Стажка: мой финал с командой в X5

🌼 5️⃣ Стажка: мой финал с командой в X5 #ml Финал проходил в формате двух тематических частей Первая часть была посвящена общим вопросам машинного обучения: начали с линейной регрессии: к ак ставится задача, в каком виде записывается уравнение, как решается : через градиентный спуск или аналитически обсудили, чем опасна мультиколлинеарность, как она влияет на устойчивость модели и почему в случае линейно-зависимых фич коэффициенты могут резко меняться даже при незначительных изменениях данных затронули методы борьбы : удаление фич, объединение, использование SVD и PCA в завершении этой части обсудили метрики : почему обычно используется MSE, и какие альтернативы есть - MAE, MAPE, а также более редкие вроде Mallows' Cp Остальное время говорили про рекомендательные системы нужно было описать алгоритм, который по текстовому запросу выбирает наиболее релевантную статью из множества кандидатов : я предложил сначала построить скор для каждой статьи: учесть косинусное сходство эмбеддингов запроса и статьи, учитывать взаимодействие пользователя с контентом, среднее время чтения, ссылки между статьями после этого подобрать модель для предсказания этого скора - например, бустинг, упомянул линейную регрессию и SVM далее был подробный разговор про бустинг : что это, как работает, как строятся деревья, зачем считать градиенты, какие бывают функции потерь, и как бустинг отличается от случайного леса честно говоря, здесь я не смог внятно объяснить устройство бустинга, знал только базовую интуицию ещё попросили использовать пользовательскую историю и поведение для повышения качества рекомендаций я в своём ответе предложил добавить временные фичи (например, насколько недавно пользователь взаимодействовал с подобным контентом), учитывать сессию, строить пользовательские эмбеддинги на основе истории взаимодействий @zadachi_ds