🤡 Como arruinar uma entrevista técnica de ML em 3 minutos

Chega um candidato para uma vaga de júnior ou até pleno. Perguntam sobre o stack — ele tem de tudo, a pessoa quase treinou o próprio Claude em placas de vídeo caseiras.

Dão a ele uma tarefa simples de regressão linear. A pessoa feliz importa scikit-learn, escreve .fit(), depois .predict(). Leva exatamente 20 segundos. Satisfeito.

Mas aí começam a fazer perguntas:
— Por que você usou MSE para avaliar a qualidade, e não R2?
— Nosso conjunto de dados tem um outlier grande. Como seu modelo reagirá a isso e por quê?
— O que significa aquele coeficiente para a característica X, se não a normalizamos?

E silêncio... A pessoa conhece a API da biblioteca, mas não faz ideia de como tudo funciona por baixo dos panos.

Ferramentas como sklearn foram criadas por pessoas inteligentes para pessoas inteligentes, para economizar tempo em tarefas rotineiras. E não para que alguém possa esconder a falta de base fundamental com duas linhas de código. O algoritmo não se importa com seus dados, ele engole qualquer lixo que você colocar e dá uma previsão. Garbage in — garbage out.

É isso que vamos começar a estudar na próxima temporada do Master Group. Na programação:
🟢 5 transmissões: dos fundamentos do aprendizado de máquina à construção e validação de modelos lineares básicos.
🟢 1 transmissão — prática em equipe. Chega de só assistir palestras. Vocês resolverão um problema prático em equipes, e depois analisaremos os resultados juntos (e veremos quem errou onde).
🟢 As gravações e meus arquivos de código, claro, ficam com vocês. Pegue e use como cola no trabalho.

🗓 Lembrando que começamos em 25 de abril às 11:00, horário de Moscou. Vocês já devem saber Python e pandas.

👉 Se quiser parar de ser um fit-predict qualquer — escreva para @obulygin91, conto os detalhes.