Каталог задач
90 задач из 1000. Страница 2 из 2. Авторские задачи для подготовки к собеседованиям аналитиков с разборами решений.
Темы
Уровень
Сложность
По мотивам интервью в
051
Сценарий ML: диагностика overfitting и underfitting
ML / Data ScienceOverfitting и регуляризацияЛёгкаяMiddle
052
Сценарий ML: L1, L2 и ElasticNet — когда какую
ML / Data ScienceOverfitting и регуляризацияСредняяMiddle
053
Сценарий ML: механизм Dropout с математикой
ML / Data ScienceOverfitting и регуляризацияСредняяMiddle
054
Сценарий ML: критерии early stopping
ML / Data ScienceOverfitting и регуляризацияСредняяMiddle
055
Сценарий ML: leakage в train/val/test split
ML / Data ScienceOverfitting и регуляризацияСложнаяSenior
056
Сценарий ML: алгоритм Gradient Boosting шаг за шагом
ML / Data ScienceBoosting и ensembleСредняяSenior
057
Сценарий ML: XGBoost vs LightGBM vs CatBoost
ML / Data ScienceBoosting и ensembleСредняяSenior
058
Сценарий ML: stacking vs blending vs bagging
ML / Data ScienceBoosting и ensembleСредняяSenior
059
Сценарий ML: Isolation Forest для аномалий
ML / Data ScienceBoosting и ensembleСредняяSenior
060
Сценарий ML: bias в feature importance у Random Forest
ML / Data ScienceBoosting и ensembleСложнаяSenior
061
Сценарий ML: калибровка вероятностей (Platt, isotonic)
ML / Data ScienceМетрики и оценкаСредняяSenior
062
Сценарий ML: выбор threshold по бизнес-метрике
ML / Data ScienceМетрики и оценкаСредняяMiddle
063
Сценарий ML: F-beta vs F1 при асимметрии
ML / Data ScienceМетрики и оценкаЛёгкаяMiddle
064
Сценарий ML: Cohen's kappa для multiclass
ML / Data ScienceМетрики и оценкаСредняяMiddle
065
Сценарий ML: MAPE vs sMAPE vs MAE для прогноза
ML / Data ScienceМетрики и оценкаСредняяMiddle
066
Сценарий ML: target encoding без leakage
ML / Data ScienceFeature engineeringСложнаяSenior
067
Сценарий ML: high-cardinality categorical encoding
ML / Data ScienceFeature engineeringСредняяSenior
068
Сценарий ML: лаги и rolling features для time series
ML / Data ScienceFeature engineeringСредняяMiddle
069
Сценарий ML: TF-IDF vs BERT embeddings
ML / Data ScienceFeature engineeringСредняяMiddle
070
Сценарий ML: архитектура Feature Store
ML / Data ScienceFeature engineeringСложнаяSenior
071
Сценарий ML: SMOTE vs undersampling
ML / Data ScienceКласс дисбалансСредняяMiddle
072
Сценарий ML: class_weight в sklearn и эквиваленты
ML / Data ScienceКласс дисбалансЛёгкаяMiddle
073
Сценарий ML: Focal Loss для imbalanced классов
ML / Data ScienceКласс дисбалансСложнаяSenior
074
Сценарий ML: почему GBDT обыгрывает DL на табличных данных
ML / Data ScienceДеревья vs нейросетиСредняяSenior
075
Сценарий ML: TabNet и DL для табличных данных
ML / Data ScienceДеревья vs нейросетиСложнаяSenior
076
Сценарий ML: SHAP, permutation, LIME
ML / Data ScienceДеревья vs нейросетиСредняяSenior
077
Сценарий ML: cosine vs euclidean для эмбеддингов
ML / Data ScienceNLP и эмбеддингиЛёгкаяMiddle
078
Сценарий ML: fine-tune vs prompt vs RAG
ML / Data ScienceNLP и эмбеддингиСредняяSenior
079
Сценарий ML: снижение галлюцинаций LLM
ML / Data ScienceNLP и эмбеддингиСложнаяSenior
080
Сценарий ML: BPE vs WordPiece vs SentencePiece
ML / Data ScienceNLP и эмбеддингиСредняяMiddle
081
Сценарий ML: стратегия image augmentation
ML / Data ScienceComputer VisionСредняяMiddle
082
Сценарий ML: transfer learning в CV
ML / Data ScienceComputer VisionСредняяMiddle
083
Сценарий ML: leakage из-за схожих изображений в train/test
ML / Data ScienceComputer VisionСложнаяSenior
084
Сценарий ML: collaborative vs content-based recsys
ML / Data ScienceRecsysСредняяMiddle
085
Сценарий ML: cold-start стратегии в recsys
ML / Data ScienceRecsysСредняяSenior
086
Сценарий ML: ALS на implicit feedback
ML / Data ScienceRecsysСложнаяSenior
087
Сценарий ML: two-tower архитектура для recsys
ML / Data ScienceRecsysСложнаяSenior
088
Сценарий ML: ARIMA vs Prophet vs LSTM
ML / Data ScienceTime seriesСредняяSenior
089
Сценарий ML: walk-forward CV для time series
ML / Data ScienceTime seriesСредняяMiddle
090
Сценарий ML: anomaly detection в time series
ML / Data ScienceTime seriesСложнаяSenior