Библиотека собеса по Data Science | вопросы с собеседований
4.46K subscribers
533 photos
16 videos
1 file
660 links
Вопросы с собеседований по Data Science и ответы на них.

Учиться у нас: clc.to/GjjbkQ

По рекламе: @tproger_sales_bot

Учиться у нас: https://proglib.io/w/7dfb7235

Для обратной связи: @proglibrary_feeedback_bot
Download Telegram
Для поиска направлений, которые нельзя менять, алгоритм собирает информацию о поведении сети на старых данных.
Какая математическая структура анализируется для определения базиса «неприкосновенного» подпространства?
Anonymous Quiz
57%
Матрица Якобиана, посчитанная на репрезентативной выборке из старой задачи
16%
Матрица смежности графа вычислений PyTorch
13%
Диагональ матрицы ошибок (Confusion Matrix) финального классификатора
10%
Скалярное произведение вектора таргета на вектор предсказаний
4%
Не знаю
🤩1
🚀 Уже завтра стартует новый поток курса «ИИ-агенты»!

Мы собрали мощнейший состав преподавателей. Учить вас проектировать архитектуру и собирать продакшн-агентов будут инженеры и исследователи из топовых IT-компаний.

Старт уже завтра!

Сомневаетесь, подойдет ли вам программа и подача? Начните с бесплатного демо-урока!

Всего за 2 часа вы заглянете под капот ИИ-агента, поймете, чем мышление модели отличается от ее ответа, и научите систему чинить собственный код. Это идеальный способ протестировать нашу платформу перед покупкой.

🔗 Пройти демо-урок и занять место на курсе
🔥 Стартуем СЕГОДНЯ! Новый поток курса «Разработка ИИ-агентов» открыт

По этому поводу мы решили выложить закрытую запись одного из уроков из программы. Найти её в поиске YouTube нельзя — она доступна только по ссылке и всем, кто будет на курсе.

Внутри глубокий разбор LLM от Алексея Яндутова (Senior ML-инженер, развивал ответы «Алисы» и «Нейро» в Яндексе). Учимся получать точный результат без галлюцинаций.

Что внутри урока:

- Устройство LLM.
- Рабочие шаблоны промптов (Persona, Chain-of-Thought и др.).
- Разбор реального кейса Яндекса. Как автоматизировать разметку, обойти качество людей на 5% и срезать косты на 60%.


После просмотра вы поймете, когда хватает промпт-инжиниринга, а когда нужен RAG или fine-tuning.

👉Смотреть закрытый урок на YouTube

Понравился урок? Переходите на новый уровень! Оставляйте заявку на курс, чтобы научиться проектировать надежные автономные системы. Обучение началось, но вы еще успеваете присоединиться.

🔗 Занять место на курсе
🔥 Курс «Разработка ИИ-агентов» стартовал, но вы еще успеваете присоединиться!

Мы только начали, а первый практический воркшоп пройдет только 23 июля. До этого времени вы спокойно успеете изучить материалы и нагнать группу.

💼 Главная фишка: финальный проект в портфолио:

В финальном проекте вы сможете выбрать один из двух вариантов: реализовать свою идею или решить задачу от партнера курса — крупной российской финтех-компании. Вы будете работать с датасетом, построенным по реальным сценариям, получите бизнес-контекст и продовые ограничения. В результате соберете AI-агента, который станет сильным проектом для портфолио.


🎁 Упомяните менеджеру специальное предложение «3 курса по цене 1»: Берете VIP-тариф — получаете курс «Разработка ИИ-агентов», хардкорный «AgentOps» и ещё один курс на выбор. Выгода 129.000 ₽!

Двери потока вот-вот закроются окончательно. Успейте забрать стек курсов и начать работу над реальным проектом

🔗 Занять место и забрать 3 курса
🫡 Один и тот же запрос к AI можно выполнить двумя способами — и получить совершенно разный результат.

1️⃣ способ — просто попросить написать код. Модель может сгенерировать рабочее решение, но именно на этапе проверки часто всплывают пропущенные edge case’ы, ошибки обработки или проблемы с тестами.

2️⃣ способ — дать агенту цикл Think → Act → Observe. Он не останавливается после первой попытки: планирует действия, проверяет результат и, если находит ошибку, исправляет её и пробует снова.

Самое интересное, что разница здесь не столько в модели Claude, GPT или другая LLM могут быть одинаковыми. Разницу создаёт инженерная система вокруг них.

📅 Именно это разберём 23 июля в 19:00 (МСК) на бесплатном вебинаре с Алексеем Жиряковым (Executive Director в Сбере, GenAI Data Platform, ex-CTO Stream и KION).

На живом демо покажем, как один и тот же запрос работает без агентной системы и с ней 🔥

🔗 Регистрация

🏃‍♀️ Proglib Academy
Please open Telegram to view this post
VIEW IN TELEGRAM
Большинство методов калибровки требуют выполнения жестких условий на распределение данных.
Какое минимальное допущение о данных требуется Конформному предсказанию для обеспечения строгой математической гарантии точности?
Anonymous Quiz
53%
Данные должны быть строго распределены по нормальному (гауссовскому) закону
16%
Данные должны обладать свойством равнораспределенности
14%
Матрица признаков должна быть строго квадратной и ортогональной
14%
В данных должны полностью отсутствовать пропуски и категориальные признаки
2%
Не знаю
1
Конформная регрессия предсказывает цену акций. После периода стабильности начинается сильная волатильность. Как сохранить ошибку 5%?
Anonymous Quiz
4%
Сузит интервалы до 0
65%
Резко расширит интервалы, сохранив гарантию 5%
19%
Всегда предскажет среднее
4%
Выдаст OOM
8%
Не знаю
🤷‍♂️ Что важнее в хорошем курсе: программа или люди, которые её создают?

У Proglib Academy вышел пост о том, на каком опыте построен новый курс по AI для разработчиков 🦴
Please open Telegram to view this post
VIEW IN TELEGRAM
🧑‍💻 Учиться агентной разработке — у тех, кто уже внедряет её в бигтехе

Курс «ИИ для разработчиков» ведут практики из ведущих российских IT-компаний 🔥

🔵 Они прошли путь от первых экспериментов с AI до рабочих процессов, в которых агенты помогают команде писать код, готовить PR и быстрее доводить задачи до продакшена.

В ближайшее время познакомим вас с каждым преподавателем. Программа курса — по ссылке 🎹

🏃‍♀️ Proglib Academy
Please open Telegram to view this post
VIEW IN TELEGRAM
😸 Каждый разработчик подходит к задаче со своим опытом: помнит прошлые решения, знает ограничения проекта и понимает, какой код команда пропустит на ревью.

Для человека это естественная часть работы. У Claude Code этого контекста по умолчанию нет — только задача и инструкции, которые ему дали.

Поэтому в большой команде недостаточно просто выбрать хорошую модель.

❗️ Нужно ещё объяснить ей, как у вас устроена разработка: какие подходы приняты, что обязательно проверять и по каким правилам принимать решения.


🗓 23 июля в 19:00 МСК поговорим об этом на бесплатном вебинаре с Алексеем Жиряковым — он Executive Director в Сбере, руководит
GenAI Data Platform, и с этой проблемой сталкивался не раз 🔥

Покажет живое демо, разберём, как встроить AI в процесс разработки так, чтобы он реально помогал, а не добавлял ещё один повод для споров на ревью.

🔗 Занять место на вебинаре

🏃‍♀️ Proglib Academy
Please open Telegram to view this post
VIEW IN TELEGRAM
1
Несмотря на красивую математику, спектральную кластеризацию редко применяют в лоб на датасетах из миллионов объектов.
Какое главное вычислительное ограничение мешает применять точную спектральную кластеризацию к Big Data?
Anonymous Quiz
2%
Алгоритм работает только с текстами и не поддерживает числовые признаки
19%
Метод всегда сходится к разным результатам при повторных запусках
22%
Спектральная кластеризация требует наличия размеченных целевых меток
54%
Это крайне тяжело для огромных выборок
3%
Не знаю
👍1
Курс для тех, кто хочет перестать просто «пользоваться AI» и начать выстраивать с ним нормальный процесс разработки 🥳
Please open Telegram to view this post
VIEW IN TELEGRAM
📈 Скоро фраза «умею пользоваться AI» в резюме будет звучать так же странно, как сегодня «умею пользоваться Git»

Это просто станет частью профессии. А вот умение встроить AI в процесс разработки так, чтобы он действительно ускорял работу команды, останется конкурентным преимуществом 💡

🔜 На курсе «ИИ для разработчиков» участники работают со своими проектами и учатся делать AI частью ежедневной разработки: планировать задачи, писать код, проверять изменения, готовить PR и автоматизировать рутину.

До конца июля действует специальная цена — 59 990 ₽ вместо 79 990 ₽ 🥳 И получить бессрочный доступ ко всем материалам курса.

🔗 Посмотреть, как устроен курс

🏃‍♀️ Proglib Academy
Please open Telegram to view this post
VIEW IN TELEGRAM
Для нелинейного разделения SVM использует ядерный трюк K(x,x′).
Что именно вычисляет функция ядра K(x,x′) без явного перевода объектов в пространственную размерность высочайшей степени?
Anonymous Quiz
60%
Скалярное произведение в новом пространстве
2%
Среднее арифметическое признаков
20%
Векторное произведение векторов
15%
Определитель матрицы весов
2%
Не знаю
👍1