Задачи курса «Data Scientist: от данных до деплоя моделей»
Выберите задачу и проверьте решение прямо на странице. Регистрация не нужна.
- Описание схемы DataFrame: dtype, пропуски и уникальные значения
Реализуйте описание схемы pandas DataFrame: типы, пропуски, уникальность и примеры значений. Задача Python с проверкой результата.
- Заполнение пропусков медианой: найдите утечку train и val
Проверьте, как расчёт медианы на объединённых train и val влияет на корректность подготовки данных. Задача с выбором ответа.
- Permutation importance: на какой выборке оценивать признаки
Выберите данные для оценки permutation importance и проверьте, как обучение модели связано с интерпретацией важности признаков.
- Препроцессор обучен на train: выберите метод для test
Проверьте, какой метод обученного препроцессора применять к тестовой выборке. Практическая задача по preprocessing в ML.
- Early stopping в градиентном бустинге: задача
Выберите назначение early stopping при обучении gradient boosting и отличите его от других способов изменения модели.
- Accuracy при дисбалансе классов: вычислите результат
Рассчитайте Accuracy классификатора, который всегда выбирает один класс. Задача на связь метрики с распределением целевой переменной.
- crossvalscore: какой параметр выбирает метрику
Проверьте знание параметров crossvalscore в scikit-learn: выберите аргумент для настройки метрики кросс-валидации.
- Data drift: ожидаемое число ложных срабатываний
Рассчитайте ожидаемое число ложных сигналов при проверке 50 признаков на дрейф. Задача на уровень значимости и мониторинг модели.
- KS и PSI: добавьте флаги алертов в pandas DataFrame
Реализуйте булевы флаги по KS p-value и PSI, обработайте пропуски и сохраните исходные метрики. Задача Python с проверкой.
- Prediction drift и качество модели: границы мониторинга
Выберите, почему стабильное распределение скоров не заменяет оценку качества модели. Задача по production-мониторингу.
- Дашборд ML-модели: как заметить устаревшие данные
Выберите практику мониторинга, которая помогает обнаружить отсутствие свежих данных на дашборде модели. Задача с проверкой.
- Batch или online inference: выберите режим по требованиям
Подберите режим инференса для ежедневного обновления рекомендаций миллионам пользователей. Задача по требованиям к ML-системе.
