#MLbasics
#теорвер

В продолжение к задачке из предыдущего поста.

Теорема Байеса — это по сути способ обновлять вероятность гипотезы, когда появляются новые данные.

Формулировки для понимания:
- Имея знания о вероятности какой-то гипотезы, мы можем с появлением новых знаний уточнять эту вероятность.
- Новые данные -> новая, более точная вероятность.
- Меняем мнение на основе новых фактов.

Короткий пример:

Ты знаешь, что дождь идёт примерно раз в неделю, значит, вероятность - 1 из 7, но вдруг небо затянуло тучами - это новая информация. Теперь вероятность дождя меняется - именно так работает теорема Байеса.

Есть крутое видео с визуализацией и геометрической интерпретацией теоремы Байеса: ссылка

#guide
#MLbasics

Поделюсь полезными ссылками на материалы и вопросы для подготовки к теоретическим собесам в DS/MLE.

Англоязычные ресурсы:
- Подборка бесплатных и платных курсов: курсы
- Вопросы для подготовки (самые популярные): вопросы
- Вопросы посложнее (с ответами): посложнее
- Теоретические заметки: справочник
- Материалы для подготовки (+ ресурсы для Quantitative Researchers): материалы

Русскоязычные ресурсы:
- Учебник от Яндекса: учебник
- Недорогой, но полезный курс по classic ML (от преподавателей с ФКН): курс ML
- Недорогой, но полезный курс по базе DL (от преподавателей с ФКН): курс DL
- Немного базовых вопросов: вопросы

#money 💰

Актуальные зарплаты в ML/DS на конец 2025 года в РФ

👶 Junior: ~100 – 200 k → медиана ≈ 130 k
🧑‍💻 Middle: ~150 – 350 k → медиана ≈ 220 k
🧠 Senior: ~200 – 450 k → медиана ≈ 320 k

🔥 ТОП компаний для Middle DS с медианной з/п > 300k:

- Magnit Tech
- Авито
- Cian
- Rutube


*В Москве, оклад в рублях "на руки", октябрь 2025 г.

Источник данных: https://getmatch.ru/salaries/data_science

#leetcode
#guide


5 типичных ошибок при решении задач с LeetCode

🧠 LeetCode — это не про знание языка программирования. Это тренировка мышления, но почти все совершают одинаковые ошибки, из-за которых прогресс стопорится. Разберём их.

1. Решать задачи "вслепую" без анализа
Написали код, он прошёл тесты — и сразу дальше.
❌ Ошибка: не разобрали, почему решение работает и как его улучшить.
✅ Разбор после каждой задачи: оценка сложности, поиск альтернатив и "что было бы, если...".

2. Фармить количество задач
Многие решают 10 задач в день, чтобы "набить статистику".
❌ Это даёт только иллюзию прогресса.
✅ Лучше 1-2 задачи в день, но с полным пониманием алгоритма (DFS/BFS, two pointers, dynamic programming и т.д.).

3. Игнорировать категории задач
❌ Решать всё подряд - значит не учиться системно.
✅ Работайте по темам: сначала массивы → строки → хеш-таблицы → рекурсия → графы.
С каждой темой учимся узнавать знакомые паттерны.

4. Не объяснять свои решения "вслух"
❌ На собеседовании важен не код, а ход мыслей.
✅ Привыкайте комментировать процесс: "я начинаю с O(n²) решения, а теперь попробую оптимизировать…".

5. Сразу лезть в сложные задачи
❌ Перескакивать с Easy на Hard - путь к выгоранию.
✅ Делайте постепенно: 10 Easy → 5 Medium → 1 Hard.
Фокус на стабильности, а не сложности.

💡 LeetCode - не про количество, а про осознанность.

#MLbasics
#metrics
#python

Пишем метрики ручками Часть 1

Для лучшего понимания любой темы самый эффективный способ - воспроизвести ее самостоятельно, нарисовать/закодить и так далее.

Прежде чем разбираться в моделях, важно понимать, как мы вообще оцениваем их качество.
Метрики регрессии — это линейка, которой мы измеряем, насколько близко модель предсказывает к реальности.
Ниже — шесть базовых метрик регрессии, которые стоит уметь не только интерпретировать, но и написать с нуля.

1. Root Mean Squared Error (RMSE)

📏 Измеряет насколько сильно в среднем предсказания отличаются от реальных значений, при этом большие ошибки наказываются сильнее.

💡 Особенно подходит, если важно штрафовать крупные промахи, например, при прогнозе цен или спроса.

2. Mean Absolute Error (MAE)

📏 Измеряет среднее отклонение предсказаний от реальных значений, в тех же единицах, что и исходные данные.

💡 Удобно, когда все ошибки одинаково важны — не нужно наказывать большие ошибки сильнее, чем маленькие.

3. Mean Absolute Percentage Error (MAPE)

📏 Измеряет средний процент ошибки относительно истинного значения.

⚠️ Плохо работает, если реальные значения близки к нулю (деление на маленькие числа → огромные проценты). Также она несимметрично оценивает перепрогноз и недопрогноз -> можно посмотреть на SMAPE.

💡 Полезно, когда важно понимать ошибку в процентах, например, «на сколько процентов промахнулся прогноз продаж».

4. Mean Squared Logarithmic Error (MSLE)

📏 Измеряет насколько близки логарифмы предсказаний и реальных значений.

💡 Подходит, когда важна относительная ошибка (во сколько раз промахнулся), а не абсолютная. Например, прогнозы роста, трафика, количества пользователей.

5. R^2(коэффициент детерминации)

📏 Измеряет насколько хорошо модель объясняет изменчивость данных. Грубо говоря, насколько лучше модель, чем просто “среднее значение”.

💡 Хороша, когда хочешь оценить долю объяснённой моделью дисперсии — то есть, насколько хорошо модель “понимает” зависимость между X и Y.

6. Adjusted R^2 (скорректированный коэффициент детерминации)

📏 Измеряет то же, что и R², но с поправкой на количество признаков (фич).

💡 Можно использовать при сравнении моделей с разным числом признаков. Помогает понять, стоит ли усложнение модели своих результатов.

🧭 Главное — не просто подставлять метрику, а понимать, что именно она показывает и в каких единицах измеряет ошибку. Это позволит выбирать правильную метрику под конкретную задачу, а не просто смотреть на все и теряться.


*Картинка взята с сайта loginom.ru