В данном блоге доступно 37 постов на разные темы
ИИ в клиентской поддержке: 70% обращений без оператора
Современные ИИ-системы закрывают 60–70% типовых обращений в поддержку без участия оператора. Звучит как повод сократить отдел — и это самая дорогая ошибка, которую можно допустить в этом проекте. Разбираем, что …
Классический NLP: TF-IDF, Word2Vec и рекуррентные сети
Темы 35–39: препроцессинг текста, мешок слов и TF-IDF, Word2Vec, GloVe и FastText, RNN, LSTM и seq2seq, классические задачи NLP и их метрики. Эта часть спрашивается реже, чем трансформеры, но полностью …
Классический ML: дисбаланс, признаки, калибровка и интерпретируемость
Темы 28–34: дисбаланс классов, кодирование категорий, калибровка вероятностей, кластеризация, снижение размерности, поиск аномалий и SHAP. 28. Дисбаланс классов Важность на собеседовании: 9/10 █████████░ 🔥🔥🔥 Критично. Идёт в связке с метриками …
Классический ML: линейные модели, SVM, kNN и наивный Байес
Темы 17–22: линейная и логистическая регрессия, L1/L2-регуляризация, ядровой трюк в SVM, kNN с его метриками расстояния и наивный Байес. 17. Линейная регрессия Важность на собеседовании: 9/10 █████████░ 🔥🔥🔥 Критично. База, …
Классический ML: постановка задачи, метрики и валидация
Темы 11–16: bias–variance, метрики классификации и регрессии, ROC-AUC против PR-AUC, метрики ранжирования и кросс-валидация без утечек. Это самая опрашиваемая часть на РФ-собесах. Именно здесь режут кандидатов, которые «умеют звать LLM …
Статистика и оптимизация: MLE, гипотезы и A/B-тесты
Темы 6–10: оценивание параметров через MLE и MAP, проверка гипотез и доверительные интервалы, A/B-тесты на практике, градиентные методы оптимизации и теория информации. 6. Оценивание параметров: MLE и MAP Важность на …