SberMarket тестовое задание: Predict the user's next order
Overview
Сервисы доставки еды уже давно перестали быть просто курьерами, которые привозят заказ. Индустрия e-grocery стремительно идет к аккумулированию и использованию больших данных, чтобы знать о своих пользователях больше и предоставлять более качественные и персонализированные услуги. Одним из шагов к такой персонализации может быть разработка модели, которая понимает привычки и нужды пользователя, и, к примеру, может угадать, что и когда пользователь захочет заказать в следующий раз.
Такая модель, будучи разработанной, может принести значительную ценность для клиента - сэкономить время при сборке корзины, помочь ничего не забыть в заказе, убрать необходимость планировать закупки и следить за заканчивающимися запасами продуктов.
В данном соревновании участникам предлагается решить задачу предсказания следующего заказа пользователя (безотносительно конкретного момента времени, когда этот заказ произойдет). Заказ пользователя состоит из списка уникальных категорий товаров, вне зависимости от того, сколько продуктов каждой категории он взял.
Data Description
В качестве тренировочных данных представляется датасет с историей заказов 20000 пользователей вплоть до даты отсечки, которая разделяет тренировочные и тестовые данные по времени.
train.csv:
▪user_id - уникальный id пользователя
▪order_completed_at - дата заказа
▪cart - список уникальных категорий (category_id), из которых состоял заказ
В качестве прогноза необходимо для каждой пары пользователь-категория из примера сабмита вернуть 1, если категория будет присутствовать в следующем заказе пользователя, или 0 в ином случае. Список категорий для каждого пользователя примере сабмита - это все категории, которые он когда-либо заказывал.
sample_submission.csv:
Пример сабмита. В тест входят не все пользователи из тренировочных данных, так как некоторые из них так ничего и не заказали после даты отсечки. submission.csv
▪id - идентификатор строки - состоит из user_id и category_id, разделенных точкой с запятой: f'{user_id};{category_id}'. Из-за особенностей проверяющей системы Kaggle InClass, использовать колонки user_id, category_id в качестве индекса отдельно невозможно
▪target - 1 или 0 - будет ли данная категория присутствовать в следующем заказе пользователя
@machinelearning_interview
Overview
Сервисы доставки еды уже давно перестали быть просто курьерами, которые привозят заказ. Индустрия e-grocery стремительно идет к аккумулированию и использованию больших данных, чтобы знать о своих пользователях больше и предоставлять более качественные и персонализированные услуги. Одним из шагов к такой персонализации может быть разработка модели, которая понимает привычки и нужды пользователя, и, к примеру, может угадать, что и когда пользователь захочет заказать в следующий раз.
Такая модель, будучи разработанной, может принести значительную ценность для клиента - сэкономить время при сборке корзины, помочь ничего не забыть в заказе, убрать необходимость планировать закупки и следить за заканчивающимися запасами продуктов.
В данном соревновании участникам предлагается решить задачу предсказания следующего заказа пользователя (безотносительно конкретного момента времени, когда этот заказ произойдет). Заказ пользователя состоит из списка уникальных категорий товаров, вне зависимости от того, сколько продуктов каждой категории он взял.
Data Description
В качестве тренировочных данных представляется датасет с историей заказов 20000 пользователей вплоть до даты отсечки, которая разделяет тренировочные и тестовые данные по времени.
train.csv:
▪user_id - уникальный id пользователя
▪order_completed_at - дата заказа
▪cart - список уникальных категорий (category_id), из которых состоял заказ
В качестве прогноза необходимо для каждой пары пользователь-категория из примера сабмита вернуть 1, если категория будет присутствовать в следующем заказе пользователя, или 0 в ином случае. Список категорий для каждого пользователя примере сабмита - это все категории, которые он когда-либо заказывал.
sample_submission.csv:
Пример сабмита. В тест входят не все пользователи из тренировочных данных, так как некоторые из них так ничего и не заказали после даты отсечки. submission.csv
▪id - идентификатор строки - состоит из user_id и category_id, разделенных точкой с запятой: f'{user_id};{category_id}'. Из-за особенностей проверяющей системы Kaggle InClass, использовать колонки user_id, category_id в качестве индекса отдельно невозможно
▪target - 1 или 0 - будет ли данная категория присутствовать в следующем заказе пользователя
@machinelearning_interview
MLOps в облаке: как работать над ML-экспериментами с помощью MLflow
Александр Волынский (Product Manager ML Platform в VK Cloud) и Сергей Артюхин (преподаватель программы «Симулятор ML» в Karpov Courses) написали статью, где показали последовательность действий по выстраиванию MLOps-подхода, который в последнее время заметно меняет подходы к работе ML-специалистов.
Что в статье?
▪️ Инструменты для решения задач MLOps: JupyterHub и MLflow.
▪️ Запуск трекинга MLflow.
▪️ Как настроить MLflow, чтобы обращаться к нему через API.
@machinelearning_interview
Александр Волынский (Product Manager ML Platform в VK Cloud) и Сергей Артюхин (преподаватель программы «Симулятор ML» в Karpov Courses) написали статью, где показали последовательность действий по выстраиванию MLOps-подхода, который в последнее время заметно меняет подходы к работе ML-специалистов.
Что в статье?
▪️ Инструменты для решения задач MLOps: JupyterHub и MLflow.
▪️ Запуск трекинга MLflow.
▪️ Как настроить MLflow, чтобы обращаться к нему через API.
@machinelearning_interview
🎲 Задачи по теореме Байеса
Рост экономики. Компания ожидает, что вероятность подъема экономики — 5 %, а вероятность роста выручки компании вследствие подъема экономики — 90 %. Если экономика не поднимется, то выручка компании вырастет с вероятностью 40 %.
Каковая вероятность того, что экономика поднялась, если выручка компании выросла?
Решение
Пусть
Если выручка компании выросла, то вероятность того, что экономика поднялась, равна 10,6 %.
@machinelearning_interview
Рост экономики. Компания ожидает, что вероятность подъема экономики — 5 %, а вероятность роста выручки компании вследствие подъема экономики — 90 %. Если экономика не поднимется, то выручка компании вырастет с вероятностью 40 %.
Каковая вероятность того, что экономика поднялась, если выручка компании выросла?
Решение
Пусть
ПЭ — подъем экономики, РВ — рост выручки. Находим:• Р(ПЭ | РВ) =Р(РВ | ПЭ) -Р(ПЭ) / Р(РВ);
• Р(ПЭ) = 0,05;
• Р(РВ | ПЭ) = 0,90;
• Р(РВ) = 0,05 • 0,90 + 0,95 • 0,40 = 0,425;
• Р(ПЭ | РВ) = (0,90 • 0,05) / 0,425 = 0,106.Если выручка компании выросла, то вероятность того, что экономика поднялась, равна 10,6 %.
@machinelearning_interview
1) Напишите алгоритм для определения несколько наиболее часто встречающихся чисел в массиве.
2) Есть два отсортированных вектора, как их объединить в один, отсортированный относительно друг друга?
3) Как реализована функция pow?
4) Какую функцию вы бы добавили в LinkedIn?
5) Как создать механизм рекомендаций соискателей?
6) Напишите программу для объединения длинной строки в группу существующих слов по какому-нибудь словарю. Если строка не сегментируется, программа должна выдать «False». Объясните, в чём сложность работы данной программы.
7) Объясните, как понять, что пользователь ищет работу, используя алгоритмы. (Учитывая, что некоторые просто интересуются)
8) На основе чего работает функция знакомых людей в системе?
9) Как вы найдёте второй по величине элемент в двоичном дереве поиска?
Пишите свои ответы в комментариях👇
@machinelearning_interview
Please open Telegram to view this post
VIEW IN TELEGRAM
Вам дан набор чисел в виде списка Python. Необходимо найти медиану этого числового ряда.
Задание
Напишите функцию FindMedian, которая будет возвращать одно число - медианное значение.
Функция FindMedian принимает на вход arr - исходный список с числами.
Пример:
arr = [1, 5, 2, 3, 6]
Ответ: 3
Пример:
arr = [100, 5, 2, 4, 3, 6]
Ответ: 4.5
Дополнительная информация
Обратите внимание, что шаблон решения представлен в виде (на примере языка Python):
class Answer:
def function(self, arg1, arg2):
# напишите свой код ниже
return res
Здесь function - функция, которую вам нужно написать (от задачи к задаче ее имя меняется), а arg1, arg2 - аргументы этой функции.Чтобы решить задачу, напишите свой код между комментарием и выражением return ....
print(Answer().function(arg1, arg2))Если вам нужно импортировать какой-то модуль, указывайте модуль до class Answer. Например:
import mymodule
class Answer:
...
Полный пример:# импортируем модуль
import collections
class Answer:
def problemSolve(self, n, m):
# напишите свой код ниже
...
return res
# промежуточно смотрим результат
print(Answer().problemSolve(n=2, m=3))Пишите свое решение в комментариях👇
@machinelearning_interview
Please open Telegram to view this post
VIEW IN TELEGRAM
❓Как развернуть технологии машинного перевода на своём проекте?
Ответ на этот вопрос вы найдёте в новой статье Андрея Соколова из команды прикладных исследований ВКонтакте. Там он подробно рассказал о процессе разработки переводчика для постов и сообщений в мессенджере. Материал написан максимально понятным языком и его смело можно использовать как гайд для развёртывания технологии в своих проектах.
Обещаем: после прочтения вы поймёте, что сделать собственный переводчик – реально. Это не требует гигантских трудозатрат, а качество на выходе может получиться намного лучше, чем у готовых сторонних продуктов.
@machinelearning_interview
Ответ на этот вопрос вы найдёте в новой статье Андрея Соколова из команды прикладных исследований ВКонтакте. Там он подробно рассказал о процессе разработки переводчика для постов и сообщений в мессенджере. Материал написан максимально понятным языком и его смело можно использовать как гайд для развёртывания технологии в своих проектах.
Обещаем: после прочтения вы поймёте, что сделать собственный переводчик – реально. Это не требует гигантских трудозатрат, а качество на выходе может получиться намного лучше, чем у готовых сторонних продуктов.
@machinelearning_interview
Задание «Обменные курсы»
У игроков Кореи существует возможность покупать внутри-игровую валюту (gold) с помощью веб-интерфейса (премиум-магазина). При этом в магазине представлено лишь 6 типов пакетов с внутри-игровой валютой, различающихся по количеству gold. Типы пакетов
(packages) и их реальная стоимость (в корейских вонах) для игроков представлена в таблице нижеPackage Price, KRW
1250 gold 7485 KRW
2900 gold 17365 KRW
7000 gold 36270 KRW
12000 gold 60000 KRW
21500 gold 98625 KRW
30000 gold 132745 KRWСо временем было принято решения о расширении функционала премиум-магазина: было решено добавить возможность покупки пакета с любым количеством gold. При этом было построено правило перевода gold в реальные деньги (корейские воны), которое описано в таблице ниже
Gold Amount Exchange Rate
Amount ≤ 2900 gold 0,167 gold per 1 KRW
2900 gold < Amount ≤ 7000 gold 0,193 gold per 1 KRW
7000 gold < Amount ≤ 12000 gold 0,2 gold per 1 KRW
12000 gold < Amount ≤ 21500 gold 0,218 gold per 1 KRW
Amount > 21500 gold 0,226 gold per 1 KRWТо есть, пакеты с количеством внутри-игровой валюты, не превышающие 2900 gold, оцениваются согласно соотношению 0,167 gold за 1 корейский вон.
Затем было принято решение о введении возможности пополнения аккаунта игрока реальными деньгами, при котором сумма пополнения в корейских вонах переводилась бы в эквивалентную сумму в gold, согласно описанному выше правилу.
Необходимо формализовать и придумать непрерывную функцию, которая записывалась бы в виде формулы (без if, поскольку технические средства не умеют выполнять данную операцию, где предполагалось использовать полученное решение), описанное выше правило таким образом, чтобы после двух нововведений сохранилась описанная выше ценовая политика, но при этом была возможность как покупать любое количество gold, так и пополнять аккаунт любым количеством денег (корейских вон).
Решение
@machinelearning_interview
Please open Telegram to view this post
VIEW IN TELEGRAM
13 Инструкций SQL для решения 90% ваших задач по обработке данных
Независимо от того, являетесь ли вы новичком в SQL или имеете некоторый опыт работы с ним, эта статья предоставит вам ценную информацию для подготовки к интервью и практические советы по работе с данными .
▪ Статья
@machinelearning_interview
Независимо от того, являетесь ли вы новичком в SQL или имеете некоторый опыт работы с ним, эта статья предоставит вам ценную информацию для подготовки к интервью и практические советы по работе с данными .
▪ Статья
@machinelearning_interview
📝 Physician Partners Test Task
In this exercise we are providing you an example of financial data (all numbers are fictional). Deadline is 10 days after you received this test.
Task 1
• You need to create an algorithm that can find outliers in this data by one column / several columns. E.g. some members have extremely high costs in the current month and your solution should be able to detect such records
• Think about features and how you would explain it to business people
• All financial columns contain $ sign
Please provide a Jupyter notebook describing your approach as a result of this task.
Task 2
Create a web dashboard prototype in Python that allows users to:
Create slicers and dicers
- Filters by date range / ...
- Show data both in table and plotted formats
- Use paid_amount column for analysis and other columns for filters
Don’t worry about UI and design, just provide very simple functionality
You are free to use Flask / FastAPI / plotly / bokeh / etc.
Normalize text values in columns. Please, provide your approach to do it in the automatic way as Jupyter notebook. Think about it as you need to update this dashboard monthly and do not have time to normalize values manually
Columns:
•member_unique_id - member's ID
•gender - member's gender
•dob - member's date of birth
•eligible_year - year
•eligible_month - month
•affiliation_type - doctor's type
•pbp_group - health plan group
•plan_name - health plan name
•npi - doctor's ID
•line_of_business - health plan type
•esrd - True if patient is on dialysis
•hospice - True if patient is in hospice
Please provide this task as a python project. You can send it as a zip archive / Git repository / Docker
🔎 Data
@machinelearning_interview
In this exercise we are providing you an example of financial data (all numbers are fictional). Deadline is 10 days after you received this test.
Task 1
• You need to create an algorithm that can find outliers in this data by one column / several columns. E.g. some members have extremely high costs in the current month and your solution should be able to detect such records
• Think about features and how you would explain it to business people
• All financial columns contain $ sign
Please provide a Jupyter notebook describing your approach as a result of this task.
Task 2
Create a web dashboard prototype in Python that allows users to:
Create slicers and dicers
- Filters by date range / ...
- Show data both in table and plotted formats
- Use paid_amount column for analysis and other columns for filters
Don’t worry about UI and design, just provide very simple functionality
You are free to use Flask / FastAPI / plotly / bokeh / etc.
Normalize text values in columns. Please, provide your approach to do it in the automatic way as Jupyter notebook. Think about it as you need to update this dashboard monthly and do not have time to normalize values manually
Columns:
•member_unique_id - member's ID
•gender - member's gender
•dob - member's date of birth
•eligible_year - year
•eligible_month - month
•affiliation_type - doctor's type
•pbp_group - health plan group
•plan_name - health plan name
•npi - doctor's ID
•line_of_business - health plan type
•esrd - True if patient is on dialysis
•hospice - True if patient is in hospice
Please provide this task as a python project. You can send it as a zip archive / Git repository / Docker
🔎 Data
@machinelearning_interview
📌 Тестовое задание
Purchases Data Analysis Ланит
Нужно сделать EDA, найти инсайты в данных, потом построить рекоммендательную систему.
Tools in this repository are designed to allow a user to make purchases data analysis, including ABC analysis for inventory categorisation, RFM analysis for customer segmentation. Moreover, underlying relations between different items are identified with the help of association rule mining algorithm. Product recommendations are implemented based on the past purchases using different data science methods, including collaborative filtering.
Датасет
Тестовый датасет
Решение
@machinelearning_interview
Purchases Data Analysis Ланит
Нужно сделать EDA, найти инсайты в данных, потом построить рекоммендательную систему.
Tools in this repository are designed to allow a user to make purchases data analysis, including ABC analysis for inventory categorisation, RFM analysis for customer segmentation. Moreover, underlying relations between different items are identified with the help of association rule mining algorithm. Product recommendations are implemented based on the past purchases using different data science methods, including collaborative filtering.
Датасет
Тестовый датасет
Решение
@machinelearning_interview
10 первых ошибок в карьере ML-инженера
Специалист по машинному обучению (ML-engineer) — это программист, который занимается исследованием, созданием и проектированием систем ИИ. Начинающий
ML-инженер должен неплохо разбираться в математике и алгоритмах.
В этой статье собраны реальные примеры ошибок, которые чаще всего допускают программисты:
https://habr.com/ru/post/718942/
#it #ml #профессии
@machinelearning_interview
Специалист по машинному обучению (ML-engineer) — это программист, который занимается исследованием, созданием и проектированием систем ИИ. Начинающий
ML-инженер должен неплохо разбираться в математике и алгоритмах.
В этой статье собраны реальные примеры ошибок, которые чаще всего допускают программисты:
https://habr.com/ru/post/718942/
#it #ml #профессии
@machinelearning_interview
Forwarded from Анализ данных (Data analysis)
Собеседования в сфере дата-сайенс могут проходить по-разному в зависимости от компании и той должности, которую вы планируете занять. Как правило, все начинается с поведенческого интервью с менеджером по найму или сотрудником отдела кадров, за которым следует техническое собеседование с руководителем группы. Затем проводятся тест на написание кода и еще одно техническое собеседование с членами будущей команды.
В разных организациях этот процесс может варьироваться, но первым этапом при найме специалистов в сфере дата-сайенс остается поведенческое интервью.
Поведенческое интервью — это собеседование при приеме на работу, во время которого кандидата просят рассказать о достижениях на прежнем месте и его поведении в конкретных ситуациях. Это помогает определить, справится ли он с той или иной должностью. Во время такой беседы рекрутер, как правило, преследует следующие цели.
Узнать, к какому типу людей относится соискатель.
Понять, соответствует ли он требованиям культуры компании, сможет ли принять ее основные ценности.
Выяснить, сработается ли он с другими членами команды, будет ли разделять их видение и цели.
Первым делом на поведенческом собеседовании по дата-сайенс задаются личные вопросы. Скорее всего, в начале беседы вас попросят представиться и рассказать больше о себе.
Итак, у вас появляется прекрасная возможность заявить о себе как о перспективном кандидате. Поэтому важно заранее подготовить ответы на эти вопросы.
До собеседования узнайте больше о компании и должности, которую собираетесь занять. Вам также понадобится набросать план ответов. В этой статье мы обсудим, как правильно структурировать самопрезентацию, чтобы максимально конструктивно построить беседу с интервьюером.
1. Расскажите о своем бэкграунде
Для начала расскажите о своем профессиональном опыте и полученном образовании.
Начните с опыта. Опишите свой карьерный путь до этого момента, расскажите, чему научились, и не забудьте упомянуть самые важные результаты своей деятельности.
Также вы можете рассказать о полученном образовании, если оно имеет отношение к должности, на которую вы претендуете. Важно сосредоточиться только на опыте, который связан с той вакансией, на которую вы проходите собеседование.
К сожалению, многие кандидаты останавливаются на этом шаге и не переходят к следующему, в результате чего теряют возможность заявить о готовности принять ценности, видение и миссию компании. Тем не менее это важный этап собеседования — так вы можете показать, что действительно готовы стать ценным сотрудником. Посмотрим, как это сделать.
2. Выразите готовность принять ценности компании
Теперь настало время показать, что вы готовы стать частью команды.
Расскажите о том, что цените в работе и рабочем окружении, и свяжите эту информацию с ценностями и миссией компании. Помимо этого, можно объяснить, почему вам нравится работать в сфере науки о данных, объединив это с подходом компании к данным и тем, что ее представители в них ценят.
Допустим, вы собираетесь устроиться компанию, которая использует данные для принятия важных решений. В таком случае стоит сказать, что вам нравится работать с данными из-за их влияния на бизнес (важный момент, который следует подчеркнуть). Но для этого нужно предварительно узнать больше информации о компании и продумать ответ перед собеседованием.
3. Убедите работодателя, что подходите на эту вакансию
На последнем этапе интервью нужно доказать, что вы достойны занять должность, на которую претендуете. Расскажите о своих профессиональных компетенциях, а также о том, как они помогут вам выполнять должностные обязанности и почему вы заинтересованы в том, чтобы занять именно эту вакансию.
Это важный момент: вам нужно показать, что вы справитесь с будущими обязанностями, а не просто упомянуть свой опыт и ждать положительного ответа. Также стоит рассказать о том, каких результатов, по вашему мнению, вы сможете достичь на этой должности и чего вы от нее ожидаете.
@data_analysis_ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Вопросы и ответы к интервью для Python Developer
В этом репозитории собраны популярные вопросы по Python и смежным темам: Data Science, Machine Learning, Django, ООП, принципы программирования.
Также в проекте есть вопросы по основам HTML, фронтенд и БД, которые позволят вам повторить важные моменты, на которых зачастую останавливаются интервьюеры:
https://github.com/yakimka/python_interview_questions
#python
@machinelearning_interview
В этом репозитории собраны популярные вопросы по Python и смежным темам: Data Science, Machine Learning, Django, ООП, принципы программирования.
Также в проекте есть вопросы по основам HTML, фронтенд и БД, которые позволят вам повторить важные моменты, на которых зачастую останавливаются интервьюеры:
https://github.com/yakimka/python_interview_questions
#python
@machinelearning_interview
Рекомендации Гарварда по составлению резюме и сопроводительных писем
В международные компании часто нужно писать сопроводительные письма. Также существуют требования для составления хорошего резюме.
В этом гайде собраны общие советы, которые показывают мотивацию кандидатов для работы, а также примеры писем и резюме:
https://hwpi.harvard.edu/files/ocs/files/hes-resume-cover-letter-guide.pdf
#советы
В международные компании часто нужно писать сопроводительные письма. Также существуют требования для составления хорошего резюме.
В этом гайде собраны общие советы, которые показывают мотивацию кандидатов для работы, а также примеры писем и резюме:
https://hwpi.harvard.edu/files/ocs/files/hes-resume-cover-letter-guide.pdf
#советы
job.pdf
1 MB
Если вы ищете удаленную работу, неполный рабочий день или фриланс, этот список для вас.
В нем собран огромный список работодателей по всему миру, которые работают удаленно и часто набирают сотрудников.
Не забудьте подтянуть английский.
@machinelearning_interview
В нем собран огромный список работодателей по всему миру, которые работают удаленно и часто набирают сотрудников.
Не забудьте подтянуть английский.
@machinelearning_interview
Как_составить_резюме_для_поиска_работы_в_Европе_.pdf
714.5 KB
Краткое пособие: как составить качественное резюме для поиска работы в иностранных компаниях.
Один из лучших обучающих материалов, что доводилось читать — написано с юмором, легко, а главное, реально полезно.
@machinelearning_interview
Один из лучших обучающих материалов, что доводилось читать — написано с юмором, легко, а главное, реально полезно.
@machinelearning_interview
Автор этого резюме утверждает, что оно понравилось гигантам вроде Microsoft, Google, Amazon. Добрые люди решили детально разобрать его и выделить ключевые моменты:
Розовым — глаголы действия, с них начинается каждый bullet point;
Желтым — hard skills по вашей специальности;
Оранжевый — показатель понимания бизнеса и реального опыта в (игровой) индустрии;
Зеленый — рабочие достижения, самая ценная часть резюме;
Голубой —сертификаты «Кенгуру» impact и всякие личные награды и достижения;
Фиолетовый — ссылки на портфолио.
Теперь вы знаете, как грамотно составить резюме.
Розовым — глаголы действия, с них начинается каждый bullet point;
Желтым — hard skills по вашей специальности;
Оранжевый — показатель понимания бизнеса и реального опыта в (игровой) индустрии;
Зеленый — рабочие достижения, самая ценная часть резюме;
Голубой —
Фиолетовый — ссылки на портфолио.
Теперь вы знаете, как грамотно составить резюме.
1627312040888.pdf
166.5 KB
100 самых частых вопросов на собеседованиях по Машинному обучению.
На каждый из вопросов дается развернутый ответ — все, чтобы вы смогли подготовиться и получить желаемую должность.
@machinelearning_interview
На каждый из вопросов дается развернутый ответ — все, чтобы вы смогли подготовиться и получить желаемую должность.
@machinelearning_interview
Как только вы договоритесь о собеседовании с потенциальным работодателем, у вас появится возможность изучить эту конкретную организацию и использование в ней искусственного интеллекта.
Это поможет вам подготовиться к конкретным вопросам собеседования по искусственному интеллекту, относящимся к данному работодателю. До тех пор вы можете подготовиться к общим вопросам собеседования по искусственному интеллекту, зная, как показать свои широкие знания и применении искусственного интеллекта. Приведенная ниже статья из вопросов и ответов поможет в этом.
https://www.simplilearn.com/artificial-intelligence-ai-interview-questions-and-answers-article
@machinelearning_interview
Please open Telegram to view this post
VIEW IN TELEGRAM