Собеседование Data Scientist в Т-Банк | Теория + Лайфкодинг

Давно не было разборов собеседований в крупные компании.. На этот раз, я решил вас порадовать собесом в Т-Банк, на позицию Data Scientist. Как думаете, насколько сложный собес получился? — ОФФЕР ПОД КЛЮЧ 🔑 — база вопросов с собесов — телега (подпишись) — полная версия собеседования 0:00 - Начало 0:27 - Как устроено дерево решений? 2:18 - Как работать с категориальными признаками? 3:49 - Как обучается случайный лес? 4:40 - ОФФЕР ПОД КЛЮЧ 🔑 5:02 - Как оценить важность признаков? 6:05 - Как строится бустинг? В чём отличие от случайного леса? 7:11 - Что будет если убрать базовую модель из случайного леса и бустинга? 7:46 - Какие метрики есть бинарной классификации? 8:17 - Как объяснить ROC-AUC заказчику? 8:53 - Мои соц. сети 9:15 - Почему метрика F1 средняя гармоническая? 10:15 - Задача 1 10:55 - Precision - большой, Recall - маленький. Как сделать наоборот? 11:30 - Какие бывают усреднение метрик? 12:04 - Задача 2 12:54 - Конец