Как я прошёл на джуна в Сбер: классический ML, 2026

Как я прошёл на джуна в Сбер: классический ML, 2026 В последнее время мы пишем больше про вакансии Т-Банк и Яндекса, совсем забыв про самый главный бигтех с возможно самым большим числом вакансий. - Сбер. Пришло время рассказать вам историю нашего ученика, который после наших курсов пошел туда на джуна в классический ML. Там свои порядки: алгоритмов меньше, статистики и банковской специфики больше. Дальше текст нашего выпускника. 🔥 Кстати разбор экзаменов стажировки и рекомендации будут выложены на наших курсах ПРО: Дата Аналитика на "Аналитике ПРО" , LLM AI-агенты на "ИИ агенты ПРО" , Machine Learning на "МЛ ПРО" . ➡️ Записаться Я из Финашки, так что Сбер был очевидной целью: половина курса туда хочет. Откликнулся на джуна в команду кредитного скоринга. От отклика до оффера ушло пять недель (а не полгода как до этого было в Яндексе), расскажу по порядку. HR-скрининг Двадцать минут по телефону. Почему Сбер, какие проекты, сколько хочу. Попросили на пальцах рассказать про пет-проект: скоринг по открытому датасету. Через день прислали тест (я был в шоке, что кто-то еще отбирает просто по тесту с выбором ответа). Тест Онлайн, час, без надзора и какого-либо прокторинга: SQL и статистика. SQL простой: джойны, группировки, одна задача на оконку. Статистика злее: что такое p-value, как меняется доверительный интервал при росте выборки, где применима ЦПТ. Техническая секция Полтора часа, два человека из команды. Сначала Python: посчитать скользящее среднее по транзакциям клиента, где часть значений пропущена. Написал на pandas, спросили, как сделать без него и за какую сложность. Потом SQL вживую: для каждого клиента сумма трат за последние 30 дней от каждой транзакции. Просто оконки. Дальше ML. Вывести градиент логистической регрессии на листочке. Почему для классификации не берут MSE. Почему L1 зануляет веса, а L2 нет. Как CatBoost работает с категориальными признаками и почему простой target encoding даёт утечку. На последнем поплыл, вытянул с подсказкой. Потом метрики, и это чисто банковская история. В скоринге качество меряют Gini, а это 2×ROC-AUC − 1. Я этого не знал и полминуты молчал. Спросили, почему банку мало хорошо ранжировать клиентов и нужна откалиброванная вероятность. Ответ: по ней считают ожидаемые потери и решают, кому сколько дать. И что делать при дисбалансе, когда дефолтов два процента. Финал с командой Кейс: строим модель дефолта по кредиткам. Как задать таргет? Дошли до 90+ дней просрочки за год. Как делить выборку? Сказал «случайно 80 на 20», и это была ошибка. В банке делят по времени: учимся на старых выдачах, проверяем на свежих, иначе модель подглядывает в будущее. Ещё спросили про WoE и IV (классика скоринга, за час до собеса загуглил, повезло) и как понять, что через полгода модель начала деградировать. Тут всплыл PSI, индекс стабильности распределений. Под конец тимлид спросил, как объяснить клиенту, почему ему отказали. В банке модель не может быть чёрным ящиком. Проверка безопасности Оффер дали устно, но письменный пришёл только через полторы недели, после проверки службой безопасности. Подписаться: @zadachi_ds