Вопросы на собеседовании Data Scientist и ML-инженера
Что гоняют на собесе дата-сайентиста: классический ML и метрики качества, статистика и A/B-тесты, нейросети, NLP и LLM, System Design ML. Ниже — реальные вопросы с разбором; полный банк с движком повторения открывается в тренажёре.
Зачем перед запуском A/B-теста считать размер выборки (power analysis)?
A)Чтобы формально отчитаться о самом факте запуска теста перед своим менеджеромB)Чтобы заранее выбрать первичную метрику для оценки результата тестаC)Размер выборки на итоговые выводы теста фактически никак не влияетD)Оценить трафик и срок под MDE/α/мощность; недобранный тест неинформативенпоказать ответ и разбор
+D)Оценить трафик и срок под MDE/α/мощность; недобранный тест неинформативен// разбор: Мощность = вероятность увидеть эффект, если он есть. Без расчёта легко запустить тест с мощностью 20%: отрицательный результат неинформативен (эффект мог быть, вы бы его не поймали). Входы: базовое значение метрики, её дисперсия, MDE, α (обычно 0.05), мощность (0.8): отсюда n на группу и срок. MDE диктует бизнес: какой минимальный аплифт окупает изменение.
Метрика теста — «средний доход на пользователя», но рандомизация шла по сессиям. В чём проблема?
A)Никакой проблемы: сессий заметно больше, чем юзеров, значит и мощность теста вышеB)Юнит рандомизации ≠ юнит анализа: сессии юзера зависимы и в обеих группахC)Проблема в том, что группы получились разного размераD)Доход сложно корректно измерять в рамках A/B-тестапоказать ответ и разбор
+B)Юнит рандомизации ≠ юнит анализа: сессии юзера зависимы и в обеих группах// разбор: Классическая ловушка: наблюдения внутри юзера коррелированы, а юзер размазан по группам — и независимости нет, и экспозиция смешана. Стандарт: рандомизация по user_id; ratio-метрики (клики/показы) считать с дельта-методом или бутстрепом по юзерам. Проверка «совпадает ли юнит рандомизации с юнитом анализа» — рефлекс сеньора.
Почему поиск по ключу в хеш-таблице (dict/set) в среднем O(1), а в списке — O(n)?
A)Список хранит элементы строго отсортированными, а хеш-таблица — вперемешку без порядкаB)В списке элементы занимают меньше памяти, поэтому поиск медленнееC)Хеш по ключу сразу вычисляет позицию (бакет), а список надо обходить подрядD)Разницы нет, оба O(n)показать ответ и разбор
+C)Хеш по ключу сразу вычисляет позицию (бакет), а список надо обходить подряд// разбор: Хеш-функция превращает ключ в индекс бакета за O(1), и мы прыгаем прямо к нему. В списке адреса по значению неизвестны, поэтому линейный поиск обходит элементы один за другим — O(n). Цена O(1): нет порядка и есть накладные расходы на хеширование и коллизии.
Алгоритм работает за O(n). Что это значит на практике?
A)Он выполняет ровно n операций при входе — ни больше, ни меньшеB)Число операций растёт линейно с размером входа nC)В худшем случае он делает порядка n² операцийD)Ему требуется ровно n байт дополнительной памятипоказать ответ и разбор
+B)Число операций растёт линейно с размером входа n// разбор: O(n) — про асимптотику: при росте входа вдвое время растёт примерно вдвое. Это верхняя оценка скорости роста, а не точное число операций и не про память. Константы и младшие члены отбрасывают: O(3n+5) — это O(n).
Бинарный поиск работает за O(log n). Какое условие обязательно для его применения?
A)Массив должен состоять из чисел, строки бинарным поиском искать не получитсяB)Массив (или диапазон) должен быть отсортирован по искомому ключуC)В массиве не должно быть повторяющихся значенийD)Размер массива должен быть степенью двойкипоказать ответ и разбор
+B)Массив (или диапазон) должен быть отсортирован по искомому ключу// разбор: Бинарный поиск на каждом шаге отбрасывает половину диапазона, сравнивая середину с искомым — это возможно только если данные упорядочены по ключу. O(log n) — число делений пополам до одного элемента. Повторы и нечисловые типы допустимы (лишь бы был порядок); степень двойки не требуется.
Стек (stack) — это структура с дисциплиной...
A)LIFO: последним пришёл — первым вышелB)FIFO: первым пришёл — первым вышелC)По приоритету: первым выходит элемент с наименьшим ключом среди всех имеющихсяD)Случайного доступа по индексупоказать ответ и разбор
+A)LIFO: последним пришёл — первым вышел// разбор: Стек — LIFO: push кладёт наверх, pop снимает верхний, оба O(1). Аналогия — стопка тарелок. FIFO — это очередь, приоритет — куча. Стек естественно моделирует вложенность: вызовы функций (call stack), парсинг скобок, откат (undo), обход в глубину.
Чем отличаются два способа реализации DP: мемоизация и табуляция?
A)Мемоизация — рекурсия сверху вниз с кэшем; табуляция — итеративное заполнение таблицы снизу вверхB)Мемоизация применима только к задачам на графах, а табуляция — исключительно к задачам на деревьях и решёткахC)Это два названия одного и того же приёмаD)Табуляция экспоненциальна, мемоизация линейнапоказать ответ и разбор
+A)Мемоизация — рекурсия сверху вниз с кэшем; табуляция — итеративное заполнение таблицы снизу вверх// разбор: Оба варианта DP устраняют повторный счёт перекрывающихся подзадач, но идут с разных концов. Мемоизация — это рекурсия сверху вниз, которая запоминает результат каждой подзадачи и при повторе берёт из кэша; считает только реально нужные подзадачи, но держит стек рекурсии. Табуляция заполняет таблицу снизу вверх циклом от базовых случаев; нет рекурсии и её стека, но иногда считает лишние ячейки.
Почему BFS находит кратчайший путь в невзвешенном графе, а DFS — нет?
A)Обходит вершины волнами по возрастанию расстояния, поэтому впервые достигает каждую по кратчайшему путиB)BFS быстрее DFS по времени работыC)DFS находит между вершинами лишь самый длинный путь, поэтому для кратчайшего в невзвешенном графе он непригоденD)BFS сортирует рёбра по весу перед обходомпоказать ответ и разбор
+A)Обходит вершины волнами по возрастанию расстояния, поэтому впервые достигает каждую по кратчайшему пути// разбор: BFS расходится от старта слоями: сначала все вершины на расстоянии 1, затем 2 и т.д. Значит момент первого попадания в вершину соответствует минимальному числу рёбер до неё — это и есть кратчайший путь в невзвешенном графе. DFS углубляется по одной ветке и может достичь вершины длинным путём раньше короткого. Для взвешенных графов BFS уже недостаточно — нужен Дейкстра.
От чего зависит глубина стека вызовов при рекурсивном обходе?
A)От высоты дерева рекурсии: на стеке живут кадры текущей цепочки, глубокая рекурсия переполняет стекB)От общего числа рекурсивных вызовов за всё время работы, независимо от того, насколько глубоко они вложеныC)От числа ядер процессораD)От объёма кучи, выделенной программепоказать ответ и разбор
+A)От высоты дерева рекурсии: на стеке живут кадры текущей цепочки, глубокая рекурсия переполняет стек// разбор: На стеке одновременно живут только кадры вызовов текущей цепочки — от корня до текущего листа рекурсии. Значит потребление стека определяется МАКСИМАЛЬНОЙ глубиной вложенности, а не суммарным числом вызовов. Обход сбалансированного дерева уходит на O(log n), а вырожденного (или линейной рекурсии по n) — на O(n), что и грозит переполнением стека на больших входах.
это девять из 1312
В тренажёре ещё 1303 вопросов по теме — с движком повторения.
Разбор прочитать мало: навык ставится практикой. В Сеньорчике вопросы идут сессиями, а движок возвращает темы, где вы плывёте, пока не начнёт отскакивать от зубов. Роль «Data Scientist / ML» — 21 тем, 1312 вопросов. Начать можно бесплатно.