Machine learning Interview

Weekend Offer для ML-специалистов и мобильных разработчиков от VK Это хороший шанс познакомиться с командами Дзена, Почты Mail.ru, Антиспама и Маруси за выходные и возможность получить оффер, пройдя интервью и финальное собеседование. Участники смогут пообщаться с каждой командой и узнать подробнее о задачах, которые предстоит выполнять. Лучших кандидатов пригласят на работу уже вечером второго дня. Для участия оставьте отклик до 16 февраля по ссылке, после чего с вами свяжутся HR, пообщаются и назначат слоты на выходные. @machinelearning_interview

4.02 @machinelearning_interview ❓Хотите стать специалистом по компьютерному зрению? Сделайте первые шаги на открытом уроке онлайн-курса «Компьютерное зрение». 🔥9 февраля в 20:00 мск пройдет открытый урок «Kornia — убийца OpenCV?». На занятии мы обсудим дифференцируемую библиотеку Computer Vision — Kornia. Вы узнаете: - Почему Kornia применяется в обучении нейронных сетей и PyTorch, а OpenCV — нет - За счет чего Kornia работает в разы быстрее, чем OpenCV - Какие продвинутые функции потерь и алгоритмы для моделей CV предоставляет Kornia - Как написать алгоритм, которые автоматически сшивает несколько фотографий в панорамный снимок - Почему Kornia — это лучший инструмент для задач, связанных с геометрией изображений 🧑‍💻 Для участия пройдите вступительный тест: https://otus.pw/k9AV/

28 февраля в NewProLab стартует 5-недельная онлайн-программа Spark Scala for Data Engineering 5.0 Программа подойдет дата-инженерам, разработчикам и дата сайентистам. Что входит в программу: ✅ 11 занятий в прямом эфире с преподавателями-практиками. ✅ 5 инструментов – помимо Apache Spark вы поработаете с Kafka, Elasticsearch, Cassandra, PostgreSQL, HDFS. ✅ 5 лаб – каждую неделю вы будете решать задачи с использованием реальных датасетов и на основе кейсов из реальной жизни. Подробности по ссылке Для участников нашего сообщества организаторы предоставили промокод machinelearning_interview, по которому вы получите скидку 20% при покупке программы до 20 февраля.

❓Что нужно знать для старта в Data Science? 👉 Приглашаем вас на вебинар: Легкий старт в Data Science. На занятии мы разберем основы Машинного Обучения и поговорим о такой востребованной области, как Data Science. 📌 В результате занятия вы: — Изучите основные подходы и принципы методов машинного обучения. — Примените знания на практике — обучите свою первую ML-модель для решения задачи классификации. 👉 Для участия зарегистрируйтесь https://otus.pw/hJ9R/ Это открытый урок, который пройдет в рамках курса «Machine Learning» » где вас ждут: — Живые вебинары, на которых эксперты поделятся уникальным опытом и трендами в Machine Learning — Решение реальных задач машинного обучения и групповой разбор заданий — Создание своего портфолио из готового проекта и выполненных заданий

Говорят, Random Search лучше Grid Search Так и со знаниями в Deep Learning: никогда не знаешь какой совет повысит метрики или какой фреймворк облегчит жизнь. Чтобы не пропустить полезный совет, подписывайтесь на канал DeepSchool. В нем вы найдете: - советы по обучению сетей; - разборы статей; - посты с теорией ML и DL; - туториалы и обзоры фреймворков; - вопросы с собеседований. Подписывайтесь, чтобы развиваться в DL вместе!

Задачи из интервью Google Data Science Вы собираетесь поехать в Лондон, и хотите знать, нужно ли брать с собой зонт или нет. Вы знаете, что вероятность дождя в Лондоне в определенный день составляет 25%. Вы звоните трем своим случайным друзьям и спрашиваете каждого из них, идет ли дождь. Вероятность того, что ваш друг скажет правду, составляет 2/3, а вероятность того, что он разыграет вас, составляет 1/3. Если все трое из них скажут, что идет дождь, то какова вероятность того, что на самом деле в Лондоне идет дождь? Решение Вы можете сказать, что этот вопрос связан с байесовской теорией из-за последнего утверждения, которое по существу соответствует структуре: «Какова вероятность того, что A истинно, если B истинно?». P(A) = вероятность дождя = 25% P(B) = вероятность того, что все 3 друга говорят, что идет дождь P(A|B) вероятность того, что идет дождь, если все друзья говорят, что идет дождь P(B|A) вероятность того, что все 3 друга говорят, что идет дождь, если идет дождь = (2/3)³ = 8/27 Шаг 1: Найдем P(B) P(B) = P(B | A) * P(A) + P(B | не A) * P(не A) P(B) = (2/3)³ * 0.25 + (1/3)³ * 0.75 = 0.25 * 8/27 + 0.75 * 1/27 Шаг 2: Теперь вычислим P(A|B) P(A | 😎 = P(B | A) * P(A) / P(B), P(A | 😎 = 0,25 * (8/27) / (0,25 * 8/27 + 0,75 * 1/27) P(A | 😎 = 8 / (8 + 3) = 8/11 Поэтому, если все трое друзей говорят, что идет дождь, то есть шанс 8/11, что на самом деле идет дождь. @machinelearning_interview

📌 Тестовое задание Задача Требуется: предложить модель, сегментирующую окурок сигареты на фотографии. Вход: фотография 512x512x3. Выход: маска окурка сигареты 512x512. Метрика: Dice coefficient. Данные Ссылка на скачивание данных: link. Данные представляют из себя набор синтетически сгенерированных фотографий окурков сигарет и маски, определяющей их на фотографии, а также координаты ограничивающего их бокса. Доступные данные разделены на несколько папок: - real_test содержит фотографии 512x512x3; - train/images содержит фотографии 512x512x3; - train/coco_annotations.json содержит аннотации в формате COCO; - val/images содержит фотографии 512x512x3; - val/coco_annotations.json содержит аннотации в формате COCO. Результаты Для лучшей модели требуется создать 2 файла, которые необходимы для валидации Вашего решения: - сохраненные маски для картинок из valid в формате pred_valid_template.csv (в архиве с data) и залить его с тем же именем (см. notebooks/GettingStarted.ipynb); - html страницу с предсказанием модели для всех картинок из real_test и папку с используемыми картинками в этой html странице для её просмотра. Создать zip файл c html и изображениями и залить его в папку results. Также необходимо: - подготовить код (сам репозиторий) для проверки (докстринги, PEP8); - создать отчет (можно прямо в ноутбуке) с описанием Вашего исследования, предобработки, постобработки, проверямых гипотез, используемых моделей, описание лучшего подхода и т.п. (он должен лежать в папке notebooks); Рекомендуемый pipeline решения: Предполагается следующий pipeline решения поставленной задачи: - fork данного репозитория; - ознакомиться с критериями; - скачать данные; ознакомиться с notebooks/GettingStarted.ipynb; ознакомиться с данными, разобраться с их форматом; ознакомиться с базовой статьей; - провести анализ данных; - написать методы аугментации данных; - реализовать нейросеть/нейросети (необязательно с нуля); - провалидировать модели; - выбрать лучшую модель на val и посчитать для нее метрики; - получить результаты на реальных изображениях real_test и сохранить их; проанализировать результаты, сформулировать проблемы модели. Критерии При оценке решения этой задачи акцент будет делаться на (в порядке приоритета): 1. Качество исследования в jupyter notebook и чистота кода. В этот критерий входит читаемость и адекватность кода, содержательность комментариев, правильное оформление графиков (если таковые будут), отсутствие смысловых ошибок в коде. Наличие docstrings к написаным функциям приветствуется. Также будет оцениваться демонстрация предпринятых шагов и структурирование кода (разные по смыслу куски кода разделены по пакетам). 2. Анализ данных и подходы к аугментации. Оригинальность, эффективность и количество идей. Использование неочевидных шагов в решении, которые улучшают качество, будет хорошим плюсом. Наличие нескольких подходов также будет ценится выше, чем один подход. 3. Значение метрик на контрольной выборке и общая адекватность модели. 4. Обоснование выбора моделей (процесс выбора моделей). 5.Анализ результатов итоговой модели. @machinelearning_interview

❓Хотите перейти в BI-аналитику? Сделайте первые шаги на пути к новому этапу в карьере уже 30 января в 20:00! Приглашаем вас на открытый урок «Подготовка данных для дашборда в Pandas» в OTUS. Вебинар состоится в рамках онлайн-курса «BI-аналитика» для продуктовых и маркетинговых аналитиков, аналитиков данных, Product Owner’ов и Project Manager’ов, Data Scientist’ов, Data Engineer’ов и выпускников, которые хотят работать в области BI-аналитики. ✅На занятии вы узнаете про методы предобработки и “очистки” данных для дальнейшего построения дашбордов в Python Pandas. ➡️Какой результат мы получим? Преобразуем учебный набор данных, очистим его от пропусков и дубликатов, посмотрим различные способы трансформации (группировка, транспонирование строк/столбцов и т.д.). ➡️Пройдите вступительный тест, чтобы определить уровень своей подготовки и записаться на урок: https://otus.pw/3muN/

📌 Тестовое задание для кандидата Revo:Mokka. В файле revo_ds_test_task.csv собраны данные по повторным займам текущих клиентов компании. По имеющемуся набору данных, необходимо построить модель, которая будет прогнозировать значение целевой переменной 'bad_flag'. Подготовить небольшую презентацию (1-2 слайда), в которой аргументируется выбор модели и показан предполагаемый уровень дефолтности при различных уровнях одобрения. Расчеты желательно предоставить в виде python-скрипта / jupyter ipythone notebook. Решение @machinelearning_interview

📌 S7 Тестовое задание для кандидата DS. Кандидатам предоставлены данные о продажах в сети магазинов в одном городе за несколько лет. В магазинах периодически проводятся рекламные акции. Решение лучше присылать в виде jupyter notebook’а. Задача: ● Построить прогноз продаж за год, при условии известного графика рекламных акций ● Сделать анализ того, насколько реклама влияет на продажи в магазинах Данные: ● Данные для обучения: ○ sales_train.csv - индексы продаж по дням(все начинаются с 1). ○ advert_train.csv - рекламные акции в магазинах (обозначены 1 в соответствующую дату) Данные для проверки: ○ advert_test.csv - рекламные акции на тестовом периоде ○ deploy_example.csv - формат данных в котором нужно построить прогноз продаж Оформление результатов: ● Подготовить прогноз продаж в формате deploy_test.csv ● Прислать оформленный код в виде ipython ноутбука или R sweave документа ● Оформить исследование влияния рекламных акций в формате презентации (2-3 слайда максимум) @machinelearning_interview

Курс «Английский для аналитиков» от Яндекс Практикума Для специалистов, которые хотят изменить свою профессиональную жизнь и работать в международной команде. Обучение построено вокруг рабочих ситуаций и полезных для карьеры навыков: • Самопрезентация. Рассказ о своей роли, задачах, сфере ответственности на поведенческом интервью и в неформальной беседе. • Работа в команде. Стендапы, планирование спринтов, демонстрация навыков командной работы на собеседовании. • Общение с заказчиками и исполнителями. Сбор требований у стейкхолдеров и постановка задач для разработчиков. • Презентация результатов работы. Выступление на митапах, неформальное общение с коллегами из отрасли. • Обсуждение решений по проекту. Генерация и аргументация идей, участие в мозговых штурмах. • Рефлексия и самоанализ. Ретроспектива, ревью, ответы на сложные вопросы. Запишитесь на бесплатную консультацию. Определим ваш уровень языка, расскажем про обучение и ответим на все вопросы

20 вопросов (с ответами) от ChatGPT для выявления фейковых поддельных специалистов по данным. https://www.kdnuggets.com/2023/01/20-questions-detect-fake-data-scientists-chatgpt-1.html @machinelearning_interview

18.01 @machinelearning_interview 🔹Что такое Face Recognition и с помощью каких инструментов лучше подходить к задаче по распознаванию лиц? 💬Обсудим 23 января в 20:00 на открытом уроке онлайн-курса «Компьютерное зрение» в OTUS. На занятии мы разберем: - В чем заключается задача Face Recognition и из каких подзадач она состоит - Какие существуют основные подходы по решению задачи детекции лиц - С помощью каких алгоритмов решается задача распознавания лиц (EigenFaces, нейросетевые методы). - Как на практике решить задачу распознавания лиц с помощью метода EigenFaces. - Какие существуют датасеты, библиотеки и инструменты, необходимые для решения задачи распознавания лиц. 🔥Регистрируйтесь на мероприятие прямо сейчас и получите доступ к курсу по спец.цене! Записаться на урок