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
Если в списках данных по временным меткам (таймштампам) встречаются совпадения, важно определить, как эти дубликаты влияют на задачу и как их корректно обработать:
Читать ответPR-AUC (Precision-Recall Area Under Curve) и ROC-AUC (Receiver Operating Characteristic Area Under Curve) — это метрики качества бинарной классификации, но они по-разному реагируют на дисбаланс классов.
Читать ответТехнически, линейная регрессия может быть использована для задачи классификации, если рассматривать выход модели как непрерывное значение, которое затем можно порогово преобразовать в класс (например, 0 или 1).
Читать ответГрадиент функции — это вектор, указывающий направление наибольшего возрастания функции. В случае функции одной переменной f(x) = 4x + 5 градиент — это просто производная по x, равная 4.
Читать ответЧтобы выразить количество шаров во второй корзине через количество шаров в первой, нужно знать отношение между ними. Например, если известно, что во второй корзине шаров в два раза больше, чем в первой, то:
Читать ответROC AUC — это метрика качества бинарного классификатора.
Читать ответФормула предсказания (predict) для логистической регрессии выглядит так:
Читать ответКоличество деревьев в случайном лесу напрямую влияет на качество модели и её стабильность. При увеличении числа деревьев:
Читать ответChain of Thought (CoT) — это метод, при котором модель последовательно генерирует промежуточные рассуждения перед ответом.
Читать ответАлгоритм выбора:
Читать ответПри использовании Retrieval-Augmented Generation (RAG) в чат-сценариях с сохранением контекста и истории диалога возникают несколько важных подводных камней:
Читать ответНаправление изменения параметра ( x ) при градиентном спуске определяется отрицательным градиентом функции потерь ( L(x) ) по этому параметру:
Читать ответ