Курс на Stepik
Обложка курса «ML-собеседование: 150 вопросов» на Stepik
990 ₽

ML-собеседование: 150 вопросов ★ 0.000

Открыть на
STEPIK.ORG

Тренажёр для подготовки к собеседованию на ML-инженера и Data Scientist: 150 актуальных вопросов с проверкой и эталонными ответами — от bias–variance и бустинга до трансформеров, LLM и ML System Design.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «ML-собеседование: 150 вопросов»Учеников на курсе 0
Сертификаты, выданные на курсе «ML-собеседование: 150 вопросов»Сертификатов выдано 0
Отзывы о курсе «ML-собеседование: 150 вопросов»Отзывов получено 0
Рейтинг курса «ML-собеседование: 150 вопросов»Рейтинг курса 0.000
Уроки в курсе «ML-собеседование: 150 вопросов»Количество уроков 30
Тесты в курсе «ML-собеседование: 150 вопросов»Количество квизов 150
Стоимость курса «ML-собеседование: 150 вопросов»Стоимость курса 990 ₽ —
Обновления курса «ML-собеседование: 150 вопросов»Обновления курса — —
Дата публикации курса «ML-собеседование: 150 вопросов»Дата публикации курса — ———
Последнее обновление курса «ML-собеседование: 150 вопросов»Последнее обновление — ———

Содержание курса

Разделы в курсе «ML-собеседование: 150 вопросов» 10 разделов Уроки в курсе «ML-собеседование: 150 вопросов» 30 уроков Тесты в курсе «ML-собеседование: 150 вопросов» 150 тестов Последнее обновление курса «ML-собеседование: 150 вопросов» обн. 15 ноября 2026

Модуль 1. Основы ML: постановка задач, переобучение, валидация

3 урока
1. Типы задач и базовые понятия ML ↗
2. Переобучение и компромисс bias–variance ↗
3. Валидация моделей и утечки данных ↗

Модуль 2. Линейные модели и оптимизация

3 урока
1. Линейная регрессия ↗
2. Логистическая регрессия ↗
3. Регуляризация и градиентный спуск ↗

Модуль 3. Решающие деревья и ансамбли

3 урока
1. Решающие деревья ↗
2. Бэггинг и случайный лес ↗
3. Градиентный бустинг ↗

Модуль 4. Метрики качества моделей

3 урока
1. Метрики классификации ↗
2. Метрики регрессии ↗
3. Порог, калибровка и ранжирование ↗

Модуль 5. Подготовка данных и Feature Engineering

3 урока
1. Предобработка данных ↗
2. Дисбаланс классов ↗
3. Отбор и генерация признаков ↗

Модуль 6. Обучение без учителя

3 урока
1. Кластеризация ↗
2. Снижение размерности ↗
3. Поиск аномалий ↗

Модуль 7. Нейронные сети и Deep Learning

3 урока
1. Основы нейросетей ↗
2. Обучение глубоких сетей ↗
3. Архитектуры: CNN и RNN ↗

Модуль 8. NLP, трансформеры и LLM

3 урока
1. Представление текста ↗
2. Трансформеры ↗
3. Большие языковые модели ↗

Модуль 9. Вероятность и статистика для ML

3 урока
1. Вероятность ↗
2. Оценивание параметров ↗
3. Гипотезы и A/B-тесты ↗

Модуль 10. ML System Design и продакшн

3 урока
1. Проектирование ML-системы ↗
2. Рекомендательные системы ↗
3. Деплой и мониторинг ↗