Подготовка к интервью
978 вопросов с собеседований в Яндекс
Что проверяют на интервью
Подборка объединяет вопросы, отмеченные на этапах интервью в Яндекс. Здесь можно понять структуру технической проверки и заранее повторить связанные темы. В подборке чаще встречаются темы: mobile, backend, database.
Каталог
LCP улучшают ускорением появления главного содержимого, INP — сокращением задержек взаимодействия, CLS — предотвращением неожиданных сдвигов. Начинать нужно с реальных измерений.
Читать ответОпишите, что делали с CI лично: пользовались готовыми проверками, добавляли jobs, настраивали кеш или создавали pipeline с нуля.
Читать ответКритерии испытательного срока стоит согласовать заранее: ожидаемые результаты, уровень самостоятельности, качество работы и точки обратной связи.
Читать ответПри наивном копировании всей строки на каждом добавлении конкатенация даёт O(n²), а сбор частей с join — O(n). Но движки могут оптимизировать строки, поэтому фактическая стоимость зависит от реализации.
Читать ответЗапускайте aus последовательно в цикле, возвращая первый успешный результат. После n неудач выбрасывайте последнюю ошибку; n должно быть положительным целым.
Читать ответКлюч из Map удаляют методом delete(key). Он возвращает true, если запись существовала и удалена, иначе false.
Читать ответПриведите реальную инициативу: какую проблему заметили, какую гипотезу предложили, что сделали лично и как оценили результат.
Читать ответПеречислите конкретные задачи с ИИ, использованные инструменты и вашу ответственность за проверку результата. Не смешивайте использование ассистента с разработкой ML-модели.
Читать ответКратко опишите назначение продукта, пользователей, архитектуру и свою зону ответственности, затем приведите одну значимую задачу.
Читать ответОпишите конкретную pipeline job и то, что вы добавляли лично: команду, окружение, условия запуска и обработку результата.
Читать ответМожно суммировать результаты через await в цикле, но последовательность зависит от того, когда запускаются сами операции.
Читать ответСравнивайте модели на собственных одинаковых задачах и явно отделяйте наблюдения от универсальных выводов.
Читать ответ