Слив вопросов с ML-собесов в Т-Банке и Яндексе

Продолжаем грабить бигтехи, чтобы вы реально почувствовали насколько круты наши курсы. Делимся гайдом, который собрали по горячим следам наших выпускников и студентов курсов МЛ старт и МЛ про— тех, кто эти собесы и проходил, и проводил. 112 вопросов, которые реально задают на секциях ML-инженера (стажёр, джун, мидл) в двух бигтехах. По каждому разбор ответа и уточняющие вопросы, которые интервьюер задаст следом. Ещё больше закрытых материалов на наших курсах. Кстати разбор контеста и закрытые материалы на стажировку в Яндекс, Яндекс Intern Offer уже выложены.
➡ Записаться

Разберёмся по блокам, что спрашивают и на чём заваливают.

Алгоритмы. Яндекс даёт две задачи из ограниченного пула — не надо решать все 3600 задач на литкоде, пул практически полностью совпадает с нашим списком. Т-Банк даёт несколько задач попроще, но на скорость (3 задачи на час, можно пользоваться отладчиком). Типичное: two sum, скобочная последовательность, слияние интервалов, бинарный поиск по ответу, число островов.

Классический ML. Т-Банк прямо перечисляет темы в описании: линрег, логрег, SVM, kNN, RF, бустинг, PCA. Яндекс формулирует мягче, но спрашивает то же самое. Вот где валятся чаще всего: «почему L1 зануляет веса, а L2 нет» (нужно про ромб), «чем CatBoost отличается от XGBoost» (ordered boosting, target encoding без утечки — CatBoost делал Яндекс, знать обязательно), «что такое утечка данных — приведите три примера». Без хотя бы базового понимания будет тяжеловато здесь, советую побольше времени заложить здесь на подготовку.

Метрики. Яндекс проверяет отдельным блоком. Классика: «почему accuracy — плохая метрика», «чем log loss отличается от AUC» (AUC — про порядок, log loss — ещё и про калибровку), «как выбрать порог классификации при дисбалансе 1% фрода». Если идёте в поиск или рекомендации — спросят NDCG и MRR.

Deep Learning. На секции ML+Algo в Яндексе дают выбрать тему для углубления: логрег, деревья или нейросети. Берите нейросети — там всё предсказуемо: backprop, dropout, BatchNorm, Adam, подсчёт параметров свёрточного слоя. На логреге завалят выводом формул через MLE, на бустингах — внутренним устройством. Если идёте в CV — будьте готовы объяснить, зачем skip-connections в ResNet и чем one-stage детекция отличается от two-stage. В NLP — self-attention, BERT vs GPT, как устроен RAG и где он ломается.

Еще больше материалов в наших открытых банках собесов.
— Аналитика
— ML & DS
— Бэкенд
— Фронтенд
— Алгоритмы
Обсудить задачи можно в нашей боталке.

Подписаться: @postypashki_old