Вопросы для подготовки к интервью

Что такое кросс-валидация и почему она важна в машинном обучении?

Объясните, в чем разница между bias и variance и как этот баланс влияет на модель.

Когда следует использовать Dropout в нейронных сетях и как он влияет на обучение?

Что такое ранняя остановка (early stopping) и как она помогает в обучении модели?

Как работает метод ансамблирования Bagging и в чем его основные преимущества?

Объясните, что такое PCA и как его можно использовать для уменьшения размерности данных.

Зачем отключать подсчёт градиентов при инференсе?

Что делает model.eval() в PyTorch и зачем он нужен?

В чём разница между Batch Normalization и Layer Normalization?

Как построить метрику для оценки модели прогнозирования спроса? Какие фичи важны для demand forecasting?

Как обрабатывать пропущенные значения в данных о продажах (missing sales data)?

Как правильно делать imputation данных с учётом сезонности? Корректно ли заполнять декабрьские пропуски средним за год?

Почему в банковских рекомендательных системах используют интерпретируемые модели (деревья, LGBM), а не deep learning?

Расскажите подробно про одну ML-задачу: подход, красивая идея под капотом.

Как закодировать категориальную фичу с высокой кардинальностью (100 портов) для модели, не поддерживающей категории?

Какую ошибку мы допустим, если посчитаем target encoding по всему train set для временных рядов?

Расскажите об основных метриках бинарной классификации: precision, recall, accuracy, F1, ROC-AUC.

Почему F1-мера использует гармоническое среднее, а не арифметическое? В чём преимущество?

Случайный классификатор выдаёт 1 с вероятностью 60%. Выборка: 30 единиц, 70 нулей. Чему равны precision и recall?

Какая модель лучше экстраполирует за пределы обучающей выборки: решающее дерево, случайный лес, градиентный бустинг, KNN, линейная регрессия, нейросеть?