В данном блоге доступно 37 постов на разные темы
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 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 …
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 …
Как обучают LLM: токенизация, предобучение, SFT и alignment
Темы 46–50: BPE и byte-level токенизация, законы масштабирования, обучение следовать инструкциям, RLHF, DPO и GRPO, стратегии декодирования. 46. Токенизация Важность на собеседовании: 9/10 █████████░ 🔥🔥🔥 Критично, и здесь тонет много …
Инференс LLM: KV-кэш, квантизация, LoRA и эмбеддинги
Темы 51–55: prefill и decode, KV-кэш, квантизация, LoRA и QLoRA, длинный контекст, эмбеддинги и реранкеры. 51. KV-кэш и как устроен инференс Важность на собеседовании: 9/10 █████████░ 🔥🔥🔥 Критично для 2026. …
RAG с нуля: промпт-инжиниринг, базовая архитектура и чанкинг
Темы 56–58: техники промптинга, полный RAG-пайплайн и места, где он ломается, гибридный поиск, реранкинг и стратегии чанкинга. Это то, за что вас нанимают. По разборам вакансий и интервью 2026 года …