Войти Начать бесплатно

Каталог задач

1005 задач. Страница 8 из 21. Авторские задачи для подготовки к собеседованиям аналитиков с разборами решений.

Темы

Уровень

Сложность

По мотивам интервью в

Сортировка:По умолчанию По сложности По уровню По названию

World of Tanks — прогноз DAU на 3 месяца вперёд

ML / Data ScienceПрогнозирование временных рядовСредняяMiddle

Skytec Games — предсказание оттока на шагах туториала

ML / Data ScienceБинарная классификация и оценкаСложнаяMiddle

Пиклема — модель прогноза скорости карьерных самосвалов по телеметрии

ML / Data ScienceTime series / regressionСложнаяMiddle

A1 Junior — прогноз ряда, классификация Target и анализ миграций тарифов

ML / Data ScienceTime series / classification / migration analysisСредняяJunior

Стажировка ML — Tree Barber: минимальная сумма энтропий после стрижки

ML / Data ScienceДеревья решений и энтропияСложнаяSenior

Стажировка ML — Разделяющая прямая (метод опорных векторов)

ML / Data ScienceSVM и геометрияСложнаяSenior

Стажировка ML — Банковский переполох: бинарная классификация по хешированным фичам

ML / Data ScienceБинарная классификацияСредняяMiddle

Стажировка ML — Инопланетный шифр: классификация семантических связей

ML / Data ScienceNLP / классификация связейСложнаяSenior

ВК Middle: рекомендации по таргетингу рекламы через кластеризацию/классификатор

ML / Data ScienceКластеризацияСредняяMiddle

DataLearn ML-101: Bias-variance tradeoff на пальцах

ML / Data ScienceОсновы MLЛёгкаяJunior

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

ML / Data ScienceМетрикиЛёгкаяJunior

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

ML / Data ScienceВалидацияСредняяMiddle

DataLearn ML-101: Кодирование категориальных фичей

ML / Data ScienceFeature engineeringСредняяMiddle

DataLearn ML-101: Работа с несбалансированными классами

ML / Data ScienceImbalanced learningСредняяMiddle

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

ML / Data ScienceFeature selectionСредняяMiddle

zadachi_ds: Почему kNN ломается в высоких размерностях

ML / Data ScienceCurse of dimensionalityСредняяMiddle

zadachi_ds: Как понять, что модель переобучилась

ML / Data ScienceДиагностикаЛёгкаяJunior

zadachi_ds: Логистическая регрессия vs линейный SVM

ML / Data ScienceЛинейные моделиСредняяMiddle

zadachi_ds: L1 vs L2 регуляризация — геометрия и эффекты

ML / Data ScienceРегуляризацияСредняяMiddle

Хабр ML — bias-variance tradeoff на пальцах

ML / Data ScienceОсновыСредняяMiddle

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

ML / Data ScienceМетрикиСредняяMiddle

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

ML / Data ScienceМетрикиСредняяMiddle

Хабр ML — L1 vs L2 регуляризация: когда что выбирать

ML / Data ScienceРегуляризацияСредняяMiddle

Хабр ML — работа с дисбалансом классов в классификации

ML / Data ScienceПодготовка данныхСредняяMiddle

Хабр ML — кросс-валидация для временных рядов

ML / Data ScienceВалидацияСредняяMiddle

khangich (Intuit): спроектировать ранжирование

ML / Data ScienceML System DesignСложнаяSenior

khangich (Booking): автоматическое определение good value deals

ML / Data ScienceML System DesignСложнаяSenior

khangich (Netflix): фрод-детекция по логам логинов

ML / Data ScienceML System DesignСложнаяSenior

khangich (Apple): сегментация миллионов пользователей

ML / Data ScienceКластеризацияСложнаяSenior

khangich: как понять, что модель переобучается

ML / Data ScienceДиагностика моделейСредняяMiddle

khangich: что такое dropout и зачем

ML / Data ScienceНейросетиСредняяMiddle

khangich: batch normalization

ML / Data ScienceНейросетиСредняяMiddle

khangich: SGD, Adam, learning rate schedule

ML / Data ScienceОптимизацияСредняяMiddle

alexeygrigorev: где обычно зарыто переобучение через утечку фичей

ML / Data ScienceПодготовка данныхСредняяMiddle

khangich: cold-start в рекомендательных системах

ML / Data ScienceRecommender SystemsСложнаяSenior

khangich: ROC-AUC vs PR-AUC при дисбалансе

ML / Data ScienceМетрики качестваСредняяMiddle

Сценарий ML: диагностика overfitting и underfitting

ML / Data ScienceOverfitting и регуляризацияЛёгкаяMiddle

Сценарий ML: L1, L2 и ElasticNet — когда какую

ML / Data ScienceOverfitting и регуляризацияСредняяMiddle

Сценарий ML: механизм Dropout с математикой

ML / Data ScienceOverfitting и регуляризацияСредняяMiddle

Сценарий ML: критерии early stopping

ML / Data ScienceOverfitting и регуляризацияСредняяMiddle

Сценарий ML: leakage в train/val/test split

ML / Data ScienceOverfitting и регуляризацияСложнаяSenior

Сценарий ML: алгоритм Gradient Boosting шаг за шагом

ML / Data ScienceBoosting и ensembleСредняяSenior

Сценарий ML: XGBoost vs LightGBM vs CatBoost

ML / Data ScienceBoosting и ensembleСредняяSenior

Сценарий ML: stacking vs blending vs bagging

ML / Data ScienceBoosting и ensembleСредняяSenior

Сценарий ML: Isolation Forest для аномалий

ML / Data ScienceBoosting и ensembleСредняяSenior

Сценарий ML: bias в feature importance у Random Forest

ML / Data ScienceBoosting и ensembleСложнаяSenior

Сценарий ML: калибровка вероятностей (Platt, isotonic)

ML / Data ScienceМетрики и оценкаСредняяSenior

Сценарий ML: выбор threshold по бизнес-метрике

ML / Data ScienceМетрики и оценкаСредняяMiddle

Сценарий ML: F-beta vs F1 при асимметрии

ML / Data ScienceМетрики и оценкаЛёгкаяMiddle

Сценарий ML: Cohen's kappa для multiclass

ML / Data ScienceМетрики и оценкаСредняяMiddle