Гайды
Подготовка к собеседованию ML-инженера: вопросы и план
Собеседование ML-инженера — это код, теория ML, system design и разговор о твоих проектах. Здесь собраны вопросы, которые задают снова и снова, с короткими ответами, и план подготовки, который совмещается с работой.
Типичные этапы
- Разговор с рекрутером и короткая техническая беседа.
- Код: Python, структуры данных и работа с данными; во многих компаниях SQL.
- Теория ML и практические вопросы по моделированию.
- ML system design: рекомендации, антифрод или ранжирование поиска.
- Домашнее задание или разбор проекта.
- Поведенческое интервью.
Теория ML: вопросы и короткие ответы
- Bias–variance: простые модели недообучаются (высокое смещение), гибкие переобучаются (высокая дисперсия); баланс выбирают регуляризация, данные и валидация.
- L1 или L2: L1 зануляет коэффициенты и отбирает признаки; L2 плавно их сжимает и лучше ведёт себя с коррелированными признаками.
- Как выбрать метрику: от цены ошибок для бизнеса; при дисбалансе классов — PR-AUC, recall при фиксированной precision или ожидаемая стоимость вместо accuracy.
- Что такое утечка данных? Использование при обучении информации, недоступной в момент прогноза: target encoding без фолдов, будущее во временных рядах, дубликаты между выборками.
- Почему градиентный бустинг хорош на табличных данных? Деревья последовательно учат остатки, справляются с разнотипными признаками и нелинейностями почти без предобработки.
- Как работает внимание? Каждый токен берёт взвешенное среднее векторов value; веса — сходство query и key, делённое на корень из размерности и нормированное softmax.
- Что такое калибровка? Предсказанные вероятности совпадают с наблюдаемыми частотами; проверка — reliability curve, исправление — Platt scaling или изотоническая регрессия.
Раунд с кодом
Будут стандартные алгоритмические задачи (обычно проще, чем на чистую разработку) и практические: реализовать k-means или логистическую регрессию на NumPy, посчитать метрику с нуля, привести в порядок грязный датасет в pandas. Проговаривай граничные случаи и тесты вслух.
ML system design на примере
Используй один каркас для любой задачи, например «Спроектируйте антифрод для карточных платежей»:
- Уточни цель, ограничения и цену ложных срабатываний и пропусков.
- Определи разметку и когда она приходит (chargeback — через недели).
- Признаки: транзакция, история пользователя, устройство, агрегаты по окнам — без утечек.
- Модель: начни с градиентного бустинга, откалиброванных скоров и порога по цене ошибки.
- Сервинг: бюджет задержки, онлайн feature store, поведение при отсутствии признаков.
- Оценка: офлайн-метрики на разбиении по времени, затем A/B или теневой режим.
- Мониторинг: дрейф данных, распределение скоров, качество по отложенной разметке и политика переобучения.
Разбор проекта
- Объясни выбор метрики и схемы валидации.
- Покажи анализ ошибок и что попробовал бы дальше.
- Честно расскажи, что не сработало.
План подготовки на шесть недель
- Неделя 1: теория классического ML и метрики; короткие письменные ответы на частые вопросы.
- Неделя 2: ежедневная практика кода; два алгоритма с нуля.
- Неделя 3: deep learning и трансформеры; заново вывести backprop для маленькой сети.
- Неделя 4: ML system design — три полных разбора на бумаге.
- Неделя 5: твои проекты — короткое описание и пятиминутный рассказ о каждом.
- Неделя 6: mock-интервью и работа над слабыми местами.
Тренироваться с обратной связью
В Quantoros есть тренажёр на 2 000 вопросов по ML, статистике, Python, SQL и квант-темам с интервальным повторением: вопросы, где ошибся, возвращаются. Mock-интервью с ментором на русском или английском повторяют реальные раунды и заканчиваются конкретной обратной связью.
Материалы
- Учебник по машинному обучению от Яндекса ↗Повторить теорию ML на русском.
- Machine Learning Interviews Book — Chip Huyen ↗Бесплатная книга о процессе и вопросах ML-собеседований.
- Designing Machine Learning Systems — Chip Huyen ↗Основа для раунда по system design.
- Dive into Deep Learning ↗Deep learning и внимание с кодом.
- Kaggle Learn ↗Быстрая практика pandas, SQL и ML.
Вопросы
Сколько готовиться к собеседованию по ML?
Обычно четыре–восемь недель, если ты уже работаешь с ML; дольше, если меняешь профессию.
Нужен ли LeetCode для ML-позиций?
Немного практики нужно, но на ML-позициях алгоритмические задачи обычно проще, а практических задач по данным и моделям больше.
Как готовиться к ML system design?
Выучи один переиспользуемый каркас и отработай его на нескольких задачах: рекомендации, поиск, антифрод, прогнозирование.
Можно пройти mock-интервью на английском?
Да, в Quantoros mock-интервью проводятся на русском или английском.