Mirror/tinkoff-career
1
0
Fork 0
mirror of https://github.com/Tinkoff/career.git synced 2026-01-27 04:40:44 +03:00
Code Issues Packages Projects Releases Wiki Activity

Merge pull request #7 from TinkoffCreditSystems/YuliaTsareva-patch-1

Browse Source 
Update ML sections
This commit is contained in:
MaslovIgor
2021-03-04 18:11:34 +03:00
committed by GitHub
parent e1e621bf93 21128d62aa
commit a91539ebe0
1 changed files with 3 additions and 4 deletions
Download Patch File Download Diff File Expand all files Collapse all files

7
interview.md
View File

@@ -43,8 +43,7 @@
#### Машинное обучение #### Машинное обучение
* [Алгоритмы](#Алгоритмы) * [Алгоритмы](#Алгоритмы)
* [Дизайн распределенных систем](#Дизайн-распределенных-систем) * [Секция по ML](#Секция-по-ML)
* [Секция по общему ML](#Секция-по-общему-ML)
* [Дизайн ML-систем](#Секция-по-дизайну-ML-систем) * [Дизайн ML-систем](#Секция-по-дизайну-ML-систем)
@@ -61,7 +60,7 @@
#### Алгоритмы #### Алгоритмы
В рамках секции проверяем знания по алгоритмам и структурам данных. Иногда предлагаем решить задачу на реализацию, например сделать клиент с бизнес-логикой для сетевых API. В рамках секции проверяем знания по алгоритмам и структурам данных.
###### Рекомендуем повторить все, что связано с алгоритмами: ###### Рекомендуем повторить все, что связано с алгоритмами:
- основные структуры данных — строки, списки, деревья, ассоциативные массивы, векторы; - основные структуры данных — строки, списки, деревья, ассоциативные массивы, векторы;
@@ -94,7 +93,7 @@
###### Книги: ###### Книги:
- Высоконагруженные приложения. Программирование, масштабирование, поддержка / Мартин Клеппман. В книге достаточно просто объясняют теорию - Высоконагруженные приложения. Программирование, масштабирование, поддержка / Мартин Клеппман. В книге достаточно просто объясняют теорию
#### Секция по общему ML #### Секция по ML
Разбираем вопросы по анализу данных: о постановке задачи, выборе и обосновании метрик качества, сборе и валидации данных, ML-алгоритмах. Вопросы разбираем на теоретических и практических кейсах. Разбираем вопросы по анализу данных: о постановке задачи, выборе и обосновании метрик качества, сборе и валидации данных, ML-алгоритмах. Вопросы разбираем на теоретических и практических кейсах.