Здравствуйте, мои уже повзровлевшие любители ML/DS. Я, как самый порядочный дед мороз, решил отправить вам под…

Здравствуйте, мои уже повзровлевшие любители ML/DS. Я, как самый порядочный дед мороз, решил отправить вам подарок в виде описания секций на аналитика в Яндекс в любую ML команду. Да, праздники - повод сбавить темп, переосмыслить многое и набраться сил, но это не значит, что надо расслаблять булки! 1) Как и обычно, каждая секция начинается со вступления - перетягивать не нужно, просто представитться, уточнить, все ли слышно, все ли видно ~ 2 минуты . 2) Разумеется, каждая секция включает в себя знакомство с кандидатом: a) Обычно спрашивают про работу (если опыта нет - учебу) - что больше всего нравится / не нравится? (например, в работе / какие задачи / алгоритмы ML / курсы) - какие проблемы возникали - как решались? - что полезного удалось сделать? (для себя / мира) б) Если область близка - задается короткий вопрос на понимание: - как решали такой-то бизнес-кейс? - как модифицировать решение, чтобы оно умело еще то-то? - чем обосновывается выбранное решение? оценивалась ли эффективность? как? 3) Задача на ML-алгоритмический кругозор кандидата + скорость размышлений ~ 25 мин Таймлайны примерно такие: a) Формулирование задачи ~5 мин (тут от аналитика ждут обычно то, какие цели оптимизируем (удобство пользователей, удобство магазинов, выручка маркетплейса), какие данные и источники можно использовать, какие сложности со сбором/качеством/доступностью данных). б) Верхнеуровневый подход к решению ~ 5 мин (описать схему решения с обоснованием, посмотреть в сторону альтернативных вариантов). в) Формулы и детали ~ 5 мин (проверяют, насколько кандидат понимает матчасть и детали ML — обычно просят словами описать целевую функцию и возможные альтернативы (часто маркер — logloss), как именно будем оптимизировать (градиентный спуск, что означает “взять производную”), как боремся с переобучением (регуляризация и другие приёмы), затем просим объяснить механику выбранного метода (градиентный бустинг/бэкпроп/линейная регрессия и т.п.), а если ML слабый — уходим в базу вроде регрессии, k-means или PCA). г) АБ-эксперименты, статзначимость ~ 5 мин (тут часто говорят про базовые принципы и кругозор (оценка качества решения от оффлайна до пользовательских исследований), аккуратно подводят к A/B (если сам не назвал — объясняется принцип), обсуждается как принимать решение по эксперименту (почему нельзя “по первым моментам”, нужны статистические оценки), какие бывают тесты (вплоть до Манна–Уитни) и как оценивать риск ошибки/строить доверительные интервалы (если успеваем). 4) Мат-скиллы ~ 20 мин: а) Обычно тут хотят посмотреть, как кандидат соображает + рассуждает, оценить его навыки работы с вероятностью, статистикой, комбинаторикой на практике. 5) Заключение и вопросы от кандидата - остаток времени. Теперь давайте посмотрим на задачи: Из пункта 3: Продумать решение для бустинга товаров: с высокими ставками с высоким рейтингом из хороших магазинов Из пункта 4: Есть два кубика (красный и синий) и банк, в котором на старте лежит 0 рублей. Перед началом каждого раунда можно выбрать: или забрать банк и уйти (выигрыш будет равен сумме в банке), или кинуть кубики. Если бросаем кубики, то: если на синем кубике выпадает 1, банк обнуляется и игра заканчивается (т.е. выигрыш равен нулю). Если на синем кубике не 1, то в банк добавляется количество рублей, равное сумме чисел на двух кубиках. Необходимо придумать стратегию максимизации выигрыша. А вас я поздравляю с Новым Годом, решайте задачки, пишите решение в комментариях!