Middle: Золотое яблоко

💅 Middle: Золотое яблоко #data_science Созвонились после отклика на вакансию. Сначала коротко рассказали про команду: занимаются в основном сегментацией пользователей и антифродом. Сказали, что команда уже довольно зрелая, и ищут человека, который может не только в модели, но и в работу с бизнесом спросили, как решать проблему дисбаланса классов: сначала на уровне данных, потом на уровне алгоритма (раскрыл понятия over-/undersampling, SMOTE; упомянул модификации функции потерь, взвешенные метрики, и то, что некоторые алгоритмы (типа adaboost) сами по себе умеют придавать больший вес трудноклассифицируемым объектам) что делать, если модель учится плохо, а один выбивающийся пример может всё сломать?(многое зависит от самой архитектуры: некоторые модели могут переобучиться на n-объектах, другие - быть устойчивыми к одному шумному примеру), обсудили, как подбирать learning rate, что такое cosine annealing, и какие вообще есть подходы к снижению learning rate по эпохам спросили, в чём писал пайплайны, какие библиотеки использовал; по etl: какие были источники данных, как хранили, как обрабатывали задали бизнес-кейс : есть программа лояльности, в которую недавно добавили новые правила через месяц продажи просели следовательно, нужно придумать, как проверить, связано ли это с изменениями в программе предложил сначала разделить пользователей на тех, кто попал под новые условия, и тех, кто нет, далее сравнить поведение в аналогичных временных промежутках рассказал про A/B-анализ, проверку гипотез, importance sampling (если группы не эквивалентны)+ сказал, что можно визуализировать динамики продаж по времени задачу мне okнули бонусом задали вопросы про работу в команде: какие задачи и роли брал на себя, как работал с продактами (часто общалася с маркетингом, писал документацию к моделям и выгрузкам) @zadachi_ds