Machine learning Interview

🌟 Подборка полезных ноутбуков для подготовки к собеседованию ML

Здесь показаны реализации ключевых алгоритмов Machine Learning: от базовых k-means и SVM до более сложных

▶️ Notebooks

@machinelearning_interview

⚡️ Тинькофф разбор заданий на стажировку!

▪Видео
▪Задачи

@machinelearning_interview

🌟 Большой список 140+ ресурсов для погружения в ML и AI

Здесь собраны списки на гайды, туториалы, статьи Arxiv, эти ресурсы покрывают практически всю область ML, вот некоторые из рассматриваемых тем:
— Трансформеры
— Архитектура популярных моделей: GPT-3, LLaMA, Mamba и т.д.
— Обучение с подкреплением
— Масштабирование AI
— Использование бенчмарков
— Работа трансформеров с контекстом

▶️ GitHub

@machinelearning_interview

📌Основные понятия Machine Learning

Держите полезный материал, поможет вспомнить/закрепить важные темы.
Здесь рассматривается множество центральных понятий ML, в том числе:
• Модели машинного обучения
• Свёрточные ИНС
• Обзор основных архитектур ИНС
• Предобработка данных: аугментация данных, отбор, извлечение признаков
• Процесс обучения, оценка качества

▶️ Сайт
📎 PDF

@machinelearning_interview

⭐️ Data Science разбор реальной задачи с собеседования. Прогнозирование оттока клиентов.

▪Смотреть
▪Данные
▪Ноутбук

@machinelearning_interview

⚡️ Список тестовых заданий для прокачки

Тестовые задания для самостоятельного выполнения от разных it компаний.

• GIthub

@machinelearning_interview

500+ список проектов AI с кодами

500 крутых проектов AI, Машинное обучение,Глубокое обучение Компьютерное зрение, NLP, Data Science.

Все проекты с кодом !!!

Полезный ресурс, если вы ищете вдохновение для своего следующего проекта, опирающегося на машину.

🖥 Github

@machinelearning_interview

📌Как решить задачу классификации в PySpark

PySpark позволяет работать не только с Big data, но и создавать модели Machine Learning.
Давайте рассмотрим, как обучить модель Machine Learning для решения задачи классификации.
Обсудим подготовку данных, применение логистической регрессии, а также использование метрик в PySpark.

🔜 Поехали

@machinelearning_interview

⭐️ Материалы для подготовки к интервью по направлению data science:

- тестовые задания
- задачи по математике, теории вероятностей и линейной алгебре
- задачи на логику
- примеры live coding с собеседований на Python
- разбор задач собеседований и их аналогов на LeetCode

Для тех, кто готовится к собесу в области data science, этот всеобъемлющий набор материалов, чтобы помочь вам успешно пройти интервью.

• Разбор алгоритмических задач
• Разбор leetcode задач с собеседований
• Примеры заданий по live coding c решениями с собеседований
• В этой папке вы найдете серию Jupyter Notebook, охватывающих широкий спектр задач, в области математики.
• Задачи по статистике
• Тестовые задания ds

@machinelearning_interview

📌Вопросы для собеседования на позицию ML-инженера

Неплохой список вопросов, вот некоторые из них:
🟡Расскажи о типах задач в машинном обучении.
🟡Остатки регрессии должны быть гомоскедастичными или гетероскедастичными?
🟡Что такое регуляризация модели линейной регрессии?

Также тут встречаются вопросы по SQL, потому что 100% ML-инженеру, работающему с большим объёмом данных, это понадобится

📎 Вопросы и ответы

@machinelearning_interview

💡 YandexART обновился до версии 1.3

В статье на Хабре старший разработчик в команде компьютерного зрения рассказывает о переходе на новую технологию латентной диффузии и увеличении датасета в 2,5 раза, а также объясняет, зачем в новой версии используются два текстовых энкодера. Интересно, что по результатам SBS-замеров асессорами Яндекса, нейросеть YandexART 1.3 выигрывает не только у модели-предшественницы, но и в 57 процентах случаев в сравнении с Midjourney V5.2.

📎 Статья

@machinelearning_interview