Машинное обучение и данные
ML и данные: что учить и что спрашивают на собеседовании ML и DS
Обновлено 5 мин чтения 69 уроков 881 вопрос ~8 ч теории
Коротко
Под нейросетями лежат классический ML, математика и работа с данными. На собесе Data Scientist и ML-инженера спрашивают валидацию и утечки, бустинг, метрики, backprop и трансформеры, а также статистику и A/B. Ниже шесть треков по порядку: от ML и глубокого обучения до pandas и пайплайнов данных.
Содержание
Кому и зачем
- Data Scientist: ML, статистика, математика и pandas
- ML-инженер: ML и глубокое обучение плюс LLM и вывод моделей в прод
- Аналитик и дата-инженер: статистика, pandas, хранилища и пайплайны
Программа по модулям
Короткий урок на каждый модуль и вопросы на закрепление. Нажмите на модуль, чтобы открыть урок.
Классический ML
Модели, метрики, валидация, 11 модулей
Глубокое обучение
Backprop, CNN, трансформеры, PyTorch, 12 модулей
- Нейрон и backprop7 мин17
- Активации и функции потерь6 мин16
- Инициализация и нормализация7 мин16
- Оптимизаторы и обучение7 мин17
- Регуляризация6 мин16
- Свёрточные сети7 мин16
- RNN и LSTM6 мин15
- Attention и трансформеры8 мин16
- Эмбеддинги и fine-tuning7 мин16
- Генеративные модели6 мин15
- PyTorch на практике8 мин18
- Квантование и дистилляция7 мин16
Математика для ML
Линал, градиенты, вероятность, 9 модулей
Статистика и A/B-тесты
Гипотезы, интервалы, A/B, 13 модулей
- Описательная статистика6 мин18
- Распределения7 мин18
- ЦПТ и доверительные интервалы7 мин19
- Проверка гипотез7 мин18
- Мощность и размер выборки7 мин19
- t-тест и z-тест7 мин18
- Хи-квадрат и Манна-Уитни7 мин18
- Бутстреп и перестановки6 мин18
- Множественные проверки6 мин17
- Дизайн A/B-теста7 мин18
- Ловушки A/B7 мин18
- CUPED и снижение дисперсии7 мин19
- Байесовский подход6 мин18
Python для анализа данных
NumPy, pandas, графики, 12 модулей
- NumPy: массивы и векторизация7 мин23
- Series, DataFrame и индекс7 мин23
- Выборка и фильтрация7 мин24
- Пропуски, дубли и типы7 мин24
- groupby и агрегаты7 мин23
- merge, join и concat7 мин21
- pivot, melt и сводные6 мин19
- Окна и сдвиги7 мин22
- Даты и время7 мин22
- Чтение и запись данных6 мин21
- Производительность и память7 мин22
- Графики и Jupyter6 мин19
Data Engineering
DWH, Airflow, Kafka, Spark, dbt, 12 модулей
- Хранилища: OLTP, OLAP, DWH, lakehouse6 мин17
- Моделирование: Кимбалл, звезда, SCD7 мин21
- SQL дата-инженера7 мин23
- ETL, ELT и Airflow7 мин20
- Батч и стриминг6 мин19
- Kafka7 мин20
- Spark7 мин18
- Parquet и партиционирование7 мин18
- ClickHouse и колоночные СУБД7 мин17
- Качество данных и контракты6 мин20
- dbt7 мин19
- CDC и инкрементальная загрузка7 мин21
Частые вопросы на собеседовании
Самые частые вопросы этого направления. У каждого ответ с разбором и тренировка.
- Объясните регуляризациюКлассический ML
- Объясните backpropГлубокое обучение
- Объясните Байеса на примере тестаМатематика для ML
- Как описать распределение метрикиСтатистика и A/B-тесты
- Как работает groupby в pandasPython для анализа данных
- OLTP, OLAP и колоночное хранениеData Engineering
- Как вы сформулируете ML-задачуКлассический ML
- Напишите цикл обучения на словахГлубокое обучение
- Косинусная близостьМатематика для ML
- Объясните p-value продактуСтатистика и A/B-тесты
- Векторизация в NumPy на собесеPython для анализа данных
- Спроектировать звезду для продажData Engineering
- Случайный лес против бустингаКлассический ML
- Модель не обучаетсяГлубокое обучение
- Умножение матриц на спискахМатематика для ML
- Как сравнить две конверсииСтатистика и A/B-тесты
- Зачем нужен индекс в pandasPython для анализа данных
- Батч или стриминг: как выбратьData Engineering
Тест уровня
20 вопросов за 10 минут без регистрации. Вердикт junior, middle или senior.
Профессии, где это нужно
Как ИИ меняет собеседования
- Всё чаще спрашивают, как вы работаете с ИИ-ассистентом и как проверяете его код. Разбор таких вопросов в уроке ИИ на собеседовании.
- На live coding ценят ход мысли вслух. Ассистент обычно выключен или разрешён явно, решать нужно самому.
- Вместо длинного тестового задания чаще просят разобрать или доработать код при интервьюере: так видно, кто писал.
- На system design появляются вопросы про ИИ-фичи: RAG, задержка, стоимость запроса, что делать, если модель ошиблась.
Частые вопросы
Что спрашивают на собеседовании ML engineer?
Валидацию и утечки данных, деревья и бустинг, метрики качества, backprop и трансформеры, ML system design. Часто есть задача на Python и вопросы про вывод модели в прод.
Нужно ли знать математику для Data Science?
Да, в объёме собеса: линейная алгебра, производные и градиентный спуск, вероятность, MLE, энтропия. Трек «Математика для ML» ровно про это.
Можно ли войти в ML через аналитика данных?
Да, это реальный путь: SQL, pandas, статистика и A/B уже нужны аналитику, а ML добавляется следом.
Начните: ML и данные
Все уроки бесплатно. План соберётся под профессию, вопросы и билеты откроются по мере изучения.