся информация дается с описанием event, то длина информации может быть использована для определения исходной вероятности события. Таким образом, если дана информация, описывающая возникновение A, вместе с информацией, описывающей B для данного A, то была предоставлена ​​вся информация, описывающая A и B. @machinelearning_interview

ML-разработчики, хотите создать что-то действительно уникальное? Присоединяйтесь к IT-команде Сбера и приступайте к работе над русской версией ChatGPT 🖥 Чем предстоит заниматься? • Довести качество русской версии до ChatGPT и даже обогнать его • Придумывать и реализовывать новые варианты применения LLM • Находить решения бизнес-задач с помощью технологии Сбера. Если у вас есть опыт обучения моделей, знание математики, алгоритмов, а еще вы не боитесь экспериментировать — переходите по ссылке, смотрите все условия и откликайтесь на вакансию 💚

😎 Подборка сайтов для поиска работы по всему миру 🚀Франция https://candidat.pole-emploi.fr/espacepersonnel/ https://www.indeed.fr https://www.monster.fr 🚀Германия https://stellenmarkt.sueddeutsche.de/ https://www.arbeitsagentur.de/ https://www.monster.de/ https://www.horizontjobs.de/ 🚀Италия https://www.careerjet.it/ http://www.monster.it/ https://it.indeed.com/ https://www.infojobs.it/ 🚀Испания https://www.infojobs.net/ https://www.monster.es/ https://www.infoempleo.com/ 🚀США www.indeed.com https://www.careerbuilder.com/ http://craiglist.com/ www.monster.com https://www.vacancyopen.com/ 🚀Чехия https://www.jobs.cz/ https://www.profesia.cz/ https://www.prace.cz/ https://www.dobraprace.cz/ www.dzob.cz 🚀Польша https://www.pracuj.pl/ https://www.jobs.pl https://gazetapraca.pl/ www.gowork.pl 🚀Великобритания https://www.indeed.co.uk https://www.monster.co.uk/advertise-a-job/ https://www.cv-library.co.uk/ 🚀Швеция https://www.monster.se/ https://www.jobbsafari.se/ https://www.metrojobb.se/ 🚀Австралия http://jobsearch.gov.au www.seek.com.au www.careerone.com.au 🚀Венгрия https://nofluffjobs.com/hu/ 🚀Канада www.workopolis.com http://www.canadajobs.com http://ca.indeed.com http://www.monster.ca/ 🚀Латвия https://www.cv.lv/lv/ 🚀Турция http://www.yenibiris.com/ http://www.kariyer.net/ https://turkey.xpatjobs.com/ #vacancy #job @machinelearning_interview

Научитесь обучать модели компьютерного зрения и превращайте настоящее в будущее.. Яндекс Практикум запускает курс «Компьютерное зрение на базе нейронных сетей». Он подойдёт тем, у кого уже есть опыт в Data Science. В программе — «три кита» компьютерного зрения: классификация, детекция и сегментация. За 3 месяца вы обучите модели, которые умеют: — определять границы и сетку для пазла Судоку, — узнавать настроение человека по фотографии; — выявлять элементы дорожного движения для беспилотного автомобиля. — сегментировать спутниковые снимки, чтобы определять местоположение объекта. Вы освоите полный цикл работы с CV-моделями с нуля до релиза. А ещё — будете учиться у наставников — экспертов в области компьютерного зрения. Записывайтесь в первый поток и работайте над технологиями, о которых писали фантасты.

​Задача с кодом. Монетная кооперация В стену вмонтирован специальный аппарат, выдающий монетки. За стеной с каждой стороны стоит человек. Оба они могут взаимодействовать с аппаратом. Если бросить монетку в аппарат, человек, стоящий за стеной, получит 3 монетки. И наоборот. Если оба человека будут честно тратить свои монетки, чтобы второй получил прибыль (т.е. делиться, share), оба они будут получать по 2 монетки прибыли по очереди. Но всегда есть вероятность, что кто-то поступит эгоистично (steal): не захочет тратить свои монетки, но с радостью заберет 3 монетки прибыли, если второй поделится. Задание Допустим, у каждого человека есть по 3 монетки. Создайте функцию, которая будет высчитывать прибыль обоих людей. На вход функция будет принимать два списка строк. Списки будут представлять поведение этих людей (слова share и/или steal) Примеры balances(["share"], ["share"]) ➞ [5, 5] # Оба человека тратят по монетке и получают по 3. get_coin_balances(["steal"], ["share"]) ➞ [6, 2] # Первый человек получает 3 монетки, второй тратит одну. get_coin_balances(["steal"], ["steal"]) ➞ [3, 3] # Никто ничего не тратит и не получает, остаются при своих. get_coin_balances(["share", "share", "share"], ["steal", "share", "steal"]) ➞ [3, 11] Примечания - В «минус» никто не уйдет, так что числа всегда будут положительными. - Слова будут передаваться в нижнем регистре. #задача #coding

📌 Тестовое задание по python Мы уже создавали матрицу спирали, теперь создадим полноценный проект. Необходимо реализовать Python-библиотеку, которая осуществляет получение квадратной матрицы (NxN) с удалённого сервера и возвращает её пользователю в виде List[int]. Этот список должен содержать результат обхода полученной матрицы по спирали: против часовой стрелки, начиная с левого верхнего угла (см. test case ниже). Пример исходной матрицы: +-----+-----+-----+-----+ | 10 | 20 | 30 | 40 | +-----+-----+-----+-----+ | 50 | 60 | 70 | 80 | +-----+-----+-----+-----+ | 90 | 100 | 110 | 120 | +-----+-----+-----+-----+ | 130 | 140 | 150 | 160 | +-----+-----+-----+-----+ Матрица гарантированно содержит целые неотрицательные числа. Форматирование границ иными символами не предполагается. Требования к выполнению и оформлению Библиотека содержит функцию со следующим интерфейсом: async def get_matrix(url: str) -> List[int]: ... Функция единственным аргументом получает URL для загрузки матрицы с сервера по протоколу HTTP(S). Функция возвращает список, содержащий результат обхода полученной матрицы по спирали: против часовой стрелки, начиная с левого верхнего угла. Взаимодействие с сервером должно быть реализовано асинхронно - посредством aiohttp, httpx или другого компонента на asyncio. Библиотека должна корректно обрабатывать ошибки сервера и сетевые ошибки (5xx, Connection Timeout, Connection Refused, ...). В дальнейшем размерность матрицы может быть изменена с сохранением форматирования. Библиотека должна сохранить свою работоспособность на квадратных матрицах другой размерности. Решение задачи необходимо разместить на одном из публичных git-хостингов (GitHub, GitLab, Bitbucket). Можно также выслать решение в виде архива (zip, tar). Загружать библиотеку в PyPi или другие репозитории не требуется. Проверка решения Для самостоятельной проверки можно использовать следующий test case: SOURCE_URL = 'https://raw.githubusercontent.com/avito-tech/python-trainee-assignment/main/matrix.txt' TRAVERSAL = [ 10, 50, 90, 130, 140, 150, 160, 120, 80, 40, 30, 20, 60, 100, 110, 70, ] def test_get_matrix(): assert asyncio.run(get_matrix(SOURCE_URL)) == TRAVERSAL Загружайте свои решения и отправляйте ссылки в комментарии👇 @machinelearning_interview

👋 Ждем вас 13 апреля на вебинаре по теме: «Моделируем искусственный интеллект для агротеха» в 10:00 по московскому времени Агротехнологии дают огромное поле для внедрения искусственного интеллекта. Многие задачи радикально упрощаются с приходом ИИ: актуальная предиктивная аналитика, автоматизация когнитивных задач, и просто – создание моделей, основанных на анализе больших объемов данных. На этом вебинаре мы обсудим, где в агротехе находятся самые заметные точки для приложения ИИ, с чего начинаются проекты в этой области (данные, компетенции, сообщество), а также как масштабировать ваши усилия и перейти от обучения отдельных моделей к потоковому полунатурному моделированию ИИ, за которым следует валидация, развертка и мониторинг. Приходите, это отличный повод поговорить о внедрении технологий анализа данных, об успешных примерах и о современных инструментах, упрощающих жизни дата-специалисту в реальных агротех-проектах. 👉 Регистрация

#вопросы_с_собеседований Что такое закон больших чисел? Это принцип теории вероятностей, который описывает результат выполнения одного и того же эксперимента множество раз. При достаточно длительной серии экспериментов закон больших чисел гарантирует устойчивость средних значений от случайных событий. И среднее значение конечной выборки фиксированного распределения будет очень близко к математическому ожиданию выборки. К примеру, при бросках шестигранного кубика. Чем больше бросков, тем больше среднее значение близится к математическому ожиданию 3,5.

Что такое Байесовское А/B-тестирование и как его провести?  ✅ Подробно обсудим 18 апреля в 20:00 мск на открытом уроке в OTUS. Занятие приурочено к старту онлайн-курса «Machine Learning. Advanced».  На вебинаре мы разберем, какие преимущества дают Байесовские A/B тесты по сравнению с обычными, как проводить Байесовские A/B тесты и как работать с Байесовскми моделями в PyMC3. В результате урока вы: - Познакомитесь с основами A/B тестирования - Научитесь делать дизайн эксперимента для A/B теста - Узнаете, как определить, что тест шел достаточно времени - Познакомитесь с критериями принятия решения по эксперименту - Получите новый простой и эффективный инструмент для A/B тестирования ⚠️  Урок будет полезен специалистам в области аналитики данных или аналитики продукта, а также тем, кто уже знаком с A/B тестированием, но хочет углубить свои знания.  🖌 Для участия пройдите вступительный тест https://otus.pw/wCnN/

16 сервисов для Создания Резюме и Профиля LinkedIn с использованием Искусственного Интеллекта. Сохрани, чтобы получить Работу Мечты 1. kickresume — На сайте лежат настоящие резюме людей, которых взяли, например, в Amazon. Используйте их в качестве шаблона. 2. copy ai — Поможет создать резюме на нейросетях. Выберите шаблон «Resume», вбейте желаемую должность, напишите о себе в свободной форме, стиль текста профессиональный и вы получите четкое описание ваших навыков разбитых по пунктам. 3. enhancv — Более 1000 примеров резюме. 4. HyreSnap — Бесплатный конструктор резюме на основе искусственного интеллекта. ИИ сделает ваше резюме максимально совместимым с описаниями вакансий. 5. resumestar io — онлайн-редактор создает современные одностраничные резюме. 6. skillroads — Конструктор резюме на базе искусственного интеллекта. ИИ знает, какие навыки необходимо добавить и какой опыт выделить. 7. hiration — Сервис оценит текущее резюме и сопроводительное письмо и предложит изменения. 8. resumA.I. — Напишет и отредактирует пункты резюме с помощью ChatGPT. 9. thisresumedoesnotexist — 1000 примеров AI резюме (на базе enhancv). 10. resumeworded — Бесплатная мгновенная обратная связь о вашем резюме и профиле LinkedIn. 11. jasper — ИИ копирайтер Jasper поможет генерировать интересные статьи в LinkedIn. 12. resumaker ai — Конструктор резюме. 13. rezi ai — Платформа для составления резюме. 14. designs ai — Разработает основу резюме, подберет подходящие цвета и шрифты. Сэкономит вам время на дизайне, а вы сосредоточитесь на демонстрации своего опыта и навыков. 15. mosaic ai — Помогает подобрать подходящие ключевые слова для резюме. 16. CVJury — Конструктор резюме, сопроводительного письма и профиля LinkedIn.

📋 Собеседование в области науки о данных: 7 распространенных ошибок Наука о данных — одна из самых быстрорастущих областей в технологической индустрии. Если вы постоянно получаете отказы после собеседований, постарайтесь выявить свои “слабые места” и поработать над ними. Данная статья вам в этом поможет. Материал написан на основе собеседований с более чем 70 кандидатами на различные должности в области науки о данных и МО. ➡️ Читать дальше @data_analysis_ml

🔥Какие знания точно нужны программисту? Ответ — все ключевые понятия в Computer Science. Начните изучать эту область 30 марта в 20:00 на вебинаре, приуроченном к старту онлайн-курса «Computer Science» в OTUS. Тема открытого урока: «Ввод-вывод в компьютерных системах». 📚Что интересного будет на занятии? — Рассмотрим основы архитектуры ввода-вывода (I/O) в компьютерных системах. — Изучим роль I/O систем в компьютерной архитектуре, рассмотрим различные типы устройств и их использование в компьютерных системах. — Обсудим необходимые аппаратные компоненты, такие как память — Научимся использовать программно устройства ввода-вывода. Результат занятия 👉 вы разберетесь в роли, типах I/O систем в компьютерной архитектуре и способов взаимодействия с ними. 🎁 Продолжить изучение Computer Science вы сможете на курсе, доступном в рассрочку. Для участия зарегистрируйтесь: https://otus.pw/fGcU/