При оценке бинарного классификатора была построена Матрица ошибок. Какая метрика рассчитывается как отношение истинно положительных срабатываний ко всем фактически положительным случаям?
Anonymous Quiz
44%
Precision
3%
F1-Score
43%
Recall
9%
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
13%
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
12%
Ошибка, которую модель выдает на полностью новых данных после деплоя
11%
Ошибка, возникающая из-за того, что деревья в лесу слишком глубокие
4%
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
18%
Бэггинг (Bagging)
28%
Градиентный бустинг (Boosting)
8%
Случайный подпространственный метод (Random Subspace)
46%
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
70%
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
13%
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)
15%
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)
16%
У модели будет очень высокое смещение (high bias), но очень низкая дисперсия (low variance)
❤1
Вы обучаете нейронную сеть и замечаете, что на графике Train Loss сначала стабильно падает, а затем начинает резко колебаться или даже расти. При этом точность перестает улучшаться.
Какое изменение, скорее всего, поможет стабилизировать процесс?
Какое изменение, скорее всего, поможет стабилизировать процесс?
Anonymous Quiz
79%
Уменьшить скорость обучения (Learning Rate)
2%
Увеличить количество эпох обучения
12%
Отключить все слои Dropout
7%
Убрать слои нормализации (например, Batch Normalization)
👍2
Российские генеративные модели Kandinsky 5.0 Video Lite и Pro в международной text-to-video арене
🔘 Pro версия является ТОП-1 опенсорсом в мире
🔘 Lite версия (2B параметров) лучше первой версии Sora
🔘 На данный момент Сбер уступает только топовым мировым бигтех компаниям: Google (Veo 3.1, Veo 3), OpenAI (Sora 2), Alibaba (Wan 2.5), KlingAI (Kling 2.5, 2.6); в паритете с Luma AI (Ray 3), MiniMax (Hailuo 2.3) — отрыв по ELO максимум 3 балла, при 95% доверительном интервале оценивания +-21 балла
🔘 Для российских генеративных моделей выход на международную арену — уникальное событие
🚀 Полезные ссылки:
🔘 Посмотреть весь лидерборд: lmarena
🔘 Почитать подробнее про Kandinsky 5.0: пост, техрепорт
🔘 Open Source Kandinsky 5.0: github и hf
🚀 Полезные ссылки:
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3❤1
При работе с RNN для обработки длинных последовательностей часто возникает проблема, из-за которой модель «забывает» информацию, полученную в самом начале последовательности.
Какое архитектурное решение было разработано для борьбы с этой проблемой?
Какое архитектурное решение было разработано для борьбы с этой проблемой?
Anonymous Quiz
2%
Перцептрон (Multilayer Perceptron)
90%
Долгая краткосрочная память (Long Short-Term Memory, LSTM)
7%
Сверточный слой (Convolutional Layer)
2%
Полносвязный слой (Dense Layer)
Задача — предсказать, совершит ли клиент покупку в интернет-магазине. В датасете вы обнаружили признак «ID транзакции чека». Вы включили его в модель, и она показала AUC-ROC = 0.999. Однако при проверке на новых данных модель не работает.
Что произошло?
Что произошло?
Anonymous Quiz
8%
Модель слишком простая для таких данных
3%
В данных могут быть пропуски
21%
Вы использовали неправильную метрику качества
69%
Произошла утечка
❤1