🤖 Data Scientist и ML на собеседовании
Что спрашивают у дата-сайентистов и ML-инженеров: от базовых метрик качества до продакшена моделей и мониторинга дрифта.
120 материалов · страница 1 из 3
Active learning и semi-supervised для Data Scientist
Active learning, semi-supervised, pseudo-labeling, self-training на собесе DS.
Adversarial attacks на собеседовании Data Scientist
Adversarial attacks на собесе DS: FGSM, PGD, defense, robust training.
AI агенты на собеседовании Data Scientist
AI agents на собесе DS: tool use, ReAct, MCP, multi-step reasoning, frameworks.
Anomaly detection на собеседовании Data Scientist
Anomaly detection на собесе DS: Isolation Forest, LOF, autoencoders, statistical methods.
ARIMA на собеседовании Data Scientist
ARIMA на собесе DS: stationarity, ADF тест, AR/MA/I компоненты, SARIMA, Prophet.
AutoML на собеседовании Data Scientist
AutoML на собесе DS: H2O AutoML, AutoGluon, FLAML, когда применять, ограничения.
Bagging vs Boosting на собеседовании Data Scientist
Bagging и Boosting на собесе DS: Random Forest, XGBoost, LightGBM, разница, когда что выбирать.
Bayesian методы на собеседовании Data Scientist
Байесовские методы на собесе DS: prior, posterior, MAP vs MLE, Bayesian inference.
Bayesian neural networks на собеседовании Data Scientist
Bayesian NN на собесе DS: uncertainty, MC dropout, variational inference, applications.
Bayesian optimization на собеседовании Data Scientist
Bayesian optimization на собесе DS: Gaussian Process, acquisition functions, hyperparameter tuning.
BERT vs GPT на собеседовании Data Scientist
BERT и GPT на собесе DS: encoder vs decoder, MLM vs causal LM, fine-tuning, выбор архитектуры.
Bias и fairness в ML на собеседовании Data Scientist
Bias и fairness на собесе DS: типы bias, fairness metrics, mitigation, ethics.
Bias-variance trade-off на собеседовании Data Scientist
Bias и variance на собесе DS: формула разложения ошибки, переобучение, недообучение, как лечить, learning curves.
Boosting pitfalls на собеседовании Data Scientist
Boosting common mistakes на собесе DS: overfit, leakage, calibration, monotonic constraints.
Canary и shadow deployment ML на собеседовании Data Scientist
Canary, shadow, A/B на собесе DS: deployment strategies для ML моделей, rollback, monitoring.
Causal inference на собеседовании Data Scientist
Causal inference на собесе DS: причинность vs корреляция, RCT, observational, propensity score, IV.
Class imbalance на собеседовании Data Scientist
Несбалансированные классы на собесе DS: SMOTE, class weights, undersampling, метрики, focal loss.
CLIP и multimodal модели на собеседовании Data Scientist
CLIP на собесе DS: contrastive learning, zero-shot classification, applications, multimodal.
Кластеризация на собеседовании Data Scientist
Кластеризация на собесе DS: k-means, DBSCAN, hierarchical, выбор K, метрики качества, когда что.
CNN-архитектуры на собеседовании Data Scientist
CNN на собесе DS: convolution, pooling, ResNet, EfficientNet, ViT, когда что выбирать.
Cohort analysis на собеседовании Data Scientist
Cohort analysis на собесе DS: retention curves, acquisition cohorts, behavioral cohorts.
Collaborative Filtering на собеседовании Data Scientist
Collaborative filtering на собесе DS: user-based, item-based, matrix factorization, ALS, BPR.
Confidence intervals на собеседовании Data Scientist
CI на собесе DS: parametric, bootstrap, интерпретация, ошибки.
Continual learning на собеседовании Data Scientist
Continual learning на собесе DS: catastrophic forgetting, EWC, replay, applications.
Cosine vs Euclidean similarity на собеседовании Data Scientist
Cosine, Euclidean, Manhattan, Hamming на собесе DS: формулы, отличия, когда что выбирать.
Cross-validation стратегии на собеседовании Data Scientist
Cross-validation на собесе DS: k-fold, stratified, time-series, group, leave-one-out, когда что выбирать.
Curriculum learning на собеседовании Data Scientist
Curriculum learning на собесе DS: easy-to-hard training, self-paced, SPL, applications.
Self-supervised learning для CV на собеседовании Data Scientist
SSL для CV на собесе DS: SimCLR, MoCo, MAE, DINO — applications в production.
Data augmentation на собеседовании Data Scientist
Data augmentation на собесе DS: image, text, tabular, MixUp, CutMix, AutoAugment.
Data drift на собеседовании Data Scientist
Data drift и concept drift на собесе DS: что это, как детектировать, KL divergence, PSI, retraining.
Decision Trees на собеседовании Data Scientist
Decision Trees на собесе DS: Gini, entropy, information gain, переобучение, pruning, плюсы и минусы.
Domain adaptation на собеседовании Data Scientist
Domain adaptation на собесе DS: transfer learning, DANN, MMD, fine-tuning strategies.
Dropout и Batch Normalization на собеседовании Data Scientist
Dropout и BatchNorm на собесе DS: формулы, train vs eval, layer norm, vanishing gradient, частые ошибки.
Embedding alignment на собеседовании Data Scientist
Cross-modal embedding alignment на собесе DS: CCA, Procrustes, contrastive, multilingual.
Embeddings на собеседовании Data Scientist
Embeddings на собесе DS: word2vec, GloVe, BERT, sentence embeddings, similarity search.
Оценка качества embeddings на собеседовании Data Scientist
Embedding eval на собесе DS: MTEB, intrinsic vs extrinsic, retrieval benchmarks.
Ensembling и stacking на собеседовании Data Scientist
Ensembling на собесе DS: blending, stacking, voting, OOF predictions, leakage.
Entropy и information theory на собеседовании Data Scientist
Информационная теория на собесе DS: entropy, mutual information, KL divergence, cross-entropy.
Evaluation classification metrics на собеседовании Data Scientist
Classification eval на собесе DS: confusion matrix, precision, recall, F1, choosing metric.
Explainable AI на собеседовании Data Scientist
XAI на собесе DS: зачем нужна интерпретируемость, SHAP, LIME, counterfactuals, global vs local, требования регуляторов и частые ошибки.
Feature Engineering на собеседовании Data Scientist
Feature engineering на собесе DS: scaling, encoding, lag features, target encoding, leakage.
Feature engineering для time series на собеседовании Data Scientist
Признаки для временных рядов на собесе DS: lag, скользящие статистики, сезонность, праздники, кросс-серийные фичи и утечка данных.
Feature Store на собеседовании Data Scientist
Feature store на собесе DS: online vs offline, train/serve consistency, Feast, Tecton.
Federated learning на собеседовании Data Scientist
Federated learning на собесе DS: privacy, gradient aggregation, FedAvg, applications.
Feed ranking ML system design на собеседовании Data Scientist
Feed ranking system design на собесе DS: candidate generation, ranking, multi-stage.
Few-shot learning на собеседовании Data Scientist
Few-shot learning на собесе DS: prompting, prototypical networks, fine-tuning, applications.
Demand forecasting ML system design на собеседовании Data Scientist
Demand forecasting design на собесе DS: hierarchical, multi-step, intermittent, MLP / DL.
Fraud detection ML system design на собеседовании Data Scientist
Fraud detection design на собесе DS: real-time scoring, features, label delay, imbalance.