ML System Design с Валерием Бабушкиным | Выпуск 3 | Собеседование | karpov.courses
Ссылка на курс HARD ML: to.karpov.courses/KlAyBA Последняя (но не по значимости!) часть серии собеседований ML Design System. Герой нового выпуска не такой опытный, как предыдущие соискатели, но уже едет работать в Snapchat в Лондоне. На собеседовании он будет решать задачи матчинга, входящие в блок Игоря Котенкова. Учитесь Data Science с нами: https://karpov.courses/ 1:07:53 – прим. Игоря Котенкова: Заметим единожды, но нижеописанный принцип пременим ко всем ML Design-собеседованиям. Помимо прикидки объема данных полезно уточнить ожидаемое время работы пайплайна. Так, в первом видео серии ML System Design был рассмотрен вопрос выбора рекламных баннеров в ленте. Понятно, что суммарное время работы здесь измеряется 100-200 мс. Пайплайн матчинга же, как следовало уточнить на этапе постановки задачи, обычно работает в оффлайне, и, к примеру, может запускаться раз в неделю (или раз в день). На основе этого, а также понимания объема данных, можно выбирать класс моделей и отвечать на вопросы вроде: «Стоит ли тут использовать BERT или тяжелее TF-IDF ничего не пролезет?» 0:00 Введение и представление 6:53 Задание на матчинг 8:47 Ответ 12:10 Первый комментарий 17:20 Второй комментарий 20:45 Третий комментарий 25:49 Возвращение к истокам и новый подход к решению 31:31 Предположение о данных и процессе обучении модель 34:11 Описание сущности данных 39:22 Четвертый комментарий 41:12 Плюсы и минусы моделей обучения 46:51 Переход к метрикам 50:35 Пятый комментарий 57:03 Очень важный вопрос 1:01:31 Шестой комментарий . . . . #удаленнаяработа #аналитика #аналитик #аналитикданных #mlинженер #продакт #продактменеджер #abтесты #карповкурсы #karpovcourses #валерабабушкин #анатолийкарпов #толякарпов #работавit #собеседованиевit #какпройтисобес
Ссылка на курс HARD ML: to.karpov.courses/KlAyBA Последняя (но не по значимости!) часть серии собеседований ML Design System. Герой нового выпуска не такой опытный, как предыдущие соискатели, но уже едет работать в Snapchat в Лондоне. На собеседовании он будет решать задачи матчинга, входящие в блок Игоря Котенкова. Учитесь Data Science с нами: https://karpov.courses/ 1:07:53 – прим. Игоря Котенкова: Заметим единожды, но нижеописанный принцип пременим ко всем ML Design-собеседованиям. Помимо прикидки объема данных полезно уточнить ожидаемое время работы пайплайна. Так, в первом видео серии ML System Design был рассмотрен вопрос выбора рекламных баннеров в ленте. Понятно, что суммарное время работы здесь измеряется 100-200 мс. Пайплайн матчинга же, как следовало уточнить на этапе постановки задачи, обычно работает в оффлайне, и, к примеру, может запускаться раз в неделю (или раз в день). На основе этого, а также понимания объема данных, можно выбирать класс моделей и отвечать на вопросы вроде: «Стоит ли тут использовать BERT или тяжелее TF-IDF ничего не пролезет?» 0:00 Введение и представление 6:53 Задание на матчинг 8:47 Ответ 12:10 Первый комментарий 17:20 Второй комментарий 20:45 Третий комментарий 25:49 Возвращение к истокам и новый подход к решению 31:31 Предположение о данных и процессе обучении модель 34:11 Описание сущности данных 39:22 Четвертый комментарий 41:12 Плюсы и минусы моделей обучения 46:51 Переход к метрикам 50:35 Пятый комментарий 57:03 Очень важный вопрос 1:01:31 Шестой комментарий . . . . #удаленнаяработа #аналитика #аналитик #аналитикданных #mlинженер #продакт #продактменеджер #abтесты #карповкурсы #karpovcourses #валерабабушкин #анатолийкарпов #толякарпов #работавit #собеседованиевit #какпройтисобес