Вебинар: МОК-собеседование часть 1

2 Просмотры

Спасибо! Поделитесь с друзьями!

Вам не понравилось видео. Спасибо за то что поделились своим мнением!

Издатель Sep 20, 2026

Как проходит ML-собеседование в BigTech глазами кандидата и интервьюера?

В этом видео Александр Дубейковский (ML Engineer в Авито, ex-Яндекс) проводит мок-собеседование с Глебом (студент 3 курса направления «Фундаментальная информатика и информационные технологии») и показывает, как на практике выглядит техническое интервью на ML-позицию.

Здесь важны не только правильные ответы. Интервьюер проверяет, насколько кандидат понимает принципы работы моделей, умеет рассуждать, уточнять условия задачи и объяснять свои решения. А после собеседования Александр разбирает ход интервью и показывает, где кандидат ответил хорошо, какие моменты вызвали вопросы и что можно было сделать иначе.

Особенно полезна вторая часть видео: разбор позволяет посмотреть на собеседование уже глазами интервьюера и понять, почему одного знания теории бывает недостаточно. Александр также делится собственным подходом к интервью и даёт практические рекомендации по подготовке.

В конце обсуждаем вопросы, которые волнуют многих начинающих ML-специалистов: насколько сложно найти работу на старте карьеры, можно ли перейти в ML после 30 лет, насколько важно профильное образование и чем отличаются собеседования на стажировку и полноценные позиции.

Если вы готовитесь к поиску работы в ML или хотите лучше понимать, чего ждать от технического собеседования, это видео поможет посмотреть на процесс изнутри.

Набор на 5 поток уже открыт, заполните форму для предзаписи: https://forms.yandex.ru/cloud/6a4275fe505690a71a0fead6

Подробности о программе, формате обучения и тарифах на сайте: https://mlinside.ru/?utm_source=youtube&utm_medium=social&utm_campaign=mokinterview_01_09_2026

Таймкоды:
00:00 — Знакомство и план мок-собеседования
04:17 — Опыт и проекты кандидата
05:57 — Начало технического собеседования
06:31 — Регуляризация L1 и L2
11:10 — Может ли L1 ухудшить качество модели?
15:50 — Стандартизация и регуляризация
16:48 — Решающие деревья, Gini и Entropy
23:16 — Random Forest и Bootstrap
28:03 — Bias-Variance Trade-off
34:11 — Градиентный бустинг
36:43 — На что обучается следующее дерево?
44:40 — Bagging vs Boosting
45:46 — Метрики классификации
49:07 — Precision на примере кредитного скоринга
55:47 — PR-кривая и компромисс между Precision и Recall
58:43 — Threshold и изменение Precision и Recall
01:03:31 — Разбор результатов собеседования
01:04:14 — Разбор вопросов по регуляризации
01:10:40 — Как правильно вести себя на собеседовании
01:12:11 — Как строится решающее дерево
01:15:11 — Разбор Bias-Variance Trade-off
01:17:31 — Как работает градиентный бустинг
01:21:00 — Итоги собеседования
01:23:00 — Главный совет кандидату
01:25:43 — Рынок ML и переход в профессию после 30
01:33:48 — Стажировка и полноценные ML-позиции
01:34:15 — Нужно ли образование для ML