ССобесов

Войти Начать бесплатно

Каталог задач

1000 задач. Страница 8 из 20. Тестовые задания с реальных собеседований по аналитике и алгоритмам.

Сортировка:По умолчанию По сложности По уровню По компании По названию

Стажировка ML — Разделяющая прямая (метод опорных векторов)

ML / Data ScienceSVM и геометрияСложнаяSeniorЯндекс

Стажировка ML — Банковский переполох: бинарная классификация по хешированным фичам

ML / Data ScienceБинарная классификацияСредняяMiddleЯндекс

Стажировка ML — Инопланетный шифр: классификация семантических связей

ML / Data ScienceNLP / классификация связейСложнаяSeniorЯндекс

ВК Middle: рекомендации по таргетингу рекламы через кластеризацию/классификатор

ML / Data ScienceКластеризацияСредняяMiddleВК

DataLearn ML-101: Bias-variance tradeoff на пальцах

ML / Data ScienceОсновы MLЛёгкаяJuniorDataLearn

DataLearn ML-101: Метрика классификации — accuracy/precision/recall/F1/ROC-AUC

ML / Data ScienceМетрикиЛёгкаяJuniorDataLearn

DataLearn ML-101: Cross-validation — какая стратегия для какой задачи

ML / Data ScienceВалидацияСредняяMiddleDataLearn

DataLearn ML-101: Кодирование категориальных фичей

ML / Data ScienceFeature engineeringСредняяMiddleDataLearn

DataLearn ML-101: Работа с несбалансированными классами

ML / Data ScienceImbalanced learningСредняяMiddleDataLearn

DataLearn ML-101: Отбор признаков — filter / wrapper / embedded

ML / Data ScienceFeature selectionСредняяMiddleDataLearn

zadachi_ds: Почему kNN ломается в высоких размерностях

ML / Data ScienceCurse of dimensionalityСредняяMiddleTelegram: zadachi_ds

zadachi_ds: Как понять, что модель переобучилась

ML / Data ScienceДиагностикаЛёгкаяJuniorTelegram: zadachi_ds

zadachi_ds: Логистическая регрессия vs линейный SVM

ML / Data ScienceЛинейные моделиСредняяMiddleTelegram: zadachi_ds

zadachi_ds: L1 vs L2 регуляризация — геометрия и эффекты

ML / Data ScienceРегуляризацияСредняяMiddleTelegram: zadachi_ds

Хабр ML — bias-variance tradeoff на пальцах

ML / Data ScienceОсновыСредняяMiddleХабр

Хабр ML — ROC-AUC: смысл, расчёт и устойчивость к дисбалансу классов

ML / Data ScienceМетрикиСредняяMiddleХабр

Хабр ML — Precision vs Recall: что выбрать в задаче антифрода

ML / Data ScienceМетрикиСредняяMiddleХабр

Хабр ML — L1 vs L2 регуляризация: когда что выбирать

ML / Data ScienceРегуляризацияСредняяMiddleХабр

Хабр ML — работа с дисбалансом классов в классификации

ML / Data ScienceПодготовка данныхСредняяMiddleХабр

Хабр ML — кросс-валидация для временных рядов

ML / Data ScienceВалидацияСредняяMiddleХабр

khangich (Intuit): спроектировать ранжирование

ML / Data ScienceML System DesignСложнаяSeniorGitHub: khangich/machine-learning-interview (Intuit)

khangich (Booking): автоматическое определение good value deals

ML / Data ScienceML System DesignСложнаяSeniorGitHub: khangich/machine-learning-interview (Booking)

khangich (Netflix): фрод-детекция по логам логинов

ML / Data ScienceML System DesignСложнаяSeniorGitHub: khangich/machine-learning-interview (Netflix)

khangich (Apple): сегментация миллионов пользователей

ML / Data ScienceКластеризацияСложнаяSeniorGitHub: khangich/machine-learning-interview (Apple)

khangich: как понять, что модель переобучается

ML / Data ScienceДиагностика моделейСредняяMiddleGitHub: khangich/machine-learning-interview

khangich: что такое dropout и зачем

ML / Data ScienceНейросетиСредняяMiddleGitHub: khangich/machine-learning-interview

khangich: batch normalization

ML / Data ScienceНейросетиСредняяMiddleGitHub: khangich/machine-learning-interview

khangich: SGD, Adam, learning rate schedule

ML / Data ScienceОптимизацияСредняяMiddleGitHub: khangich/machine-learning-interview

alexeygrigorev: где обычно зарыто переобучение через утечку фичей

ML / Data ScienceПодготовка данныхСредняяMiddleGitHub: alexeygrigorev/data-science-interviews

khangich: cold-start в рекомендательных системах

ML / Data ScienceRecommender SystemsСложнаяSeniorGitHub: khangich/machine-learning-interview

khangich: ROC-AUC vs PR-AUC при дисбалансе

ML / Data ScienceМетрики качестваСредняяMiddleGitHub: khangich/machine-learning-interview

Сценарий ML: диагностика overfitting и underfitting

ML / Data ScienceOverfitting и регуляризацияЛёгкаяMiddleУчебная

Сценарий ML: L1, L2 и ElasticNet — когда какую

ML / Data ScienceOverfitting и регуляризацияСредняяMiddleУчебная

Сценарий ML: механизм Dropout с математикой

ML / Data ScienceOverfitting и регуляризацияСредняяMiddleУчебная

Сценарий ML: критерии early stopping

ML / Data ScienceOverfitting и регуляризацияСредняяMiddleУчебная

Сценарий ML: leakage в train/val/test split

ML / Data ScienceOverfitting и регуляризацияСложнаяSeniorУчебная

Сценарий ML: алгоритм Gradient Boosting шаг за шагом

ML / Data ScienceBoosting и ensembleСредняяSeniorУчебная

Сценарий ML: XGBoost vs LightGBM vs CatBoost

ML / Data ScienceBoosting и ensembleСредняяSeniorУчебная

Сценарий ML: stacking vs blending vs bagging

ML / Data ScienceBoosting и ensembleСредняяSeniorУчебная

Сценарий ML: Isolation Forest для аномалий

ML / Data ScienceBoosting и ensembleСредняяSeniorУчебная

Сценарий ML: bias в feature importance у Random Forest

ML / Data ScienceBoosting и ensembleСложнаяSeniorУчебная

Сценарий ML: калибровка вероятностей (Platt, isotonic)

ML / Data ScienceМетрики и оценкаСредняяSeniorУчебная

Сценарий ML: выбор threshold по бизнес-метрике

ML / Data ScienceМетрики и оценкаСредняяMiddleУчебная

Сценарий ML: F-beta vs F1 при асимметрии

ML / Data ScienceМетрики и оценкаЛёгкаяMiddleУчебная

Сценарий ML: Cohen's kappa для multiclass

ML / Data ScienceМетрики и оценкаСредняяMiddleУчебная

Сценарий ML: MAPE vs sMAPE vs MAE для прогноза

ML / Data ScienceМетрики и оценкаСредняяMiddleУчебная

Сценарий ML: target encoding без leakage

ML / Data ScienceFeature engineeringСложнаяSeniorУчебная

Сценарий ML: high-cardinality categorical encoding

ML / Data ScienceFeature engineeringСредняяSeniorУчебная

Сценарий ML: лаги и rolling features для time series

ML / Data ScienceFeature engineeringСредняяMiddleУчебная

Сценарий ML: TF-IDF vs BERT embeddings

ML / Data ScienceFeature engineeringСредняяMiddleУчебная