Interview Practice Questions

Что нужно делать, если у нас очень сильно несбалансированы классы?

То есть если data такие, то если дисбалансы в классах, как с ними работать?

Если у нас в данных target у нас классификация, у нас есть target и сильный дисбаланс классов, вот как в таких случаях?

Помнишь, какая сложность сортировки, ну, вот этих методов сортировки в Python?

И каким образом более эффективно приближаемся к минимуму нашей функции потерь?

А если мы там, допустим, из классификации возьмем, как мы там, A-C, можем ли мы ее оптимизировать напрямую?

Вот. Тебе что ты именно хочешь? Ты хочешь больше что-то новое или ищешь больше классический ML?

Какая точка будет к какому классу относительно?

Вот. Каким образом ты бы здесь работал, имея data, ну, например, какого-нибудь объема в тысяч, ну, 1500, например, для бустинга, вот, на бинарную классификацию?

Мог бы рассказать, какие есть метрики классификации, чем отличается между собой, когда какая лучше?

А как можно бороться в данных с дисбалансом классов?

Какая у нас может возникнуть проблема, если мы будем оверсемплить минорный класс?

а можешь сказать, какие у нас есть оценки качества работы классификатора?

Что конкретно? Я понял, оптимизатор работает с лосфункцией. А что он пытается с этой лосфункцией сделать?

А что происходит в target-encoding, когда у нас появляются какие-то редкие классы?

А если какая-то там типа 2-3 измерения у тебя имеет этот класс, и ты не можешь его очень сильно зашаплить, чтобы он был в трейнинг тесте?

Можешь рассказать, What is декораторы в питании?

Можешь, ну ты предложил к отбусту обучать. С какой функцией потерь мы можем обучить?

Are you familiar with parallelism in Python?

How would you parallelize a scraper in Python?