#ml #interview

Многие начинающие задаются вопросами про интервью и кажется есть одна книга, которая может ответить на 99% вопросов. я только сейчас на нее наткнулась, не знаю рекламировали ее тут или нет. Рассматриваются кажется почти все аспекты: большая компания или стартап, какие роли в мире МЛ и что они означают. Всякие tips & tricks. Ресеч или продакшн. Софт скилы. В целом про то как обычно проходят интервью и… И самое главное примеры вопросов по теории, но очень практико ориентированные. Читается наверное за вечер. А потом наверное можно использовать как справочник)

https://huyenchip.com/ml-interviews-book/

#cv #resume #interview

Хороший гайд по составлению резюме для FAANG. Он универсален, несмотря на то, что писался для стажировок.
https://www.notion.so/Check-list-0675cf104ed2431f9cfd451b1d742e4d

#ml #linear

Дядька мефистофиес рассказывает про линейную регрессию
https://habr.com/ru/company/ods/blog/322076/

#ml #linear
Линейная регрессия в учебнике ШАД
https://ml-handbook.ru/chapters/linear_models/intro

#ml #math

​Подборка ресурсов по математике для Data Science:

Уровни:
⭐️ - закончил универ сто лет назад, ничего не помню
⭐️⭐️ - знаю и помню базу (матан, линал, тервер, матстат)
⭐️⭐️⭐️ - хорошо разбираюсь в высшей математике, хочу поднатаскать специфические для DS темы

⭐️Наглядный разбор теории в серии «X для чайников»: что такое вектор, как считать производную, матричные уравнения и т.д.
⭐️Материалы с лекций и семинаров ВМК МГУ от «Ёжика в матане»: VK, YouTube. Тут можете спокойно начинать с лекций и семинаров Никитина по математическому анализу, их читают в самом начале

⭐️⭐️ Хорошие задачки с подробным разбором решений на Матбюро: линейная алгебра, теория вероятностей, математическая статистика.
⭐️⭐️Курс Райгородского «Основы теории вероятностей». Тут наглядно и на пальцах объясняются базовые аспекты
⭐️⭐️ [Eng] Курс «Matrix Methods in Data Analysis, Signal Processing, and Machine Learning», в нём есть вся ключевая математика для DS

⭐️⭐️⭐️[Eng] Сборник задач и теории по базовой математике (линейная алгебра, оптимизация, графы) и машинному обучению:
Pen and Paper Exercises in Machine Learning
⭐️⭐️⭐️[Eng] Книга «Математика для Data Science»: https://mml-book.github.io/

#ml #competitions
Интересное соревнование от Agoda:

https://codegoda.io/

Старт 5-го августа в конце дня!

#interpretable #ml #book

Попалась хорошая книжка начального уровня про эту нашу интерпретируемость
Practical Explainable AI Using Python от Pradeepta Mishra https://www.amazon.com/Practical-Explainable-Using-Python-Intelligence/dp/1484271572
Сравнительно с книгой Мольнара - поверхностно, но у книги другая аудитория.
Пока дошел до середины. Как введение в тему для разработчиков на питоне самое оно. Тема NLP толком не раскрыта, но про это есть отдельная хорошая книга. Главы:
Chapter 1: Model Explainability and Interpretability
Chapter 2: AI Ethics, Biasness, and Reliability
Chapter 3: Explainability for Linear Models
Chapter 4: Explainability for Non-Linear Models
Chapter 5: Explainability for Ensemble Models
Chapter 6: Explainability for Time Series Models
Chapter 7: Explainability for NLP
Chapter 8: AI Model Fairness Using a What-If Scenario
Chapter 9: Explainability for Deep Learning Models
Chapter 10: Counterfactual Explanations for XAI Models
Chapter 11: Contrastive Explanations for Machine Learning
Chapter 12: Model-Agnostic Explanations by Identifying
Chapter 13: Model Explainability for Rule-Based Expert Systems
Chapter 14: Model Explainability for Computer Vision

#dl #courses

Не могу не поделиться ссылкой на такой классный курс!

MIT 6.S192: Deep Learning for Art, Aesthetics, and Creativity

https://ali-design.github.io/deepcreativity

Лекции на ютубе:
https://www.youtube.com/watch?v=MABLFo7IV3I&list=PLCpMvp7ftsnIbNwRnQJbDNRqO6qiN3EyH

#interview #behavioral
Интересный мануал от Амазон для подготовки к Behavioral

#interview #behavioral
Те самые материалы для подготовки к поведенческому интервью

#interview #ab
Материал по подготовке к A/B тестированиям

#How_to_заботать

How to заботать собес в Тиньку на аналитика?

Гут Шабес. Выражаю огромную благодарность, кто продолжает отправлять контесты: спасибо, что делаете прогнившую корпоративную культуру хоть чуточку ярче🥰🥰

Тем временем уже стартуют первые собесы на стажёров от Тинькофф Старт. Вспоминаем, как готовиться на проадкт-аналтика (+материалы). Времени не так много, поэтому в честь праздника подгон по каждому акту АВ теста, чтобы получить хоть какое-то представление об этой науке.

Если кратенько, то процесс АБ теста следующий: есть новое предложение, как улучшить метрики и его нужно протестить; берём репрезентативную выборку из генеральной совокупности, разбиваем ее на тест и контроль: на тест воздействуем, на контроль нет. Смотрим на получившиеся метрики, выбираем тест, чтобы проверить стат значимость и затем делаем вывод можем ли мы выкатывать фичу (в совковых учебниках пишут, что если нет стат значимости, то отвергаем альтернативу, но на практике обычно все посложнее).

Начнем с конца:
1. Какой тест выбрать для проверки двух гипотез? Если у нас уже есть разбитая выборка на тест и контроль (А и Б)

{https://youtu.be/oa8j8TOndpE

https://youtu.be/YuC1ZZTqdBA

https://vkteam.medium.com/practitioners-guide-to-statistical-tests-ed2d580ef04f

https://www.youtube.com/watch?v=-zps6hm0nX8&t=190s}

2. Как разбить репрезентативную выборку на тест и контроль (А и Б)?

{https://habr.com/ru/company/avito/blog/571096/}

3. Как определить какой размер репрезентативной выборки нам нужен? Которую мы затем разбиваем

{https://www.youtube.com/watch?v=2nP_gcut7SU}

4. Как из всей генеральной совокупности взять репрезентативную выборку (чтобы ее можно было экстраполировать на всю генеральную совокупность)? И вообще как обрабатывать данные перед тестом

{https://habr.com/ru/company/avito/blog/571094/

https://habr.com/ru/company/avito/blog/571096/

https://habr.com/ru/company/uchi_ru/blog/500918/}

Делимся замечаниями и материалами в комментах. Тетрадки лежат там же😎😎