Подготовка к собеседованиям по темам
Не просто фильтр по тегам. Для каждой темы мы выбрали три реальных интервью: с чего начать, где углубиться и чем закрепить материал на практике.
Найти отдельное понятие или формулировку вопроса14 вопросов · 1 задача
Классическое машинное обучение
Какие реальные собеседования пройти, чтобы повторить модели, метрики и валидацию?
От математической базы и линейных моделей до ансамблей, метрик, проверки качества и реализации алгоритма руками.
13 вопросов · 1 задача
Python для ML-собеседований
Какие собеседования показывают реальную глубину Python, а не только синтаксис?
Устройство языка, протоколы Python, структуры данных, параллельность и надёжный прикладной код из технических интервью.
12 вопросов
Глубокое обучение
Что посмотреть по PyTorch, обучению нейросетей и современным архитектурам?
От градиентов и оптимизаторов до рабочего цикла PyTorch, устройства Transformer и распределённого обучения.
33 вопроса
Проектирование ML-систем
Какие кейсы пройти, чтобы научиться проектировать ML-систему от цели до запуска?
Постановка задачи, данные, базовое решение, проверка на исторических данных и в продукте, эксплуатация и мониторинг.
28 вопросов
Рекомендательные системы
Какие собеседования показывают разные типы рекомендаций: корзина, лента и маркетплейс?
Отбор кандидатов, ранжирование, метрики, холодный старт, смещения обратной связи и эксплуатация в трёх продуктовых доменах.
13 вопросов
Вероятность, статистика и эксперименты
Какие собеседования пройти, чтобы уверенно решать задачи по вероятности и разбирать A/B-тесты?
Теорема Байеса, распределения, максимальное правдоподобие, размер выборки, статистическая значимость и проверка продуктовых экспериментов.
2 вопроса · 4 задачи
SQL для ML и аналитики
Какие реальные SQL-секции пройти от базовых конструкций до окон, временных рядов и Top-K?
Фильтрация и агрегация, соединения, оконные функции, задачи по времени и аккуратная проверка неоднозначных условий.
23 вопроса
Продуктовые ML-кейсы
Какие кейсы пройти, чтобы начинать с продукта и ограничений, а не сразу выбирать модель?
Постановка задачи, действие модели, данные, базовое решение, бизнес-метрики, эксперимент и обратная связь на примерах доставки, ленты и мультимодального поиска.
25 вопросов
LLM: архитектура, инференс и RAG
Какие интервью пройти отдельно по устройству LLM, инференсу и RAG-системам?
Три взаимодополняющих собеседования: архитектура и обучение, LLM inference под высокой нагрузкой, затем поиск и проектирование RAG-системы.