Тайм-теги 00:00:00 Интро 00:01:02 Как Артур попал в data science 00:03:50 Как Сергей попал в data science 00:13:20 Артур: вопросы по метрикам 00:21:00 Сергей: вопросы по метрикам 00:29:55 AUC за один твит 00:31:45 Артур: деревья 00:34:25 Сергей: "задача на рисование" 00:36:35 Сергей: вопрос про нейронки за 140 символов (полином третьей степени и перцептрон) 00:38:55 Артур: параметры свёртки 00:42:00 Артур: как работает batch norm 00:46:00 Сергей: можно ли тьюнить только batch norm? 00:46:50 Сергей: что такое регуляризация. Какие регуляризации ты знаешь 00:49:50 Артур: какие есть attentions в нейросетях 00:53:30 Артур: обучение на кропнутых изображениях 00:57:10 Сергей: бинарная кросс-энтропия 01:00:55 Сергей: новые альтернативы IoU метрики 01:02:35 Артур: детекция - архитектуры и детекторы 01:08:50 Артур: anchor-free детекторы 01:10:30 Сергей: как мониторить качество сетки 01:17:30 Артур: методы ускорения нейросетей 01:25:15 Артур: задача про бинарную маску 01:33:05 Сергей: бот-ассистент и sensitive cases 01:43:00 Артур: софт скилы, "странные вопросы" по мотивации 01:50:40 Сергей: что мотивирует тебя
Почему ребята из Тинькова и Сбера общаются о каких-то стажерских вещах, а меня на собеседовании в неоплачиваемый проект спрашивали обо всем, будто я сеньор....
Когда собеседую -- задаю вопросы по базовым концепциям, в моем случе языка, паттернам и многопоточности, и по ответам понимаю, какой уровень у кандидата
я замечал такой парадокс, часто чем меньше компания, тем более претензионное собеседование. Видимо страх ошибиться в найме (для них 1 твоя месячная ЗП это серьезная сумма) и проекция каких-то комплексов руководства (есть даже известный совет "Вы не Гугл" с месседжем не пытайтесь строить у себя процессы будто вы Гугл)
Показательные собесы всегда такие. Видел видео гугла и яндекса по поводу подготовки к их собеседованиям. Там тоже полный детский сад. Это связано с тем, что эти видео делаются на широкую аудиторию. Если в них задавать настоящие вопросы и задачи, то 95% потенциальной аудитории ничего не поймут и будут думать, что они очень глупые. А когда смотрящий видео человек знает все ответы, то ему и смотреть интересно, и самооценка повышается
Ага, только я обычно спрашиваю на собеседованиях "Какое априорное распределение надо задать в Баясовской регресии, что бы получить еквивалент MHK регрессии с L1 L2 регуляризацией?" Ответ "Очевидно что L2 - нормальное распределение, L1 - распределение Лапласа". Знаешь как народ валится? На отличнинько ))))
Суммируя мой опыт работы и собеседований, и это видео: нужно избавиться от терминов precision и recall потому что абсолютно ВСЕ дс-ники в них путаются)))
Интересно, но что-то от людей на топ позициях ожидаешь больше вопросов про бизнес-кейсы, архитектуру (system design) и менеджмент в целом - тема совсем не раскрыта:(
Вот главное, чтобы интервьюер на собеседовании понимал, что какие-то вещи можно забыть.. ) вот, напрример, с 4 года опыта чисто в DL/CV, я вот сейчас хрен вспомню сходу какой-нибудь тер вер, или что-то такое. А формулы метрик зачем деражать в голове? Главное понимать их смысл. Но формулу можно посмотреть либо в блокнотике, либо загуглить. Главное знать, что такая метрика существует, и знать, что она оценивает)) на собесаз я встречал случаи, когда кандидат знал формулу (прото зазубрил), но вообще не понимал, почему она именно такая и что она делает)
Internal covariate shift не про то, что сказали( там проблема, что слой обновляется в ожидании того, что распределение выхода предыдущих не изменится. Фризить батчнорм - это активации загонять в распределении со среднтм 0 и дисперсией 1.
26:00 В ситуации серьезного дисбаланса классов ситуация будет в точности обратная: micro-усреднение покажет, что всё хорошо, т.к. классификатор уверенно предсказывает бОльший класс и, следовательно, угадывает больше отдельных сэмплов. А macro считается сначала для классов, а потом усредняется. И это как раз подсветит, что есть проседающий (или проседающие) классы, которые плохо предсказываются классификатором и снижают общую оценку после усреднения
Если взять четыре класса три из них по 1 ТР и 1 FP, а четвёртый 10 ТР и 90 FP, то макро средняя точность будет 0.4, а микро средняя точность ≈0.12 что куда лучше отражает действительную картину
@@daniilzoque1193 При приёме на работу учитываются не только сухие знания. Да и сам факт что человек с гуманитарным бэкграундом может настолько кардинально сменить сферу деятельности может вдохновить многих
@@ra1618 ну нет, не согласен. Это не те вещи, которые забываются от недостатка практики. Если человек знает, что такое f1 мера вывести формулу - вопрос 2 секунд.
