«Этот манёвр будет стоить нам 51 год...»
— или потерю шанса на
19 января в Proglib Academy вырастут цены. Успейте забрать курсы по
— Разработка ИИ-агентов
— Математика для разработки AI-моделей
— ML для старта в Data Science
— Математика для Data Science
— Специалист по ИИ
— Алгоритмы и структуры данных
— Программирование на Python
— Основы IT для непрограммистов
— Архитектуры и шаблоны проектирования
Подготовиться к собеседованиям
⚠️ Стоимость изменится 19 января
— или потерю шанса на
Senior-позицию из-за «поплывшей» математики на тех-интервью. В Data Science теоремы и алгоритмы — это фундамент, без которого не построить ни одну серьёзную модель.19 января в Proglib Academy вырастут цены. Успейте забрать курсы по
Math, ML и AI по старой стоимости:— Разработка ИИ-агентов
— Математика для разработки AI-моделей
— ML для старта в Data Science
— Математика для Data Science
— Специалист по ИИ
— Алгоритмы и структуры данных
— Программирование на Python
— Основы IT для непрограммистов
— Архитектуры и шаблоны проектирования
Подготовиться к собеседованиям
⚠️ Стоимость изменится 19 января
😁1
Вы хотите дообучить модель Llama 3 на своих личных переписках, чтобы она имитировала ваш стиль общения. Вместо того чтобы менять все веса огромных матриц модели, вы решаете использовать LoRA.
В чем заключается этот метод?
В чем заключается этот метод?
Anonymous Quiz
21%
Он просто отключает (freeze) 99% слоев, оставляя только последний
56%
Он представляет изменение весов в виде произведения двух матриц низкого ранга
3%
Он переводит все веса модели в 1-битный формат
20%
Он использует внешнюю базу данных (RAG) вместо изменения внутренних весов
👍2
Вы строите корпоративного ассистента, который должен отвечать на вопросы сотрудников по внутренним документам (которые модель никогда не видела при обучении). Вместо Fine-tuning, вы внедряете архитектуру RAG.
Как именно работает этот механизм?
Как именно работает этот механизм?
Anonymous Quiz
85%
Система ищет текст в БД, добавляет его в контекст модели, и только после этого генерируется ответ
4%
Модель генерирует ответ на основе своей памяти, а потом проверяет его правильность в Google
9%
Модель использует слой нейронов, который физически расширяется при добавлении новых документов
2%
Вопрос переводится на язык SQL, чтобы модель могла напрямую менять веса своих слоев
👍1
ViT разбивает изображение на патчи и вычисляет внимание между патчами. Если мы увеличим разрешение фото в 2 раза, количество вычислений вырастет в 16 раз.
Для решения проблемы был создан Swin Transformer. Какое нововведение позволяет ему работать быстро?
Для решения проблемы был создан Swin Transformer. Какое нововведение позволяет ему работать быстро?
Anonymous Quiz
6%
Он удаляет 75% пикселей перед обработкой
75%
Он вычисляет внимание внутри локальных окон, которые сдвигаются на каждом слое
10%
Он заменяет механизм внимания на обычные свертки 3×3
9%
Он использует только один слой внимания в самом конце сети
❤2👍2
В отличие от GAN, где 2 сети соревнуются, диффузионные модели обучаются на процессе постепенного разрушения данных.
В процессе обратной диффузии нейросеть получает на вход сильно зашумленное изображение. Какова задача на каждом микро-шаге этого процесса?
В процессе обратной диффузии нейросеть получает на вход сильно зашумленное изображение. Какова задача на каждом микро-шаге этого процесса?
Anonymous Quiz
3%
Предсказать, какой объект изображен на картинке
93%
Предсказать и «вычесть» шум, который был добавлен к изображению на текущем этапе
2%
Сжать изображение в 10 раз для экономии памяти
2%
Перевести текстовый запрос пользователя в набор пикселей
👍2
This media is not supported in your browser
VIEW IN TELEGRAM
RAG или Fine-tuning: что отвечать на собеседовании?
Вопросы по архитектуре LLM-систем становятся стандартом. 23 января в 19:00 на открытом уроке к курсу «Разработка ИИ агентов» разберём матчасть: как работают
Ведущий — Игорь Стурейко, тимлид в «Газпроме» и AI-архитектор. В своём видеосообщении Игорь делится опытом построения сложных ML-решений и рассказывает о программе подготовки специалистов по агентам.
Ключевые концепции:
— разница между параметрической и внешней памятью модели;
— использование
— пайплайны обработки документов с помощью
📅 Когда: 23.01 в 19:00 МСК
Узнать подробности
Вопросы по архитектуре LLM-систем становятся стандартом. 23 января в 19:00 на открытом уроке к курсу «Разработка ИИ агентов» разберём матчасть: как работают
Retrieval-Augmented Generation и дообучение моделей в реальных проектах.Ведущий — Игорь Стурейко, тимлид в «Газпроме» и AI-архитектор. В своём видеосообщении Игорь делится опытом построения сложных ML-решений и рассказывает о программе подготовки специалистов по агентам.
Ключевые концепции:
— разница между параметрической и внешней памятью модели;
— использование
FAISS и Chroma для хранения эмбеддингов;— пайплайны обработки документов с помощью
LangChain.📅 Когда: 23.01 в 19:00 МСК
Узнать подробности
❤1
Вы тестируете систему комп. зрения для беспилотного авто Тесты показали, что можно изменить изображение знака «STOP» так, что человек не заметит разницы, но нейросеть с 99% классифицирует его как «Ограничение скорости».
Как называется этот тип атаки?
Как называется этот тип атаки?
Anonymous Quiz
9%
Брутфорс-атака (Bruteforce)
56%
Инъекция данных (Data Poisoning)
2%
Переполнение буфера (Buffer Overflow)
32%
Атака быстрым градиентным знаком (FGSM - Fast Gradient Sign Method)
Представь, что ты работаешь в банке. Твоя сложная модель отклонила заявку на кредит. Клиент требует объяснить — почему? Для этого ты используешь SHAP.
В чем заключается идея вычисления Shapley values для каждого признака?
В чем заключается идея вычисления Shapley values для каждого признака?
Anonymous Quiz
82%
Метод оценивает вклад признаков, сравнивая предсказания модели для всех их комбинаций.
9%
Метод строит график корреляции между признаком и ответом
5%
Метод заменяет нейросеть на дерево решений, которое легче читать
5%
Метод находит самый важный признак и обнуляет все остальные
😁4❤1
This media is not supported in your browser
VIEW IN TELEGRAM
Пятница, 19:00. Худшее время для деплоя, но идеальное, чтобы подготовиться к каверзным вопросам про LLM-пайплайны, которые точно зададут на интервью.
Вопросы про RAG и Fine-tuning стали стандартом на интервью для ML-инженеров. Приходи разобраться в теме на практике.
Разберём на открытом уроке:
— выбор между
— работа с векторными эмбеддингами (`FAISS`, `Chroma`);
— построение продакшн-пайплайна с использованием
Один из спикеров — Алексей Яндутов, ML-инженер в поиске Яндекса.
Это вводное занятие курса «Разработка AI-агентов». Готовьтесь к коду и архитектурным схемам.
Записаться на урок
Вопросы про RAG и Fine-tuning стали стандартом на интервью для ML-инженеров. Приходи разобраться в теме на практике.
Разберём на открытом уроке:
— выбор между
Retrieval-Augmented Generation и дообучением весов;— работа с векторными эмбеддингами (`FAISS`, `Chroma`);
— построение продакшн-пайплайна с использованием
LangChain.Один из спикеров — Алексей Яндутов, ML-инженер в поиске Яндекса.
Это вводное занятие курса «Разработка AI-агентов». Готовьтесь к коду и архитектурным схемам.
Записаться на урок
proglib.academy
Курс| Разработка AI-агентов
Курс про контролируемую разработку AI-агентов: качество, стоимость, наблюдаемость и тестирование. С первого занятия — практическая работа.
Вы используете инициализацию весов He и Batch Normalization после каждого сверточного слоя. Несмотря на это, в ResNet в начале обучения растёт дисперсия активаций с глубиной, что ухудшает сходимость.
Какое решение лучше всего устраняет это?
Какое решение лучше всего устраняет это?
Anonymous Quiz
53%
Замена ReLU на Leaky ReLU с α=0.01 для обеспечения протекания градиента в отрицательной области
22%
Dropout с вероятностью p=0.5 непосредственно перед операцией сложения для регуляризации
16%
Weight Decay исключительно к весам на основном пути, исключая параметры в shortcut-соединениях
9%
Zero-γ инициализация последней BatchNorm в residual-блоке
👍3🤔2
На интервью по DS спрашивают про Agentic Workflow, а ты всё ещё «жаришь» промпты?
Настоящий Шеф проектирует Систему. В понедельник, 26 января, стартует интенсив по разработке ИИ-агентов. Получи знания, которые отличают Middle от Senior. 📊
В программе:
— мультиагентные системы в
— сложная логика в
—
Записаться на курс
Настоящий Шеф проектирует Систему. В понедельник, 26 января, стартует интенсив по разработке ИИ-агентов. Получи знания, которые отличают Middle от Senior. 📊
В программе:
— мультиагентные системы в
CrewAI: управление пулом агентов;— сложная логика в
LangGraph: проектирование стейт-менеджмента;—
tool use интеграция: связь моделей с API и базами данных. 🧠Записаться на курс
Как называется статистическое явление, при котором алгоритм A лучше в общей статистике, но хуже алгоритма B в каждом подмножестве данных (например, по устройствам)?
Anonymous Quiz
9%
Эффект выжившего (Survivorship Bias): мы не учитываем пользователей, которые вообще не кликают
66%
Парадокс Симпсона: из-за «скрытой переменной», которая неравномерно распределена между группами
12%
Мультиколлинеарность: признаки слишком сильно коррелируют друг с другом, что «раздувает» веса модели
13%
Проблема подглядывания: мы перебираем разбиения данных до тех пор, пока не найдем аномалию
👍3
Завтра стартуем: курс по разработке ИИ-агентов 📊
Будьте готовы к вопросам по архитектуре автономных пайплайнов. Мы научим проектировать агентные системы на
👉 Успейте занять место до начала занятий
Будьте готовы к вопросам по архитектуре автономных пайплайнов. Мы научим проектировать агентные системы на
CrewAI, управлять графами в LangGraph и подключать модели к реальным бизнес-инструментам.👉 Успейте занять место до начала занятий
Вы строите модель детекции мошеннических транзакций. Класс «мошенничество» встречается редко по сравнению с «легитимными» операциями. Вы решили применить SMOTE.
В чем заключается недостаток SMOTE, который приводит к огромному количеству False Positives?
В чем заключается недостаток SMOTE, который приводит к огромному количеству False Positives?
Anonymous Quiz
5%
Он работает только с категориальными признаками и не умеет обрабатывать числа
18%
Он требует обязательного уменьшения выборки основного класса, что ведет к потере важной информации
55%
Он линейно интерполирует точки между соседями меньшинства, игнорируя мажоритарный класс
22%
Он просто дублирует существующие строки, что приводит к переобучению на конкретных примерах
👍4
Вопрос на собеседовании: «В чём разница между классическим RAG и Agentic RAG?»
Если не знаете ответ — пора на курс. Сегодня в 19:00 МСК мы начинаем разбирать архитектуру автономных систем с нуля до продакшена.
Подготовим вас к сложным вопросам по AI:
— механизмы планирования в агентах;
— работа с памятью и контекстом;
— мультиагентная оркестрация;
— методы оценки
Подготовиться к офферу
Если не знаете ответ — пора на курс. Сегодня в 19:00 МСК мы начинаем разбирать архитектуру автономных систем с нуля до продакшена.
Подготовим вас к сложным вопросам по AI:
— механизмы планирования в агентах;
— работа с памятью и контекстом;
— мультиагентная оркестрация;
— методы оценки
faithfulness и relevancy ответов.Подготовиться к офферу
👍1
Ты участвуешь в Kaggle соревновании. Тебе дали train набор и test. Ты подозреваешь, что данные в тесте «пришли из другого мира» (например, из другого временного периода).
Чтобы проверить, ты используешь Adversarial Validation. В чем суть метода?
Чтобы проверить, ты используешь Adversarial Validation. В чем суть метода?
Anonymous Quiz
42%
Ты обучаешь классификатор «Train vs Test»: если ROC-AUC высокий, выборки различаются.
7%
Ты просишь генератор сделать фейковые данные и пытаешься их классифицировать.
24%
Ты сравниваешь средние значения всех признаков в Train и Test и удаляешь те, где разница больше 10%
27%
Ты объединяешь Train и Test, перемешиваешь их и заново разбиваешь на фолды, чтобы «усреднить» ошибку
❤2👍2
Вы строите логистическую регрессию для предсказания оттока клиентов. В вашем наборе данных есть признаки, которые сильно коррелируют между собой. Вы решаете проверить их с помощью VIF.
Для одного из признаков вы получили VIF = 12. Что это означает?
Для одного из признаков вы получили VIF = 12. Что это означает?
Anonymous Quiz
12%
Ошибка модели на этом признаке составляет 12%, что является допустимым порогом в Data Science
11%
Признак распределен по закону Пуассона, что нарушает требования нормальности логистической регрессии
69%
Признак сильно зависит от других независимых переменных, оценка его коэффициента ненадежна
8%
Признак имеет очень низкую предсказательную силу, и его нужно заменить на случайный шум
👍4
Вас точно спросят про AI-агентов на следующем собеседовании
В 2026 году знание только градиентного бустинга — это база. Компании ищут тех, кто умеет внедрять LLM в продакшн через агентские архитектуры и понимает разницу между
Подготовьтесь к техническим вопросам на курсе «Углубленные AI-агенты».
Что вы добавите в резюме:
— навык проектирования мультиагентных систем;
— опыт работы с актуальными фреймворками
— понимание методов масштабирования ИИ-решений;
— готовый сквозной проект в портфолио.
Курс уже идет, залетайте, пока есть места.
🚀 Записаться на основной курс
Если сомневаетесь — просто посмотрите вводное занятие.
В 2026 году знание только градиентного бустинга — это база. Компании ищут тех, кто умеет внедрять LLM в продакшн через агентские архитектуры и понимает разницу между
LangGraph и обычным чейнингом.Подготовьтесь к техническим вопросам на курсе «Углубленные AI-агенты».
Что вы добавите в резюме:
— навык проектирования мультиагентных систем;
— опыт работы с актуальными фреймворками
CrewAI и AutoGen;— понимание методов масштабирования ИИ-решений;
— готовый сквозной проект в портфолио.
Курс уже идет, залетайте, пока есть места.
🚀 Записаться на основной курс
Если сомневаетесь — просто посмотрите вводное занятие.
❤2
Какое априорное распределение обычно берут для вероятности успеха при биномиальных данных, чтобы использовать сопряжённость и получить апостериорное распределение аналитически?
Anonymous Quiz
46%
Распределение Пуассона
26%
Бета-распределение (Beta distribution)
21%
Распределение Стьюдента
7%
Экспоненциальное распределение
👍1