Mock-собеседование на позицию Junior ML Engineer с подписчиком канала скачать в хорошем качестве

Mock-собеседование на позицию Junior ML Engineer с подписчиком канала

Примерно так будет выглядеть собеседование на позицию Junior MLE. Собеседует Александр Дубейковский – ML Engineer в Авито, ранее работал в Яндексе, прошел более 40 собеседований и получил 6 офферов, а также участвовал в проведении технических интервью. Кандидат – Илья, студент МГТУ им. Баумана, который уже почти год самостоятельно изучает машинное обучение, подписчик нашего канала. Спойлер: на этом мок-собеседовании Илья показа отличные результаты, поэтому советуем смотреть видео с заметками – записывайте его ответы и тренируйтесь самостоятельно (или с нами в нашем телеграм-канале: https://t.me/ml_inside). 📌 Заполни анкету предзаписи на курс "База ML", чтобы так же хорошо проходить собеседования, и получи чек-лист "15 самых популярных вопросов с собеседований и ответы на них": Анкета предзаписи: https://vk.cc/cO375f Курс «База ML»: https://clck.ru/3NXgkp Курс «ML в бизнесе»: https://clck.ru/3NXgnZ Telegram MLinside: https://t.me/+xPCRRLylQh5lMmI6 В видео вы увидите разбор резюме, теоретические вопросы по ML и Python, обсуждение метрик и алгоритмов, а также разбор типичных ошибок кандидатов. Это полезный опыт для всех, кто готовится к собеседованиям на позиции стажеров и джунов в ML. Тайм-коды: 00:00 Вступление и знакомство 01:20 Илья о себе 01:45 Разбор резюме кандидата 05:04 План собеседования и формат вопросов 06:03 Что такое модель машинного обучения 06:48 Задачи, которые решает ML 07:58 Алгоритмы для классификации и регрессии 09:34 Логистическая регрессия: постановка задачи, сигмоида, лог-лосс 16:34 Инициализация весов и предобработка признаков 18:55 Масштабирование и кодирование признаков 20:33 Когда стандарт-скейлер может навредить 22:28 Оптимизация и градиентный спуск 24:05 Что такое bias в модели 27:05 Регуляризация: L1 и L2 31:42 Причины переобучения и мультиколлинеарность 33:58 Модификации градиентного спуска (SGD, Momentum, Adam) 37:47 Градиентный бустинг на решающих деревьях 42:24 Метрики классификации: precision, recall, F1, ROC-AUC 44:56 Кейс с медицинской моделью: работа с порогами 46:41 Теорема Байеса 48:14 Алгоритмы сортировки и их асимптотики 50:32 Обратная связь эксперта 56:18 Плюшки для зрителей и информация о курсе «База ML» 1:07:03 Вопросы из чата