Տվյալների գիտության հարցազրույցի հարցեր

BrainStation-ի Data Scientist կարիերայի ուղեցույցը կարող է օգնել ձեզ առաջին քայլերն անել տվյալների գիտության ոլորտում շահութաբեր կարիերայի ուղղությամբ: Կարդացեք տվյալների գիտության աշխատատեղերի ընդհանուր հարցազրույցի հարցերի ակնարկը և ինչպես լավագույնս պատասխանել դրանց:

Դարձեք տվյալների գիտնական

Խոսեք ուսուցման խորհրդատուի հետ՝ ավելին իմանալու համար, թե ինչպես կարող են մեր արշավները և դասընթացները օգնել ձեզ դառնալ տվյալների գիտնական:



Սեղմելով Submit, դուք ընդունում եք մեր Պայմանները .



Ներկայացնել

Չհաջողվեց ներկայացնել: Թարմացնե՞լ էջը և նորից փորձել:

Իմացեք ավելին մեր Data Science Bootcamp-ի մասին

Շնորհակալություն!

Շուտով կապի մեջ կլինենք։



Դիտեք Data Science Bootcamp էջը

Տվյալների գիտության հետ հարցազրույցի գործընթացները կարող են տարբեր լինել՝ կախված ընկերությունից և ոլորտից: Սովորաբար դրանք կներառեն հեռախոսի նախնական զննում վարձակալության մենեջերի հետ, որին կհետևեն մեկ կամ մի քանի հարցազրույցներ:

Դուք պետք է պատասխանեք տեխնիկական և վարքագծային տվյալների գիտության հարցազրույցի հարցերին և հավանաբար կավարտեն հմտությունների հետ կապված նախագիծ: Յուրաքանչյուր հարցազրույցից առաջ դուք պետք է վերանայեք ձեր ռեզյումեն և պորտֆոլիոն, ինչպես նաև պատրաստվեք հարցազրույցի հնարավոր հարցերին:

Տվյալների գիտության հետ հարցազրույցի հարցերը կփորձարկեն ձեր վիճակագրությունը, ծրագրավորումը, մաթեմատիկան և տվյալների մոդելավորման գիտելիքներն ու հմտությունները: Գործատուները կգնահատեն ձեր տեխնիկական և փափուկ հմտությունները, և թե որքանով կհամապատասխանեք նրանց ընկերությանը:



Պատրաստելով որոշ ընդհանուր տվյալների գիտության հարցազրույցի հարցեր և պատասխաններ, դուք կարող եք վստահորեն մտնել հարցազրույց: Կան տվյալների գիտնականի մի քանի տարբեր տեսակի հարցեր, որոնց կարող եք ակնկալել հանդիպել ձեր տվյալների գիտության հարցազրույցի ժամանակ:

Տվյալների գիտության հարցազրույցի հարցերի ցանկ. տվյալների հետ կապված հարցեր

Գործատուները փնտրում են թեկնածուների, ովքեր տիրապետում են տվյալների գիտության տեխնիկայի և հասկացություններին: Տվյալների հետ կապված հարցազրույցի հարցերը տարբեր կլինեն՝ կախված պաշտոնից և պահանջվող հմտություններից:

Ահա մի քանի օրինակներ տվյալների հետ կապված հարցազրույցի հարցերի և պատասխանների օրինակներ.



Ո՞րն է տարբերությունը վերահսկվող և չվերահսկվող ուսուցման միջև:

Վերահսկվող և չվերահսկվող ուսուցման միջև ամենամեծ տարբերությունը ներառում է պիտակավորված և չպիտակավորված տվյալների հավաքածուների օգտագործումը: Վերահսկվող ուսուցումն օգտագործում է ելքային և մուտքային տվյալներ, որոնք պիտակավորված են, իսկ չվերահսկվող ուսուցման ալգորիթմները՝ ոչ: Մեկ այլ տարբերություն այն է, որ վերահսկվող ուսուցումն ունի հետադարձ կապի մեխանիզմ, մինչդեռ չվերահսկվող ուսուցումը չունի: Վերջապես, սովորաբար օգտագործվող վերահսկվող ուսուցման ալգորիթմները ներառում են լոգիստիկ ռեգրեսիա, աջակցության վեկտորային մեքենա և որոշումների ծառեր, մինչդեռ չվերահսկվող ուսուցման ալգորիթմներն են k-means կլաստերի, հիերարխիկ կլաստերավորումը և apriori ալգորիթմը:

Ո՞րն է տարբերությունը խորը ուսուցման և մեքենայական ուսուցման միջև:

Այս հարցին կարող է դժվար լինել հստակ պատասխանել, քանի որ այստեղ ակնհայտորեն որոշակի համընկնում կա: Սկսեք բացատրելով, որ խորը ուսուցումն ըստ էության մեքենայական ուսուցման ենթաոլորտ է, և որ երկուսն էլ ընկնում են արհեստական ​​ինտելեկտի հովանու ներքո: Այնտեղ, որտեղ մեքենայական ուսուցումն օգտագործում է ալգորիթմներ՝ վերլուծելու տվյալները և, ի վերջո, սովորում է որոշումներ կայացնել՝ հիմնվելով տվյալներից ստացված տվյալների վրա, խորը ուսուցումը շերտավորում է այդ ալգորիթմները՝ ստեղծելու արհեստական ​​նեյրոնային ցանցեր, որոնք կարող են սովորել և տեղեկացված որոշումներ կայացնել:

  • Կարող եք մանրամասն բացատրություն տալ Decision Tree ալգորիթմի մասին:
  • Ի՞նչ է նմուշառումը: Նմուշառման քանի՞ եղանակին եք ծանոթ:
  • Ինչպե՞ս եք տարբերակում I տիպի և II տիպի սխալը:
  • Խնդրում ենք սահմանել գծային ռեգրեսիա:
  • Ի՞նչ են նշանակում p-արժեք, գործակից և r-քառակուսի արժեք տերմինները: Ինչու է յուրաքանչյուր բաղադրիչ կարևոր:
  • Խնդրում ենք սահմանել ընտրության կողմնակալությունը:
  • Խնդրում ենք սահմանել վիճակագրական փոխազդեցություն:
  • Կարո՞ղ եք ներկայացնել ոչ գաուսական բաշխմամբ տվյալների հավաքածուի օրինակ:
  • Խնդրում ենք բացատրել երկանդամ հավանականության բանաձևը:
  • Կարո՞ղ եք բացատրել k-NN-ի և k-means-ի կլաստերավորման միջև եղած տարբերությունը:
  • Ո՞րն է ձեր մոտեցումը լոգիստիկ ռեգրեսիայի մոդել ստեղծելու համար:
  • Ո՞րն է 80/20 կանոնը: Ինչպե՞ս է կարևոր մոդելի վավերացումը:
  • Սահմանել ճշգրտությունը և հիշելը: Ինչպե՞ս են դրանք կապված ROC կորի հետ:
  • Խնդրում եմ բացատրեք, թե ինչպես կարելի է տարբերակել L1 և L2 կանոնավորացման մեթոդները:
  • Նախքան մեքենայական ուսուցման ալգորիթմներ կիրառելը, որո՞նք են տվյալների վիճաբանության և տվյալների մաքրման քայլերը:
  • Կարո՞ղ եք բացատրել հիստոգրամի և տուփի գծագրի տարբերությունը:
  • Ինչպե՞ս եք սահմանում խաչաձև վավերացումը:
  • Կարո՞ղ եք բացատրել, թե ինչ է կեղծ դրականը և կեղծ բացասականը: Ի՞նչ կասեք, որ ավելի լավ է ունենալ՝ չափազանց շատ կեղծ պոզիտիվներ, թե՞ շատ կեղծ բացասական:
  • Մեքենայի ուսուցման մոդելը նախագծելիս ո՞րն է ավելի կարևոր՝ մոդելի ճշգրտությո՞ւնը, թե՞ մոդելի կատարումը:
  • Ձեր կարծիքով, ո՞րն է ավելի լավ՝ 50 փոքր որոշման ծառ, թե՞ մեծ:
  • Կարո՞ղ եք մտածել տվյալների գիտության նախագծի մասին մեր ընկերությունում, որը կհետաքրքրի ձեզ:
  • Խնդրում եմ, կարո՞ղ եք մտածել տվյալների գիտության լավագույն փորձի մի քանի օրինակների մասին:

Տվյալների գիտության Հարցազրույցների ցանկ. Տեխնիկական հմտությունների հարցեր

Տվյալների գիտության հարցազրույցում տեխնիկական հմտությունների հարցերն օգտագործվում են տվյալների գիտության ձեր գիտելիքները, հմտությունները և կարողությունները գնահատելու համար: Այս հարցերը կապված կլինեն Data Scientist-ի պաշտոնի կոնկրետ աշխատանքային պարտականությունների հետ:

Տեխնիկական տվյալների գիտության հարցազրույցի հարցերը կարող են ունենալ մեկ ճիշտ պատասխան կամ մի քանի հնարավոր լուծումներ: Դուք կցանկանաք ցույց տալ ձեր մտածողության գործընթացը խնդիրները լուծելիս և հստակ բացատրել, թե ինչպես եք եկել պատասխանի:

Տեխնիկական տվյալների գիտության հմտությունների հարցազրույցի հարցերի օրինակները ներառում են.

Որո՞նք են տվյալների գիտնականի համար լավագույն գործիքներն ու տեխնիկական հմտությունները:

Տվյալների գիտությունը բարձր տեխնիկական ոլորտ է, և դուք կցանկանաք ցույց տալ աշխատանքի ընդունող մենեջերին, որ տիրապետում եք ոլորտի ստանդարտ բոլոր վերջին գործիքներին, ծրագրային ապահովմանը և ծրագրավորման լեզուներին: Տվյալների գիտության մեջ օգտագործվող վիճակագրական ծրագրավորման տարբեր լեզուներից R-ը և Python-ն առավել հաճախ օգտագործվում են տվյալների գիտնականների կողմից: Երկուսն էլ կարող են օգտագործվել վիճակագրական գործառույթների համար, ինչպիսիք են ոչ գծային կամ գծային մոդելի ստեղծումը, ռեգրեսիոն վերլուծությունը, վիճակագրական թեստերը, տվյալների արդյունահանումը և այլն: Տվյալների գիտության մեկ այլ կարևոր գործիք է RStudio Server-ը, մինչդեռ Jupyter Notebook-ը հաճախ օգտագործվում է վիճակագրական մոդելավորման, տվյալների վիզուալիզացիայի, մեքենայական ուսուցման գործառույթների և այլնի համար: Իհարկե, կան տվյալների վիզուալիզացիայի մի շարք հատուկ գործիքներ, որոնք լայնորեն օգտագործվում են Data Scientists-ի կողմից, ներառյալ Tableau, PowerBI: , Bokeh, Plotly և Infogram: Տվյալների գիտնականները նաև SQL-ի և Excel-ի օգտագործման մեծ փորձի կարիք ունեն:

Ձեր պատասխանը պետք է նաև նշի որևէ հատուկ գործիք կամ տեխնիկական իրավասություն, որը պահանջվում է այն աշխատանքի համար, որի համար հարցազրույց եք տալիս: Վերանայեք աշխատանքի նկարագրությունը և եթե կան գործիքներ կամ ծրագրեր, որոնք դուք չեք օգտագործել, գուցե արժե ծանոթանալ ձեր հարցազրույցից առաջ:

Ինչպե՞ս եք վերաբերվում արտասովոր արժեքներին:

Որոշ տիպի արտանետումներ կարելի է հեռացնել: Աղբի արժեքները կամ արժեքները, որոնք դուք գիտեք, որ չեն կարող ճշմարիտ լինել, կարող են հանվել: Ծայրահեղ արժեքներ ունեցող ծայրամասերը, որոնք գտնվում են հավաքածուի մեջ հավաքված տվյալների մնացած կետերից հեռու, նույնպես կարող են հեռացվել: Եթե ​​դուք չեք կարող դուրս գցել, կարող եք վերանայել՝ արդյոք ընտրել եք ճիշտ մոդելը, կարող եք օգտագործել ալգորիթմներ (ինչպես պատահական անտառները), որոնց վրա այդքան մեծ ազդեցություն չեն թողնի արտաքին արժեքները, կամ կարող եք փորձել նորմալացնել ձեր տվյալները:

  • Խնդրում ենք պատմել մեզ ձեր ստեղծած օրիգինալ ալգորիթմի մասին:
  • Ո՞րն է ձեր սիրելի վիճակագրական ծրագիրը և ինչու:
  • Դուք աշխատե՞լ եք տվյալների գիտության նախագծի վրա, որը պահանջում էր էական ծրագրավորման բաղադրիչ: Ի՞նչ եք վերցրել փորձից:
  • Նկարագրեք, թե ինչպես արդյունավետ կերպով ներկայացնել տվյալները հինգ չափումներով:
  • Դուք պետք է ստեղծեք կանխատեսող մոդել՝ օգտագործելով բազմակի ռեգրեսիա: Ո՞րն է այս մոդելի վավերացման ձեր գործընթացը:
  • Ինչպե՞ս եք համոզվում, որ ալգորիթմի մեջ ձեր կատարած փոփոխությունները բարելավված են:
  • Խնդրում ենք տրամադրել ձեր մեթոդը անհավասարակշռված տվյալների հավաքածուի հետ աշխատելու համար, որն օգտագործվում է կանխատեսման համար (այսինքն՝ շատ ավելի բացասական դասեր, քան դրական դասեր):
  • Ո՞րն է ձեր մոտեցումը՝ հաստատելու ձեր ստեղծած մոդելը՝ քանակական արդյունքի փոփոխականի կանխատեսող մոդել ստեղծելու համար՝ օգտագործելով բազմակի ռեգրեսիա:
  • Դուք ունեք համեմատելի հաշվողական կատարողականության և ճշգրտության երկու տարբեր մոդելներ: Խնդրում ենք բացատրել, թե ինչպես եք որոշում, թե որն ընտրել արտադրության համար և ինչու:
  • Ձեզ տրվում է տվյալների հավաքածու, որը բաղկացած է փոփոխականներից, որոնց մի զգալի մասը բացակայում է արժեքներից: Ո՞րն է ձեր մոտեցումը:

Տվյալների գիտության հարցազրույցի հարցերի ցանկ. Անձնական հարցեր

Տվյալների գիտության ձեր գիտելիքներն ու հմտությունները ստուգելու հետ մեկտեղ գործատուները, հավանաբար, նաև ընդհանուր հարցեր կտան՝ ձեզ ավելի լավ ճանաչելու համար: Այս հարցերը կօգնեն նրանց հասկանալ ձեր աշխատաոճը, անհատականությունը և ինչպես կարող եք տեղավորվել իրենց ընկերության մշակույթի մեջ:

Անձնական տվյալների գիտնականի հարցազրույցի հարցերը կարող են ներառել.

Ինչո՞վ է լավ տվյալների գիտնականը:

Այս հարցին ձեր պատասխանը շատ բան կպատմի վարձու մենեջերին այն մասին, թե ինչպես եք տեսնում ձեր դերը և այն արժեքը, որը դուք բերում եք կազմակերպությանը: Ձեր պատասխանում դուք կարող եք խոսել այն մասին, թե ինչպես է տվյալների գիտությունը պահանջում կարողությունների և հմտությունների հազվագյուտ համակցություն: Տվյալների լավ գիտնականը պետք է միավորի տվյալների վերլուծության և մոդելների վերլուծության համար անհրաժեշտ տեխնիկական հմտությունները բիզնեսի իմաստով, որն անհրաժեշտ է հասկանալու այն խնդիրները, որոնք նրանք լուծվում են, ինչպես նաև ճանաչեն իրենց տվյալների մեջ կիրառելի պատկերացումները: Ձեր պատասխանում կարող եք նաև քննարկել տվյալների գիտնականը, որին փնտրում եք, լինի դա գործընկեր, որին անձամբ ճանաչում եք, թե ինդուստրիայի խորաթափանց գործիչ:

  • Խնդրում եմ պատմիր ինձ քո մասին։
  • Որո՞նք են ձեր լավագույն որակները մասնագիտական ​​առումով: Որո՞նք են ձեր թուլության ոլորտները:
  • Կա՞ մեկ Տվյալների գիտնական, ում ամենից շատ եք հիանում:
  • Ի՞նչը ներշնչեց ձեր հետաքրքրությունը տվյալների գիտության նկատմամբ:
  • Ի՞նչ յուրահատուկ հմտություններ կամ առանձնահատկություններ եք բերում, որոնք կօգնեն թիմին:
  • Ի՞նչը ստիպեց ձեզ որոշել թողնել ձեր վերջին աշխատանքը:
  • Ի՞նչ մակարդակի փոխհատուցում եք ակնկալում այս աշխատանքից:
  • Դուք նախընտրում եք աշխատել միայնակ, թե որպես տվյալների գիտնականների թիմի մաս:
  • Որտե՞ղ եք տեսնում ձեր կարիերան հինգ տարի հետո:
  • Ո՞րն է ձեր մոտեցումը աշխատանքի ժամանակ սթրեսը հաղթահարելու համար:
  • Ինչպե՞ս եք մոտիվացիա գտնում:
  • Ո՞րն է հաջողության չափման ձեր մեթոդը:
  • Ինչպե՞ս կբնութագրեք ձեր իդեալական աշխատանքային միջավայրը:
  • Որո՞նք են ձեր կրքերը կամ հոբբիները տվյալների գիտությունից դուրս:

Տվյալների գիտության հարցազրույցի հարցերի ցանկ. Առաջնորդություն և հաղորդակցություն

Առաջնորդությունը և հաղորդակցությունը երկու արժեքավոր հմտություններ են տվյալների գիտնականների համար: Գործատուները գնահատում են աշխատանքի թեկնածուներին, ովքեր կարող են նախաձեռնություն դրսևորել, կիսել իրենց փորձը թիմի անդամների հետ և հաղորդակցվել տվյալների գիտության նպատակներին ու ռազմավարություններին:

Ահա առաջնորդության և հաղորդակցության տվյալների գիտության հարցազրույցի հարցերի օրինակներ.

Ի՞նչն է ձեզ դուր գալիս բազմաբնույթ թիմում աշխատելիս:

Տվյալների գիտնականը համագործակցում է բազմաթիվ մարդկանց հետ՝ տեխնիկական և ոչ տեխնիկական դերերում: Տվյալների գիտնականի համար հազվադեպ չէ աշխատել մշակողների, դիզայներների, արտադրանքի մասնագետների, տվյալների վերլուծաբանների, վաճառքի և շուկայավարման թիմերի և բարձր մակարդակի ղեկավարների հետ, էլ չեմ խոսում հաճախորդների հետ: Այսպիսով, այս հարցին ձեր պատասխանում դուք պետք է ցույց տաք, որ դուք թիմային խաղացող եք, ով վայելում է կազմակերպությունում մարդկանց հետ հանդիպելու և համագործակցելու հնարավորությունը: Ընտրեք մի իրավիճակի օրինակ, երբ դուք զեկուցել եք ընկերության ամենաբարձր մակարդակի մարդկանց՝ ցույց տալու համար ոչ միայն, որ հարմար եք շփվել որևէ մեկի հետ, այլև ցույց տալու, թե որքան արժեքավոր են եղել ձեր տվյալների վրա հիմնված պատկերացումները նախկինում:

  • Կարո՞ղ եք մտածել պրոֆեսիոնալ իրավիճակի մասին, երբ հնարավորություն ունեիք առաջնորդություն դրսևորել:
  • Ինչպիսի՞ն է ձեր մոտեցումը հակամարտությունների կարգավորմանը:
  • Ո՞րն է ձեր մոտեցումը գործընկերների հետ մասնագիտական ​​հարաբերություններ կառուցելու համար:
  • Ո՞րն է հաջողված ներկայացման օրինակը, որը դուք ներկայացրել եք: Ինչու՞ էր դա այդքան ազդեցիկ:
  • Եթե ​​դուք խոսում եք ոչ տեխնիկական ծագում ունեցող գործընկերոջ կամ հաճախորդի հետ, ինչպե՞ս եք բացատրում բարդ տեխնիկական խնդիրները կամ մարտահրավերները:
  • Խնդրում ենք հիշել մի իրավիճակ, երբ դուք պետք է զբաղվեիք զգայուն տեղեկություններով: Ինչպե՞ս էիք մոտենում իրավիճակին։
  • Ձեր սեփական տեսանկյունից ինչպե՞ս կգնահատեք ձեր հաղորդակցման հմտությունները:

Տվյալների գիտության հարցազրույցի հարցերի ցանկ. վարքագծային

Վարքագծային հարցազրույցի հարցերով գործատուները փնտրում են կոնկրետ իրավիճակներ, որոնք ցույց են տալիս որոշակի հմտություններ: Հարցազրուցավարը ցանկանում է հասկանալ, թե ինչպես եք վարվել անցյալում ստեղծված իրավիճակների հետ, ինչ եք սովորել և ինչ կարող եք բերել նրանց ընկերությանը:

Տվյալների գիտության հարցազրույցում վարքագծային հարցերի օրինակները ներառում են.

Հիշու՞մ եք մի իրավիճակ, երբ ստիպված եք եղել մաքրել և կազմակերպել տվյալների մեծ հավաքածու:

Ուսումնասիրությունները ցույց են տվել, որ տվյալների գիտնականներն իրենց ժամանակի մեծ մասը ծախսում են տվյալների պատրաստման վրա՝ ի տարբերություն տվյալների արդյունահանման կամ մոդելավորման: Այսպիսով, եթե դուք ունեք տվյալների գիտնականի որևէ փորձ, ապա գրեթե վստահ է, որ դուք ունեք մեծ տվյալների հավաքածու մաքրելու և կազմակերպելու փորձ: Ճիշտ է նաև, որ սա մի խնդիր է, որից քչերն են իսկապես հաճույք ստանում: Սակայն տվյալների մաքրումը նույնպես ցանկացած ընկերության համար ամենակարեւոր քայլերից մեկն է: Այսպիսով, դուք պետք է աշխատանքի ընդունող մենեջերին տանեք տվյալների պատրաստման գործընթացում՝ հեռացնելով կրկնակի դիտարկումները, շտկելով կառուցվածքային սխալները, զտելով արտանետումները, լուծել բացակայող տվյալները և տվյալների վավերացում:

  • Մտածեք տվյալների նախագծի մասին, որի վրա աշխատել եք, որտեղ դուք բախվել եք խնդրի կամ մարտահրավերի: Ինչպիսի՞ն էր իրավիճակը, ո՞րն էր խոչընդոտը և ինչպե՞ս հաղթահարեցիք այն։
  • Խնդրում ենք տրամադրել տվյալների օգտագործման կոնկրետ օրինակ՝ հաճախորդի կամ շահագրգիռ կողմի փորձը բարձրացնելու համար:
  • Խնդրում ենք տրամադրել կոնկրետ իրավիճակ, որտեղ դուք հասել եք նպատակին: Ինչպե՞ս հասաք դրան:
  • Խնդրում ենք տրամադրել կոնկրետ իրավիճակ, երբ չկարողացաք հասնել նպատակին: Ինչը սխալ գնաց?
  • Ո՞րն է ձեր մոտեցումը սեղմ ժամկետների կառավարման և պահպանման համար:
  • Կարո՞ղ եք հիշել մի դեպք, երբ աշխատավայրում կոնֆլիկտի եք հանդիպել: Ինչպե՞ս վարվեցիք դրա հետ:

Տվյալների գիտության հետ հարցազրույցի հարցերի ցուցակ լավագույն ընկերություններից (Amazon, Google, Facebook, Microsoft)

Որպեսզի պատկերացնեք մի քանի այլ հարցերի մասին, որոնք կարող են ծագել հարցազրույցի ժամանակ, մենք կազմեցինք տվյալների գիտության հետ հարցազրույցի հարցերի ցանկը լավագույն տեխնոլոգիական ընկերություններից:

  • Ո՞րն է տարբերությունը աջակցության վեկտոր մեքենայի և լոգիստիկ ռեգրեսիայի միջև: Խնդրում ենք տրամադրել իրավիճակների օրինակներ, երբ դուք կընտրեիք օգտագործել մեկը, այլ ոչ թե մյուսը:
  • Եթե ​​տվյալների բազայից բացակայող արժեքների հեռացումն առաջացնի կողմնակալություն, ի՞նչ կանեիք:
  • Արտադրանքի առողջությունը, ներգրավվածությունը կամ աճը դիտարկելիս ի՞նչ չափումներ կգնահատեք:
  • Երբ փորձում եք լուծել կամ լուծել մեր արտադրանքի հետ կապված բիզնես խնդիրները, ի՞նչ չափումներ կգնահատեք:
  • Ինչպե՞ս եք գնահատում արտադրանքի կատարումը:
  • Ինչպե՞ս կարող եք իմանալ, թե արդյոք նոր դիտարկումն արտաքուստ է:
  • Ինչպե՞ս կսահմանեք կողմնակալության-տարբերակման փոխզիջում:
  • Ո՞րն է ձեր մեթոդը պատահականորեն ընտրանք ընտրելու արտադրանքի օգտագործողների բնակչությունից:
  • Ո՞րն է ձեր գործընթացը տվյալների վիճաբանության և մաքրման համար՝ նախքան մեքենայական ուսուցման ալգորիթմներ կիրառելը:
  • Ինչպե՞ս կմոտենայիք անհավասարակշիռ երկուական դասակարգմանը:
  • Ինչպե՞ս եք տարբերակում տվյալների լավ և վատ պատկերացումները:
  • Խնդրում ենք ստեղծել ֆունկցիա, որը ստուգում է՝ արդյոք բառը պալինդրոմ է: