Топ вопросов Data Science собеседований: Classic ML | Часть 1

Секрет успешного трудоустройства — в дотошной подготовке к собеседованиям! Таймкоды: 00:00 Что вас ждет? 00:20 Приветствие 01:01 Какие основные задачи МЛ бывают? 02:11 Какие бывают признаки? 02:29 Что такое переобучение и как с ним бороться? 03:25 Что такое стандартизация? 04:00 В чем отличие параметра от гиперпараметра модели? 04:30 Что такое cross-validation? 05:50 Какие методы cross-validation бывают? 06:54 Что такое проклятие размерности? 07:43 Как сократить количество признаков в данных? 08:56 Какие схемы многоклассовой классификации существуют? 10:05 Что такое дисбаланс классов? 10:28 Как можно сбалансировать выборку данных? 11:14 Где взять конспект со всем разобранными вопросами? 11:31 Что такое линейная модель? 12:35 В чем отличие линейной регрессии и логистической регресии? 13:15 Что такое log-loss? 14:24 Какие есть плюсы и минусы линейных моделей? 14:59 Как можно интерпретировать линейные модели? 15:37 Что такое мультиколлинеарность? 16:17 Как можно заподозрить переобучение линейных моделей? 16:47 Что такое регуляризация? 18:07 Какая геометрическая интепретация у линейных моделей? 18:27 Как обучаются линейные модели (2 способа)? 20:04 Как максимально эффективно стать Data Scientist-ом? 20:46 Какие метрики регрессии ты знаешь? 21:37 Что такое относительные метрики? 22:12 Какие метрики классификации ты знаешь? 25:45 Какие есть метрики многоклассовой классификации? 26:25 Что такое ассиметричные метрики? Конспект с разобранными вопросами: https://t.me/rockaux
Разборы реальных собеседований: https://boosty.to/lokis_alexandr
Менторство "оффер под ключ": https://sites.google.com/view/lokisml...
личный тг: t.me/abletobetable