Линейные модели, деревья и бустинг, кластеризация и снижение размерности, подбор и интерпретация.
На табличных данных — а это большинство задач в компаниях — лучшие результаты обычно дают градиентные бустинги. Линейные модели остаются сильной базовой линией и инструментом, когда важна интерпретируемость. Обучение без учителя нужно для сегментации, поиска аномалий и подготовки данных.
На собеседованиях спрашивают устройство моделей: как строится дерево, чем случайный лес отличается от бустинга, что делает регуляризация.
Линейная и логистическая регрессия, регуляризация L1 и L2.
Дерево решений, случайный лес, градиентный бустинг — XGBoost, LightGBM, CatBoost.
Кластеризация, снижение размерности и поиск аномалий.
Optuna и кросс-валидация, важность признаков, SHAP и объяснение модели заказчику.
После собеседования sotto разбирает разговор: оценка, каждый вопрос — хорошо, частично или слабо, чего не хватило в ответе и над чем поработать к следующему разу. Первые 30 минут бесплатно.