🎯 Продолжаем разбор задач и вопросов с собеседований по ML-теории, математической статистике и python!
Давно не выпускали эту рубрику, поэтому напомним правила. Мы публикуем вопросы по машинному обучению и смежным темам, которые могут встретиться на собеседовании. В каждом выпуске — один вопрос с четырьмя вариантами ответа, из которых только один правильный.
Ваша задача — выбрать ответ в опросе. А если хотите получить больше пользы, напишите в комментариях, почему выбрали именно этот вариант.
Позже мы опубликуем правильный ответ с объяснением, чтобы вы могли сравнить его со своими рассуждениями.
Начнём с метрик классификации.
Представьте, что вы обучили модель на датасете, в котором 99% объектов относятся к одному классу и только 1% — к другому. Какая метрика будет наиболее информативной для оценки модели?
👇 Выбирайте вариант в опросе ниже. Позже опубликуем правильный ответ и объяснение.
#собеседования_MLinside
Давно не выпускали эту рубрику, поэтому напомним правила. Мы публикуем вопросы по машинному обучению и смежным темам, которые могут встретиться на собеседовании. В каждом выпуске — один вопрос с четырьмя вариантами ответа, из которых только один правильный.
Ваша задача — выбрать ответ в опросе. А если хотите получить больше пользы, напишите в комментариях, почему выбрали именно этот вариант.
Позже мы опубликуем правильный ответ с объяснением, чтобы вы могли сравнить его со своими рассуждениями.
Начнём с метрик классификации.
Представьте, что вы обучили модель на датасете, в котором 99% объектов относятся к одному классу и только 1% — к другому. Какая метрика будет наиболее информативной для оценки модели?
👇 Выбирайте вариант в опросе ниже. Позже опубликуем правильный ответ и объяснение.
#собеседования_MLinside
MLinside - школа ML
🎯 Разбираем вопрос из рубрики «Вопросы с технических собеседований»!
В прошлом посте мы предложили определить, какая метрика наиболее информативна для оценки модели классификации при сильном дисбалансе классов (99% к 1%).
Правильный ответ — Г) F1.
Объяснение: При сильном дисбалансе Accuracy вводит в заблуждение (модель, всегда предсказывающая мажоритарный класс, получит 99%). F1-мера балансирует между Precision и Recall. MSE и R-squared не являются стандартными метриками для классификации. На практике при дисбалансе также используют PR-AUC.
Удалось выбрать правильный вариант? Расскажите в комментариях, чем руководствовались при выборе ответа.
Скоро опубликуем следующий вопрос — будет ещё одна возможность проверить свои знания!
Все посты этой рубрики можно посмотреть по хэштегу #собеседования_MLinside
В прошлом посте мы предложили определить, какая метрика наиболее информативна для оценки модели классификации при сильном дисбалансе классов (99% к 1%).
Правильный ответ — Г) F1.
Объяснение: При сильном дисбалансе Accuracy вводит в заблуждение (модель, всегда предсказывающая мажоритарный класс, получит 99%). F1-мера балансирует между Precision и Recall. MSE и R-squared не являются стандартными метриками для классификации. На практике при дисбалансе также используют PR-AUC.
Удалось выбрать правильный вариант? Расскажите в комментариях, чем руководствовались при выборе ответа.
Скоро опубликуем следующий вопрос — будет ещё одна возможность проверить свои знания!
Все посты этой рубрики можно посмотреть по хэштегу #собеседования_MLinside
👍5
Как научить AI-ассистента помнить предыдущие разговоры?
Почему AI-ассистенты иногда забывают контекст прошлых диалогов и как устроить их память так, чтобы каждый новый разговор не начинался с нуля?
Уже завтра, 12 ноября в 19:00 МСК проведём открытый вебинар об устройстве памяти AI-ассистентов.
Спикер – Андрей Жогов, ML-инженер в Сбере, преподаватель МФТИ, соучредитель направления ‘Машинное Обучение’ в Летних Олимпиадных Школах МФТИ и преподаватель MLinside.
О чем поговорим на вебинаре:
• Зачем AI-ассистентам нужна память и как она помогает учитывать контекст прошлых разговоров.
• Как устроены механизмы хранения и использования информации из предыдущих диалогов.
• Как самостоятельно реализовать подобный механизм — на простых схемах и, если останется время, примере кода.
Зарегистрируйтесь в боте, чтобы получить напоминание о вебинаре. После встречи там же появится запись — её можно будет посмотреть, даже если не получится присоединиться онлайн.
Почему AI-ассистенты иногда забывают контекст прошлых диалогов и как устроить их память так, чтобы каждый новый разговор не начинался с нуля?
Уже завтра, 12 ноября в 19:00 МСК проведём открытый вебинар об устройстве памяти AI-ассистентов.
Спикер – Андрей Жогов, ML-инженер в Сбере, преподаватель МФТИ, соучредитель направления ‘Машинное Обучение’ в Летних Олимпиадных Школах МФТИ и преподаватель MLinside.
О чем поговорим на вебинаре:
• Зачем AI-ассистентам нужна память и как она помогает учитывать контекст прошлых разговоров.
• Как устроены механизмы хранения и использования информации из предыдущих диалогов.
• Как самостоятельно реализовать подобный механизм — на простых схемах и, если останется время, примере кода.
Зарегистрируйтесь в боте, чтобы получить напоминание о вебинаре. После встречи там же появится запись — её можно будет посмотреть, даже если не получится присоединиться онлайн.
❤2👍2🔥1
MLinside - школа ML
Прикладной NLP. Делаем память как в ChatGPT Как сделать так, чтобы AI-ассистент учитывал информацию из предыдущих разговоров, а не начинал каждый новый диалог с нуля? Расскажем на вебинаре 12 ноября в 19:00 МСК. Спикер — Андрей Жогов, ML-инженер Сбера, преподаватель…
Мы начинаем вебинар Прикладной NLP. Делаем память как в ChatGPT с Андреем Жоговым, подключайтесь тут или на сайте: https://live.mlinside.ru/
live.mlinside.ru
Прикладной NLP. Делаем память как в ChatGPT
Прямой эфир MLinside с Андреем Жоговым. 12 ноября 2026, 19:00 МСК.
❤2
Что нужно знать про NLP каждому, чтобы не было стыдно на собеседовании?
19 ноября в 19:00 МСК проведём вебинар с Виктором Кантором. А о том, чего ждать от встречи, лучше расскажет сам Виктор:
19 ноября, 19:00 МСК
Регистрация: https://t.me/ml_insideBot?start=web191126
А также, вы можете заранее написать свой вопрос и на вебинаре Виктор на него ответит. Форма для вопросов: https://forms.yandex.ru/cloud/6af5a5ac974ab23a82e6bf17
19 ноября в 19:00 МСК проведём вебинар с Виктором Кантором. А о том, чего ждать от встречи, лучше расскажет сам Виктор:
«Представьте, что вы уже сколько-то лет строили ML модели, возможно даже какие-то из них с сетками, но глубоко NLP на работе не занимались или занимались последний раз очень давно.
И вот вы идете на собеседование в 2026 или 2027 году, а весь мир уже несколько лет как поехал крышей по LLM-кам. Быть может, на новом месте вам опять предстоит анализировать таблички и строить классические модельки, но вот собеседующий спрашивает вас:
“ну хорошо, а про LLMки что можешь рассказать?”
И тут вы понимаете, что а рассказать-то и нечего! Заполняете неловкую паузу общими словами, которые сейчас расскажет любой нейроцыган в соцсетях, а собеседующий грустнеет и грустнеет. Неприятная картина, неправда ли?
На вебинаре мы обсудим, что поботать, чтобы не выглядеть бледно в этой ситуации :) А заодно поговорим о том, почему NLP это достаточно красиво и здорово, чтобы познакомиться с ним не только ради собеседования».
19 ноября, 19:00 МСК
Регистрация: https://t.me/ml_insideBot?start=web191126
А также, вы можете заранее написать свой вопрос и на вебинаре Виктор на него ответит. Форма для вопросов: https://forms.yandex.ru/cloud/6af5a5ac974ab23a82e6bf17
❤2🔥2😁1
Media is too big
VIEW IN TELEGRAM
У нас новый выпуск подкаста и в гостях Андрей Жогов!
Андрея вы уже могли видеть несколько дней назад на вебинаре по NLP и конечно же у нас на YouTube. Он ML-инженер в Сбере, преподаватель МФТИ и MLinside. На этот раз пригласили его на большой разговор о работе, карьере и будущем машинного обучения.
В выпуске:
— Почему первое собеседование Андрея в Сбер закончилось через 10 минут и как спустя полгода он всё-таки получил оффер.
— Как оценивают качество кодовых LLM и почему результаты некоторых моделей на бенчмарках могут вводить в заблуждение.
— Какие задачи стоит доверять ИИ, а где самостоятельная работа оказывается эффективнее.
— Как меняется профессия ML-инженера и что стоит учитывать тем, кто только начинает карьеру.
Также затронули преподавание, обучение NLP и перспективы собственных AI-проектов.
Полный выпуск смотрите на наших площадках:
YouTube: https://youtu.be/1nQU-Q-RX6I
ВК: https://vkvideo.ru/video-228219607_456239352
Дзен: https://dzen.ru/video/watch/6af6d44f6b72ee6e12a5300a
Андрея вы уже могли видеть несколько дней назад на вебинаре по NLP и конечно же у нас на YouTube. Он ML-инженер в Сбере, преподаватель МФТИ и MLinside. На этот раз пригласили его на большой разговор о работе, карьере и будущем машинного обучения.
В выпуске:
— Почему первое собеседование Андрея в Сбер закончилось через 10 минут и как спустя полгода он всё-таки получил оффер.
— Как оценивают качество кодовых LLM и почему результаты некоторых моделей на бенчмарках могут вводить в заблуждение.
— Какие задачи стоит доверять ИИ, а где самостоятельная работа оказывается эффективнее.
— Как меняется профессия ML-инженера и что стоит учитывать тем, кто только начинает карьеру.
Также затронули преподавание, обучение NLP и перспективы собственных AI-проектов.
Полный выпуск смотрите на наших площадках:
YouTube: https://youtu.be/1nQU-Q-RX6I
ВК: https://vkvideo.ru/video-228219607_456239352
Дзен: https://dzen.ru/video/watch/6af6d44f6b72ee6e12a5300a
👍9❤4🔥3
Продолжаем нашу рубрику «ML в реальной жизни»
Мы всё также задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.
Поэтому, если хотите, чтобы рубрика была вам максимально полезна, важно не просто выбрать вариант, а объяснить в комментариях:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №9
Ситуация: Вы нашли способ улучшить модель, но это нарушает процесс
Контекст:
Вы обнаружили, что если добавить один "нестандартный" источник данных (например, лог действий пользователя), качество модели заметно вырастет. Но этот источник не документирован, не проходит по регламенту безопасности, и его использование потребует согласований на месяцы.
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
Мы всё также задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.
Поэтому, если хотите, чтобы рубрика была вам максимально полезна, важно не просто выбрать вариант, а объяснить в комментариях:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №9
Ситуация: Вы нашли способ улучшить модель, но это нарушает процесс
Контекст:
Вы обнаружили, что если добавить один "нестандартный" источник данных (например, лог действий пользователя), качество модели заметно вырастет. Но этот источник не документирован, не проходит по регламенту безопасности, и его использование потребует согласований на месяцы.
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
Что нужно знать про NLP, чтобы уверенно чувствовать себя на собеседовании?
19 ноября в 19:00 МСК проведём вебинар с Виктором Кантором, основателем MLinside и соавтором курса по NLP.
Даже если вы давно работаете с машинным обучением, вопросы про NLP и LLM могут застать врасплох. Особенно если в повседневной работе вы занимаетесь классическими ML-моделями и редко сталкиваетесь с обработкой текстов.
На вебинаре разберёмся, какие знания об NLP и современных языковых моделях стоит освежить перед собеседованием, о чём важно уметь рассказать и почему эта область заслуживает внимания не только ради прохождения интервью.
Встреча будет полезна ML-инженерам, Data Scientist и всем, кто хочет лучше ориентироваться в NLP и LLM.
19 ноября, 19:00 МСК
Регистрация: https://t.me/ml_insideBot?start=web191126
А также, вы можете заранее написать свой вопрос и на вебинаре Виктор на него ответит. Форма для вопросов: https://forms.yandex.ru/cloud/6af5a5ac974ab23a82e6bf17
19 ноября в 19:00 МСК проведём вебинар с Виктором Кантором, основателем MLinside и соавтором курса по NLP.
Даже если вы давно работаете с машинным обучением, вопросы про NLP и LLM могут застать врасплох. Особенно если в повседневной работе вы занимаетесь классическими ML-моделями и редко сталкиваетесь с обработкой текстов.
На вебинаре разберёмся, какие знания об NLP и современных языковых моделях стоит освежить перед собеседованием, о чём важно уметь рассказать и почему эта область заслуживает внимания не только ради прохождения интервью.
Встреча будет полезна ML-инженерам, Data Scientist и всем, кто хочет лучше ориентироваться в NLP и LLM.
19 ноября, 19:00 МСК
Регистрация: https://t.me/ml_insideBot?start=web191126
А также, вы можете заранее написать свой вопрос и на вебинаре Виктор на него ответит. Форма для вопросов: https://forms.yandex.ru/cloud/6af5a5ac974ab23a82e6bf17
❤7👍3👎1
Как устроен первый модуль Специализации: от Python до теории вероятностей
Обучение в Специализации MLinside начинается с модуля «Математика и Computer Science». Он закладывает основу для дальнейшего изучения машинного обучения. Рассказываем, какие темы предстоит освоить и где пригодятся эти знания.
1. Основы программирования на Python
От знакомства с синтаксисом до работы с Jupyter Notebook, pandas и инструментами визуализации данных. Студенты осваивают обработку и анализ данных, работу с репозиториями и применение LLM при программировании.
В программе также есть создание первой ML-модели и знакомство с соревнованиями по машинному обучению.
2. Алгоритмы и структуры данных
Как оценивать эффективность кода и выбирать подходящие алгоритмы? В этом разделе изучают вычислительную сложность, сортировки, динамическое программирование и структуры данных — от массивов до деревьев поиска и куч.
Разобраться в их применении помогают задачи на поиск, обработку и организацию данных.
3. Математический анализ и линейная алгебра
Производные, градиенты, векторы и матрицы — инструменты, которые помогают понять принципы работы многих ML-алгоритмов.
Например, градиенты используются при обучении моделей для поиска значений параметров, уменьшающих функцию потерь.
4. Теория вероятностей
В программу входят условная вероятность, случайные величины, математическое ожидание, дисперсия и центральная предельная теорема.
Эти знания пригодятся при изучении вероятностных моделей и статистических методов, применяемых в ML.
Авторы модуля — Дмитрий Лялин, Виктор Кантор и Илья Ирхин.
Обучение уже доступно в рамках Специализации MLinside.
Подробнее о программе: https://mlinside.ru/specializaciya/?utm_source=telegram&utm_medium=social&utm_content=post_modul_1
Обучение в Специализации MLinside начинается с модуля «Математика и Computer Science». Он закладывает основу для дальнейшего изучения машинного обучения. Рассказываем, какие темы предстоит освоить и где пригодятся эти знания.
1. Основы программирования на Python
От знакомства с синтаксисом до работы с Jupyter Notebook, pandas и инструментами визуализации данных. Студенты осваивают обработку и анализ данных, работу с репозиториями и применение LLM при программировании.
В программе также есть создание первой ML-модели и знакомство с соревнованиями по машинному обучению.
2. Алгоритмы и структуры данных
Как оценивать эффективность кода и выбирать подходящие алгоритмы? В этом разделе изучают вычислительную сложность, сортировки, динамическое программирование и структуры данных — от массивов до деревьев поиска и куч.
Разобраться в их применении помогают задачи на поиск, обработку и организацию данных.
3. Математический анализ и линейная алгебра
Производные, градиенты, векторы и матрицы — инструменты, которые помогают понять принципы работы многих ML-алгоритмов.
Например, градиенты используются при обучении моделей для поиска значений параметров, уменьшающих функцию потерь.
4. Теория вероятностей
В программу входят условная вероятность, случайные величины, математическое ожидание, дисперсия и центральная предельная теорема.
Эти знания пригодятся при изучении вероятностных моделей и статистических методов, применяемых в ML.
Авторы модуля — Дмитрий Лялин, Виктор Кантор и Илья Ирхин.
Обучение уже доступно в рамках Специализации MLinside.
Подробнее о программе: https://mlinside.ru/specializaciya/?utm_source=telegram&utm_medium=social&utm_content=post_modul_1
❤5