Junior ML-инженер | Выпуск 1 | Собеседование | karpov.courses

Коротко о видео

Учебное mock-интервью со студенткой Александрой Бреус показывает типичные вопросы для Junior ML-инженера: Python, алгоритмическую задачу и классическое машинное обучение. В Python-блоке разбирают структуры данных, словари, ссылочную модель и ручную проверку кода на примере Two Sum. В ML-блоке кандидат отвечает о линейных моделях, kNN, решающих деревьях и градиентном бустинге, а преподаватели уточняют и дополняют ответы.

Затронутые темы

Что взять на заметку

• Для Python стоит уверенно различать изменяемые и неизменяемые объекты, а для dict объяснять хеширование и требование неизменяемости ключей.
• В задачах со списками нужно отслеживать ссылки на один объект: вызовы, изменяющие список, например append, меняют его для всех переменных-ссылок.
• Перед кодированием полезно вслух переформулировать условие, привести собственный пример и сначала предложить рабочий полный перебор, а затем обсудить возможное снижение асимптотики.
• После каждого исправления нужно заново вручную прогонять весь алгоритм: проверять индексы против значений, существование используемых методов и случаи без найденного ответа.
• Отвечая о линейных моделях, не стоит сводить их только к линейной регрессии и MSE: уместно упомянуть также логистическую регрессию, гиперплоскость и постановку задачи.
• Сравнение линейной регрессии и kNN должно зависеть от данных: линейная модель способна продолжать тренд, тогда как kNN опирается на соседей и обычно плохо работает вне области обучающих данных.
• Нужно уметь объяснить жадные разбиения дерева через энтропию, индекс Джини или дисперсию, а градиентный бустинг — через последовательное приближение антиградиента функции потерь и контроль переобучения валидацией, глубиной базовых деревьев и числом итераций.