Задачи DS - Собеседования, Соревнования, ШАД

Что нужно знать, чтобы пройти ML-собеседование в 2026 году Продолжаем серию открытых вебинаров 😎 В это воскресенье разберём, как сейчас выглядит путь начинающего ML-специалиста: чего ждут от джунов и стажеров, как устроены технические отборы и как строить карьеру в 2026 году. Поговорим о том, почему ML - это не только обучить модель в ноутбуке. На собеседовании будет livecoding, метрики, классические модели, переобучение, умение выбрать решение и объяснить его. На вебинаре: ➡️ соберём карту ML-собеседования: из чего складывается подготовка ➡️ разберём главные ошибки новичков ➡️ решим ML-кейсы с реальных собеседований, покажем, какое решение ожидают от вас ▶️Бонус — обсудим карьерную часть: резюме, пет проекты, отклики на вакансии Ведущий вебинара — ML-инженер WB. У вас будет возможность задать вопросы тому, кто сам проводит собеседования и узнать, на что обращают внимание при найме! 5 июля воскресенье, 12:00 (мск) Ссылку пришлём позже сюда и в бот @Postupashkianalitycsbot

Всем привет! Сегодня хочется поговорить про важную тему, а именно - стат. значимость. Почти на каждом собеседовании в бигтех спрашивают данную тему и ожидают услышать с одной стороны четкий математический рассказ, с другой стороны развернуть все в сторону прикладную: как это использовать в проде? Представим такую задачу: у тебя есть две модели машинного обучения, первую ты обучал месяц назад на каких-то данных, а за месяц набралось еще данных, появились новые подходы и ты обучил новую версию модели. На валидационной выборке, которая строго не входила в трейн модели выдали абстрактный скор качества: 0.95 для версии прошлого месяца 0.98 для версии текущего месяца. Как можно ответить на вопрос: стоит ли катить модель в прод при прочих равных (вес, скорость инференса и тд)? Вариант 1: можно провести кросс валидацию и замериться не на одной выборке, а на фолдах, причем чтоб размер фолда был репрезентативен и немал. Вариант 2: применить стат. тесты. Рассмотрим пример оффлайн стат. теста на примере нашей задачи. Конкретно для этой задачи подходит бутстрапированный метод, потому что распределение лосса функции заведомо неизвестно (обычно в мат стате к требуются условия на нормальность и т.д). Сформируем гипотезы: H_0 (нулевая гипотеза) - новая модель не стат. значимо отличается от старой H_1 (альтернативная гипотеза) - новая модель лучше старой. 0. Возьмем нашу валидационную выборку. 1. Насэмплим валидационных примеров в количестве меньшем кол-ва валидационной выборке. 2. Замерим какие-то показатели качества на каждом нашем элементе подвыборки для модели A (новой) и модели B (старой) и вычтем одно из другого. Например для ревордов оценки аспекта качества текста: for i: D_b[i]=reward_model_a_i - reward_model_b_i 3. Считаем среднее разностей на подвыборке. Сохраняем в наш массив средних разностей по подвыборкам: D[i] = D_mean_b 4. Повторяем для большого кол-ва подвыборок с возвратом. Окей, мы получили какие то статистики, что дальше? Теперь сортируем наш массив средних разностей по возрастанию и берем уровень значимости=0.05. Считаем нижнюю границу, как lower_bound(B × 0.025)=B_min и верхнюю как upper_bound(B×0.975)=B_max. Если B_min>0, то с вероятностью 95% истинное среднее разности больше 0. Отвергаем H0, катим новую модель. Иначе, мы не можем отвергнуть H0 и выкатку ставим под сомнение. После сверки на этом этапе можно уже к онлайн тесту перейти - АБ тесту. Их обычно по разному проводят, но алгоритм такой - берем выборку людей с новой моделью и со старой моделью, выборки не пересекаем. И считаем важные для бизнеса метрики, а потом сравниваем, реально ли стало лучше? На самом деле, существует много еще других стат. тестов - тест Стьюдента (различаются ли средние значения двух групп?), тест хи-квадрат (есть ли статистическая связь между двумя категориальными переменными?), тест Колмогорова-Смирнова (соответствует ли распределение выборки эталонному или совпадают ли распределения двух выборок?), и т.д. Если еще чего интересное из тестов вы встречали в проде, поделитесь в комментах 😉. Всем хорошей пятницы! @zadachi_ds

Всем привет! У бакалавров сейчас в активно проходят защиты, потому есть смысл поговорить о том, как поступать в магистратуру и куда поступать? В целом сейчас есть два варианта: ехать зарубеж, поступать сейчас в топовую магистратуру в России. Я расскажу о порядке поступления в +- каждый ВУЗ, потому что ранее уже писал про сильные и слабые стороны различных программ. 1. ИТМО: тут порядок поступления не самый сложный и вариантов поступления ДОСТУПНЫХ сейчас два - конкурс портфолио (3-я волна) и вступительные испытания. Также в целом, если списаться с академ. руководителем программы и показать все свои достижения (реально стоящие), есть шанс попасть по рекомендательному письму (но обычно таким способом берут лишь своих). По конкурсу портфолио шансы большие у тех, кто реально имеет что-то стоящее - статьи, опыт работы по профилю, хакатоны, олимпиадки, участие в научно-исследовательской деятельности (как-то надо подтвердить стажем в лабе). Вступительные - надо смотреть на сайте приемной кампании, на каждую программу разное. Но обычно вступительные - это дист экзамен на рассказать билет и ответить на доп вопросы. Ссылочка (экзамены обычно в середине августа, конкурс портфолио с конца июня по конец июля): https://abit.itmo.ru/master 2. ВШЭ: поступить сейчас уже можно толко по вступительным. Начинаются с 20.06, и по 19.08. Основной формат - конкурс портфолио. В него входят: мотивационное письмо, резюме, эссе, дипломы, грамоты. Загрузить портфолио нужно через личный кабинет до дедлайна. На некоторых программах бывают: письменные и устные экзамены по профилю (математика, физика, экономика и др.); экзамен по английскому (тест + аудирование); собеседование (о себе, целях и мотивации). Также на некоторые программы по типу СКН, надо поступить в ШАД перед тем, как участвовать в конкурсе (для программ совместных с ШАД). Надо смотреть в расписании приема по датам конкретнеее (там табличка такая): https://ma.hse.ru/rasp 3. МФТИ: даты 20 июня - 31 июля для бюджетников. Правила приема тут: https://pk.mipt.ru/master/ А программы вступительных: https://pk.mipt.ru/master/2026_exams/ Вообще, в МФТИ формат такой - вступительные выглядят, как экзаменационный билет, который надо рассказать по заранее заявленным темам. НА некоторых кафедрах и направлениях есть что-то типо мотивационных собесов. НА кафедру Яндекса и ШАДа надо еще пройти в ШАД, чтоб попасть (тестирование и экз прошли,но если вы не знали и прошли далее, то можете двух зайцев убить - и в магу поступить и в ШАД). 4. Сколтех. Это достаточно хайповая мага, в которой есть несколько этапов отбора - экзамен по английскому, либо подтвержденный экзамен IELTS/TOEFL, потом идёт вступительный экзамен. Также нужно получить рекомендательные письма от 2 людей (желательно со степенями), с которыми вы работали. Можно в целом попросить у лидов, с которыми вы работали. После заполнения анкеты идет онлайн тестирование. Тот, кто прошел дальше - финал в Москве с оффлайн собеседованием. Ссылка: https://msc.skoltech.ru/nauki-o-dannykh?_ga=2.73371731.111430350.1781368415-1304429801.1781368415 В целом, существует еще много магистратур в СПБГУ, МГУ, Иннополисе, если хотите, обсудим это в комментариях. Всем успешных вступительных, защит и экзаменов. Удачи! @zadachi_ds

9. Efficient DL Engineer (уже около инфра, но все равно есть жесткая связь с ML) - тут чуваки пишут всякие умные тритон/cuda ядра по определенный тип железа для определенных операций, оптимизируют инференс и завозят это все прямиком из статей. Это все таки отчасти подобласть Research/Research-Engineer и есть какая-то связь с AI Engineer (тоже приходится работать с балансерами иногда и тд). Это очень маленькая часть рынка, пока что думаю не более 1%. Сейчас активно развивается в штатах, предлагают какие-то космические бабки (видел вакансии в антропиках/openai/nvidia с зп до 600к бачей без учета премий). Примерно как-то так, мог что-то упустить. Думаю, это важно, чтоб при подборе работы ты не был в розовых очках и четко понимал свои обязанности. Откликаясь на вакансию ML специалиста без четкого описания обязанностей - задай просто вопрос работодателю, чем из этих 9 пунктов ты будешь заниматься? Всем хороших выходных, до скорых встреч! @zadachi_ds

Всем привет! Пока проходит крупный российский фестиваль Datafest-2026, я бы хотел поговорить про то, куда двигается рынок, какие есть вакансии и какие из них выдаются за ML. При собеседовании всегда спрашивайте, что будете конкретно делать, чтоб ожидая одно, вы внезапно не начали делать другое по своей же вине (в этом плане зарубежом с названиями вакансий все конечно лучше, так что буду называть их именами вакансии и транслировать на наш язык). 1. MLOps/DataEngineer - по сути что то среднее между ML и Backend/Инфрой. Как специалист - будешь настраивать пайплайны обработки данных, писать реакции для запуска пайплайнов и делать весь dataflow в команде. Я бы сказал, что это сейчас очень большая часть рынка (примерно 20%). Многие компании выдают ML вакансию, но на деле это MLOps. Конкретных компаний с такой вакой - наверное весь рынок, где есть ML вакансия. 2. ML-classic Engineer. Как правило специалист строит и внедряет модели классического ML: скоринг, прогнозирование, рекомендации, классификация, ранжирование, антифрод, churn, uplift и т.д. Частая вакансия во всяках банках у нас в России, также в маркетплейсах почти во всех - короче в целом неотъемлемая часть бизнеса, в которой ты и сам будешь достаточно сильно касаться бизнесовой состовляющей проекта. Все что связано с рекомендашками идет туда же). Доля рынка - примерно 25-30%. 3. Data Scientist / Applied Scientist / Аналитик данных. Анализирует данные, строит гипотезы, делает prototyping моделей, подбирает промпты, делает DSAT, запускает разметки. Чаще всего можно найти у продуктовых компаний, ритейлов, банков, сервисов подписок, маркетинговых фирм. Тоже, примерно 15-20% рынка. 4. DL Engineer / CV/NLP Engineer. Разрабатывает и внедряет deep learning модели: CV, NLP, speech, LLM-based решения. В целом есть в известных бигтехах - Яндекс, Сбер, Авито, WB и прочих маленьких компаниях, где занимаются робототехникой / всякими разработками для промышленных предприятий (условно расположить детекторы на производстве для детекции саботажа / детекции невыполнения норм труда). Сейчас в России примерно 10-15 процентов. 5. AI Engineer / LLM Engineer / GenAI Engineer - cтроит AI-продукты вокруг foundation models: LLM apps, copilots, agents, RAG, prompt pipelines, tool use, orchestration. Очень часто путают с ML разрабом из-за обманчивого названия. На деле - забущенный / ML-специализированны Backend разраб, который вместо продуктовых ручек ходит в LLM и настраивает нагрузку, специализировано по модели. Я бы сказал, что сейчас 8-12 процентов ML-рынка. 6. DL Research Engineer / RnD ML Engineer - находится между research и engineering: реализует и масштабирует новые DL-идеи, повторяет статьи, обучает большие модели, доводит research до production-grade прототипа. По моему скромному мнению - самая интересная вакансия, но и не самая популярная пока что у нас в стране. Много во всяких Sber/AIRI/какие то команды Яндекса/прочие компании с RnD отделами. Зарубежом популярная вака в OpenAI/Anthropic/Meta/GDM/etc. Наверное, не более 5-8 % рынка. 7. Research Scientist - в основном очень идейная работа на написание статей (к сожалению часто BullShit) и новых идей. Вакансия в общем, популярна в академической среде либо в очень богатых бигтехах по типу Google (GDM) / Yandex (Yandex Research, хотя они отчасти и чем то, подобным п.6 занимаются) / Sber (да знаю я, что AIRI - не Сбер 😁). Опять таки, не более 2-5% рынка. 8. Data Annotator / Разметчик данных / AI Trainer / RLHF Specialist - готовит обучающие данные, размечает датасеты, оценивает ответы моделей, помогает улучшать качество AI-систем. В целом очень недооценненая, но при этом реально важная профессия на рынке труда ML. Сейчас на самом деле в разметку много денег уходит, придумываются умные и новые пайплайны запусков разметок и оптимизации всего этого дела. Долю мне сложно оценить, но разметчиков, специалистов по запуску разметок сейчас много. @zadachi_ds

Всем привет, нас перевалило за 8 тыс и это круто - спасибо всем, кто читает данный канал, мы очень стараемся делать контент особенным! Сегодня хочу поговорить о двух темах — небольших, но, как мне кажется, достаточно важных для саморазвития в карьерном плане. Части вполне себе независимые. Часть 1. Как общаться и строить диалог с HR? Каждый человек, устраиваясь на работу, сталкивается с HR. Часто с рекрутерами возникает недопонимание по зарплате, свободным слотам (временным окнам) и т.д. Моё личное мнение: оставайся максимально вежливым с HR, старайся вести весь процесс в обходительной манере. Иногда HR могут тебя недооценивать — вполне себе частая история, когда ты называешь одну зарплату, а тебе говорят, что опыта пока не хватает. В таких ситуациях проси HR максимально вежливо решать вопрос по деньгам после технических секций и стой на своём. После секций уже не HR будет (при идеальном прохождении) решать, какую ЗП тебе согласовать. Но почему ещё с HR надо оставаться в хороших отношениях? Это банальная возможность быстро привести в компанию других сильных людей, которых ты порекомендуешь. Также достаточно важный момент: если ты приписываешь себе чужие достижения, не надо на собеседовании или скрининге признаваться, что опыт на самом деле не твой. Это очень тупой совет, но блин, как часто, собеседуя людей или общаясь с ними как интервьюер, я это встречал. TLDR: будь вежлив, но стой на своём, не раскрывай все карты до финального вердикта твоего грейда от лида команды. Часть 2. Как грамотно балансировать работу и жизнь или как не перегореть? Сам сталкивался с такими ситуациями: ты фигачишь больше 12 часов в день на протяжении полутора месяцев, а потом у тебя заканчивается эмоциональный ресурс для исследования и реализации. Запомни: карьера — это игра в долгую, а не олимпиада. Да, есть всякие HFT (high-frequency trading), где ты прожигаешь себя за огромные деньги, но в остальном — в большинстве работ планирование не строится на коротких промежутках. Важно грамотно распределять свои ресурсы на протяжении этого планирования. У обычного работника в год есть 28 дней отпуска — всегда ходи в отпуск. Можно сходить дважды по 14 дней, можно 4 раза по 7 — тут уже как вам нравится. Но главное — ходи. Поверь, ничего за эти 1–2 недели без тебя в компании не случится. Надо уметь отключаться. Занимайся спортом. Пожалуй, я не видел ни одного успешного человека без спорта. Из знакомых в нашей индустрии — это Валерий Бабушкин (достаточно известный и реально успешный чувак). Он, например, считает, что без спорта успех на таком уровне невозможен. И он прав. Добавлю ещё пару примеров из мира IT, которые качаются не хуже, чем кодят: - Павел Дуров — дзюдо и кроссфит на регулярке. - Марк Цукерберг — стабильно пашет в зале. Спорт — это самый верный и честный способ получать дофамин и чувствовать себя собой. Начни с зала, ходи по 2–3 раза в неделю. Можно чередовать железо с кардио. Желательно после зала идти в сауну (почти любой зал имеет такую опцию), а потом под холодный душ. В общем, лучше так получать дофамин, чем через наркоту, как делают некоторые хак-инженеры в Кремниевой долине 😉 TLDR: давай себе отдых, занимайся спортом. Как-то вот так. Ко всему этому я бы ещё добавил ЗОЖ с точки зрения еды и напитков, но это, наверное, уже сюда не лезет. Получилось достаточно сумбурно, но надеюсь, что это вас замотивирует как-то поменять свой подход к карьере. Всем продуктивной недели, до скорых встреч 👍 @zadachi_ds

Привет! Недавно мы уже говорили с вами о замечательном месте — AIRI. Давайте освежим в памяти, что это такое и как туда отбираются. AIRI — топовый институт искусственного интеллекта, который занимается исследованиями в самых разных областях: медицина, биоинформатика, оптимизация, эффективное обучение (Triton kernels, speculative decoding и т. д.), LLM, NLP, CV. На мой взгляд, это, возможно, сильнейший научный центр по ИИ в СНГ. Например, на прошедший ICLR в Бразилии ребята отправили около 31 статьи — знатоки в комментариях, поправьте меня, если ошибаюсь. Все эти факты, конечно, привлекают ресерчеров. Я считаю, что именно в AI Research всё ещё очень много неизведанного и интересного — того, за счёт чего хочется постоянно развиваться. Так почему бы не попробовать туда попасть? Вообще, AIRI в большей степени нацелен на уже более-менее состоявшихся в академическом плане ресерчеров. Там много кандидатов наук или хотя бы магистров, аспирантов, но я решил испытать свои силы, будучи на 4-м курсе бакалавриата. Как проходил отбор? Не-технические скрининги я опущу. Технический скрининг Я созвонился с уважаемым учёным — Василием Коноваловым, известным ресерчером из DeepPavlov, МФТИ, а ныне AIRI. Меня спрашивали про эффективное обучение: как бороться с длинными контекстами и правильно распределять нагрузку. Я предложил стандартный вариант шардирования и на коленке придумал бить каждый контекст на батчи. Как я понял уже после собеседования, от меня хотели услышать про Chunked Prefill / Continuous Batching. Далее мы поговорили про методы генерации текста: beam search, top-k. Потом меня неочевидно спросили про nucleus sampling, которым я, конечно, всегда пользовался на работе, но теоретически не знал, как он устроен. Позже меня очень верхнеуровнево спросили про отличие DPO от PPO — с этим я справился. Техническое собеседование Тут было уже сложнее: собеседовал меня Алексей Скрынник — топовый RL-ресерчер. Началось всё с базы: отличие Off-Policy от On-Policy. Я показал разницу на примере Q-Learning и SARSA, но немного замешкался, когда говорил про epsilon-greedy. Забыл, что фактически этот exploration есть в обоих алгоритмах: отличие лишь в том, что в Off-Policy мы берём максимум, а в On-Policy-вариации сэмплируем из (s, a)). Далее меня спросили, как повысить exploration у LLM при генерации роллаутов в GRPO/PPO. Я ответил, что, как вариант, можно делать сэмплирование с температурой, а также добавлять энтропию в rewards. В целом такой ответ мне засчитали. Потом я рассказал весь алгоритм PPO, его связь с TRPO и зачем в PPO нужен clipping. Тут Алексей меня немного опередил, потому что я не совсем чётко сформулировал ответ, хотя по сути клиппинг нужен, чтобы градиент не тёк за пределами заданных значений. Это мне зачли как большой плюс, потому что с ходу тяжело рассказать всё вплоть до того, как выглядит градиент. Спасибо Паше Темирчеву и курсу RL в ШАД :) Фидбек — Middle- В фидбеке довольно странно написали, что я не особо хорошо пишу код, хотя про это мы говорили только в контексте того, пользовался ли я verl. Отметили, что рассуждения у меня на высоком уровне, но для более высокого грейда нужны статьи на main track конференций — пока у меня только воркшопы. Приглашение в команду было, но пока этот момент у меня под вопросом. Я всегда советую пробовать что-то новое и копать вглубь, а не в ширину. Всем удачи на вашем пути и на собеседованиях. Хороших выходных и до скорых встреч! @zadachi_ds

Всем привет! Сегодня поговорим про то, как выглядит рабочий день у ML разработчика в практически любой бигтех команде. В целом каждая группа в начале полугодия ставит себе цели. Например - обогнать Deepseek v3.1 на русском домене (очень условно). Лиды команд в зависимости от их зоны ответственности планируют бюджет, им выделяют хэдкаунт (впоследствии которого как раз и происходит нацйм сотрудников). Далее происходит некоторый брейншторм в той области, в которой работает команда того или иного лида - придумывается верхнеуровневый подход решения задачи, скелеты архитектуры, каждое звено которого будет решать тот или иной сотрудник команды (будь то лид, будь то сеньор, будь то миддл). После брейншторма наступает долгая стадия реализации проекта. От этого зависит сходимость запланированного результата. Обычно сотруднику уровня миддл дают задачу, которая не самым главным образом влияет на релиз, то есть если у тебя эта задача не сойдется - это конечно плохо, но не критично в рамках проекта. Тут влияет зона ответственности, чем выше грейд, тем выше зона ответственности. Как же выглядит обычный день DL разработчика в поиске? Очень часто в начале дня ты досводишь свои эксперименты, оформляешь их в своем тикете так, чтоб было понятно твоему лиду - пишешь максимально емко и подробно, о чем эксперимент, какой бейзлайн, что получилось, что не получилось (если так, надо обязательно описать гипотезу, почему не получилось). Все это в оформленном виде должно выглядеть максимально убедительно - ты должен продать свое решение лиду, чтоб потом он принял решение внедрить твой продукт в продакшен. Далее, ты очень часто работаешь с данными - формирование гипотез о несходимости той или иной модели за иключением багованных запусков сводится к изучению данных - распределение, доливание синты определенного вида, выравнивание распределения и тд. Потом идет работа с ETL - тебе надо грамотно описать пайплайн, чтоб во первых, было максимально читаемо и реюзабельно, а во-вторых - эффективно. Зачастую это делается в Apache Airflow или их отечественных аналогах (у разных бигтехов разные). Потом идет обучение - тут важно подобрать максимально качественную и в то же время подходящую для вашего бизнеса модель. Будет странно брать LLM, если у вас мало ресурсов, не хватает ГПУ для дообучений или вы в целом в продашкене не сможете держать нужный рпс с тяжелыми моделями. Тут обычно миддлу надо договариваться с лидами - кого, что и когда брать. Дообучение процесс тоже не простой - надо много экспериментировать и все очень сильно зависит от архитектуры. Тут можно писать отдельный пост. Но вообще следуйте практикам внутри вашей команды - вдруг что-то такое уже заводилось. В целом в течение дня бывают еще и минорные ресерч задачи - почитать статьи про бенчмарки например - очень важная задача для прода если бейзлайн уже сформирован и нужно дообучать и замеряться. На этом все, если хотите продолжения в таком роде, ставьте реакции! Всех с прошедшим днем Победы! @zadachi_ds

Последние 8 часов скидки на карьерные курсы! Сегодня стартовали курсы по A/B-тестам, Data Science и Data Engineering. Первые материалы уже выложены на курсах. Товарищи, сезон найма и стажировок идёт прямо сейчас. Наши курсы заточены именно под это: закрываем все темы, которые спрашивают на собесах, разбираем задачи из реальных отборов и готовим к каждому этапу — от резюме до финального интервью. На курсах не просто теория и решение задач: ➡️ закрытый банк собесов Яндекс, Т-Банк, Ozon, WB, Авито ➡️ mock-интервью и разбор резюме ➡️ лучших выпускников рефералим в бигтех ➡️ не получишь оффер, но выполнишь рекомендации — вернём деньги ⭐️ Скидки 35% действуют до конца дня! Поэтому успеваем присоединиться по выгодной цене и уже этим летом выйти на стажировку или работу. После покупки материалы открываются сразу. 📌 Для вопросов и записи на интенсивы напиши менеджеру

Всем привет! Давно у нас не было постов, а потому чтоб перезарядить KV-кэши, обсудим сегодня хаки, которые помогут при собеседовании куда либо. Мой друг стал недавно сертифицированным собеседующим в Яндекс и дал пару советов при прохождении на тот или иной грейд. Вообще, подаваясь в Яндекс важно понимать, что ваш грейд во многом помимо вакансии еще и определяется уровнем того, как вы проходите собесы. Если вы собеситесь на middle -, jun+ или на стажку пайплайн стандартный -MLP, AA, Финал. На стажера достаточно просто четко отвечать на все вопросы интервьюера. Пытаясь попасть на более высокий грейд уже следует вести беседу самостоятельно. Представьте, что вы ведете лекцию и рассказываете все что знаете про тот или иной алгоритм. Очень важно для более высокого грейда показать не только теор знания, но и практические юз кейсы, например как себе можно просрелить в ногу. Можно подкрепить ситуациями из жизни, как вы с этим столкнулись. Короче, флоу такой - старайся все самостоятельно проговаривать и перетекать из одной темы в другую логично и последовательно. Можно придерживаться такой модели: Модель, функционал ошибки->Переобучение и ее детекция->Метрики качества->Вероятностная природа. В каждом пункте можно начинать даже издалека и показывать какие проблемы решает тот или иной хак. Например вот было accuracy, почему вообще надо придумывать что-то новое? Проблема в дисбалансе классов. Рассмотрим recall, precision. Уже лучше. Придумаем f1, чтоб все учесть. И так далее. От вас ждут структуры, именно это и отличает штатного сотрудника от стажера. Никогда не молчите, поддерживайте флоу. Допустим, вы пошли еще дальше и хотите идти на senior позиции. Тогда будьте готовы к еще одному этапу - MLS или Domain-like-ml собес. Там точно также надо показать полное понимание всех тонкостей и алгоритмов. Что касается алгоритмов и написания кода, тут правило одно - нужно решить все, идеально и как можно быстрее. Без решенной задачи сразу no-hire. Как проходить финал? Я лично советую всегда погрузиться до финала в текущие задачи / решённые задачи команды. Почитайте хабр, статьи и тд. Будьте готовы, что вас спросят текущую задачу, как бы вы ее решали? Очень часто и мне на собесах задавали такой вопрос и приходилось из головы что-то придумывать, правда начитанность спасала. Будь заинтересован в задачах команды - это на самом деле очень важно. Если задачи команды тебе кажутся неинтересны - не советую идти в такую команду. Также, что важно - это менталка. Постарайтесь не нервничать перед собесом и тем более во время. Очень сильно дамажит мыслительный процесс. (Задай себе вопрос - что будет, если я не пройду? Spoiler - ты уже красавчик, ничего). Придерживаясь такого конвейера можно спокойно рассчитывать на найм. Я желаю всем успешных и продуктивных выходных. Stay tuned. @zadachi_ds