В данном блоге доступно 37 постов на разные темы
Инженерная секция: Python, алгоритмы, ML System Design и поведенческое интервью
Темы 71–74: что спрашивают по Python, обязательный минимум алгоритмов, универсальный каркас ML System Design и как рассказывать про свой опыт. 71. Python на собеседовании Важность на собеседовании: 7/10 ███████░░░ 🔥🔥 …
Трансформеры: архитектура, внимание и позиционные кодировки
Темы 40–45: блок трансформера, self-attention через Q, K и V, RoPE и ALiBi, MHA/MQA/GQA и FlashAttention, нормализация, активации и MoE, разница между BERT, GPT и T5. Это ядро собеседования на …
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: деревья, случайный лес и градиентный бустинг
Темы 23–27: деревья решений, бэггинг и Random Forest, AdaBoost и градиентный бустинг, чем отличаются XGBoost, LightGBM и CatBoost, стекинг и блендинг. 23. Деревья решений Важность на собеседовании: 9/10 █████████░ 🔥🔥🔥 …
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 …