Телеграм

Задачи DS - Собеседования, Соревнования, ШАД

@zadachi_ds Программирование и разработка
РКН: проверяем Не иноагент
Чат: @zadachi_ds_chat
По всем вопросам: @vice22821

Статистика обновлена 16.11.2026 в 10:18 · 3 просмотра страницы · Хотите больше просмотров?

Подписчики8 443 +24 за 3 дня
Охват поста2 864 34% от подписчиков
ERR за месяц33,92%
ERR за 24 часа23,46%

Динамика за 30 дней

Рекламные публикации

Рекламных публикаций не найденоЗа последнее время мы не нашли на площадке ни одного рекламного поста.

Последние публикации

Все посты канала →
Открыть пост ↗
«Буду искать работу после Нового года»

Знакомая фраза? Сейчас осенний найм уже заканчивается, на носу сессия или завал на работе. Кажется разумным немного выдохнуть: за праздники что-нибудь повторю, а когда компании снова начнут активно нанимать, выйду на рынок подготовленным 👍

Давай посмотрим, что происходит в 80% случаях уже на деле ⬇️

⏩Сейчас середина ноября. Ты сохраняешь интересные вакансии, но откликаться пока рано: «Надо сначала подтянуть знания». В декабре уже не до этого — задачи, зачёты, итоги года, подарки. Потом праздники забирают половину января.

⏩В конце января ты наконец садишься за резюме. Оказывается, непонятно, какие проекты в него добавить и под какие вакансии его писать. В феврале отправляешь первые отклики. На одни не отвечают, после других зовут на собес, где спрашивают то, что ты собирался повторить «как-нибудь до весны».

⏩И вот уже март. Найм оживляется, но ты только сейчас выяснил, что мешает тебе получить оффер. А рядом кандидаты, которые начали откликаться раньше, успели получить отказы, разобрать ошибки и прийти на следующую попытку сильнее.

Звучит тревожно, но тебе сейчас не надо рыпаться с места и рассылать 100 откликов. На твоём месте мы бы сделали так:

⬇️1. Открыли 10–15 вакансий, которые правда нравятся, и посмотрели, что в них повторяется. Так станет понятно, к чему готовиться, а что можно не ботать.
⬇️2. Обновили резюме и отправили первые отклики. Тишина? Значит, стоит проверить резюме и способ поиска. Зовут, но отказывают после интервью? Уже понятно, какую секцию разбирать.
⬇️3. Закрыли конкретный пробел.
Можно повторять темы самостоятельно, решать задачи, смотреть лекции и просить знакомых провести пробный собес. А можно прийти на курсы Поступашек: разобрать нужные харды, сделать проект, потренироваться на вопросах из реальных собеседований и получить обратную связь.
⬇️4. Продолжали искать во время подготовки. Весны можно и не дождаться: подходящая вакансия может появиться раньше.

А если ты уже работаешь, собери результаты года и обсуди с руководителем следующую роль или зарплату.

Начать сейчас — значит встретить следующий сезон найма весной уже с резюме, проектом и опытом собеседований. А возможно, и получить приглашение раньше.

Так что начинай сейчас с нами, до конца распродажи осталось 4 часа. Можешь приобрести любой курс по своему направлению по выгодной цене. Тем более мы гарантируем выход на оффер от 150 тысяч в течение года после освоения курсов или вернем деньги.

⭐️Записаться у менеджера⭐️
👁 1 тыс. ↻ 9 вчера в 18:20
Открыть пост ↗
ML Breadth: технический собес для пиндосов

В другом посте о research стажировках в MANGA+ обещал рассказать про эту зверюгу ML Breadth. Это самый популярный этап, который встречается абсолютно везде: от небольших стартапов до гигантов вроде MANGA. Причем неважно, метите вы на позицию стажера или стаффа. Простыми словами это просто технический собес типо названным умным словом.

Чаще всего эту секцию ставят на ранних этапах или на скрининге, когда воронка кандидатов огромна и нужно быстро отсеять тех, у кого хромает фундаментальная база. Его очень недолюбливают практики, которые скажем мягко "присытелись образованием" и сетуют в интернете на то, что такие вопросы далеки от реальных рабочих задач, ведь темы охватывают широкий спектр от университетского матана до современных архитектур. Ниже разберем, из чего состоит эта секция и как она меняется в зависимости от вашей роли.

О чем вообще спрашивают
Спектр вопросов можно условно разбить на несколько больших блоков:

1. Математическая база. 
Сюда входит линал и матан (нормы, скалярные произведения, критерии дифференцируемости), численные методы (оптимизация, градиентный спуск и его вариации) и теория вероятностей. Причем тервер могут спросить как на уровне базовых определений, так и в формате задачи на листочке (например, расчет вероятности отказа системы или экспоненциальное распределение).
2. Статистика. 
Либо проверка гипотез, либо вопросы про проектирование A/B-тестов под конкретную фичу.
3. ML и DL теория. 
Классика вроде bias-variance trade-off и регуляризации. Отдельно стоит выделить теорию глубокого обучения: почему работает backprop, зачем нужна нормализация, что такое vanishing/exploding gradients. Кстати, по опыту, вопросы про устройство обратного распространения ошибки или смысл операции свертки очень часто ставят кандидатов в ступор.
4. Методы и алгоритмы. 
Вам нужно не просто знать, как работает логистическая регрессия, Random Forest, бустинг или DBSCAN, но и быть готовым обсудить их математический аппарат. В контексте DL сейчас чаще всего спрашивают про устройство трансформеров.
5. Метрики и лоссы. 
В отечественных компаниях обожают спрашивать метрики ранжирования и смысл ROC AUC. На западе чаще интересуются оценкой классификации/регрессии. Будьте готовы объяснить log-loss, KL-дивергенцию или ELBO.
6. Мини ML Design. 
Дают прикладную задачу и просят описать концептуальный пайплайн решения, но детально углубляться во все шаги не нужно, только в один конкретный. Научиться щелкать такие кейсы можно на нашем курсе ML System Design, где море практики, шесть качественных пет проектов, живые семинары, мок собесы и карьерное сопровождение. Сейчас идут последние 8 часов скидки в честь черной пятницы! Успей записаться по выгодной цене!
➡️ Записаться

Естественно, реальный набор тем будет зависеть от вашей специализации. LLM-инженера в AI Safety-стартапе будут спрашивать про трансформеры и RL, а для кредитного скоринга про бустинги и Gini.

В чем разница между грейдами и ролями
То, насколько глубоко вас будут копать, зависит от двух вещей: грейда и специфики команды.

По грейдам: Чем ниже позиция (стажер/джун), тем больше дрочево по теории. Интервьюер будет целенаправленно искать пробелы в базе и может спросить то, что сеньор уже подзабыл. Чем выше грейд, тем чаще спрашивают прикладные вещи. Например, нюансы обучения моделей в разных точностях (fp8 vs fp32). Но это не значит, что миддлам не задают фундаментальных вопросов. Просто плотность вопросов и детализация ответов будут другими. С джунами могут задержаться на одной теме дольше и уйти глубже.

По ролям: В продуктовых командах теорию копают реже, отдавая приоритет прикладным навыкам. Спрашивать про теоретическую сходимость градиентных методов будут вряд ли, а вот зачем нужен Layer Norm в трансформерах вполне. В исследовательских командах (Research) ситуация обратная: там вас ждет глубокий академический экзамен.

Форматы проведения
Иногда это отдельный раунд на 45–60 минут, где вас просто закидывают вопросами в ширину. Но часто Breadth комбинируют с другими секциями: ML Design + Breadth, ML Coding + Breadth, Behavioural + Breadth. В таком случае на теорию отводят минут 20, а остальное время пишут код.

Кейсы реальных компаний
• DeepMind. Настоящий канон академического подхода. Здесь спокойно могут устроить экзамен по вышке: попросить рассказать про выпуклые функции и их роль в ML, объяснить метод Ньютона и оптимизацию второго порядка, вывести ряд Тейлора, описать формулу Байеса или метод Гаусса для обращения матриц.
• AI-стартапы (Mistral AI, ElevenLabs). Здесь отошли от общего матана и фокусируются на домене. У Mistral есть отдельная секция LLM Quiz, где 45 минут пытают деталями обучения языковых моделей. ElevenLabs на позициях ресерч-инженеров спрашивает про аудиокодеки и иерархическое кодирование данных в авторегрессионных моделях.
• OpenAI. Любят гибридный формат: сначала просят подвести математическую базу, а потом написать код. Пример задачи: написать функцию weighted_random_choice (взвешенный случайный выбор), где придется применить знания из теории вероятностей.
• МANGA. Для продуктовых ML-инженеров секции Breadth может не быть вообще все проверят на ML System Design. А вот для исследовательских ролей (Applied Scientist в Amazon) формат будет близок к DeepMind.
• Финансовые организации (HFT-фонды, Jane Street, Goldman Sachs). Здесь ML Breadth часто превращается в заковыристые задачи на теорию вероятностей и комбинаторику.

Подписаться: @zadachi_ds
👁 1.3 тыс. 🔥 2❤ 1 ↻ 27 вчера в 13:57
Открыть пост ↗
Реально собеседование ML System Design

От тим лида WildBerries. Cмотрим! Смотрим! https://www.youtube.com/watch?v=UfTekz0bhiw

Именно такие мок собесы мы проводим на нашем курсе ML System Design. Это лишь малая часть того, чему мы учим. Если хотите научиться щелкать кейсы как орешки, вести диалог и защищать свои решения, то вам к нам. Сейчас действует хорошая скидка в честь черной пятницы!
➡️ Записаться
👁 1.4 тыс. ❤ 1🔥 1 ↻ 31 вчера в 10:07