0:01 你好。現在我來給你們看真傢伙。
0:04 面試資料科學家職位
0:07 年薪40萬盧布。當候選人…
0:08 我會回答錯誤，我會
0:11 暫停影片並解釋一下
0:12 他回答錯了，正確的回答是…
0:16 那樣會更好。有趣的？那我們走吧 看，
0:17 看，
0:20 如何在不使用任何工具的情況下找到毫米中位數
0:22 中位數函數，但在 sQel 上，嗯，在
0:24 sQele 的任何方言。百分位數也 這是被禁止的。
0:25 這是被禁止的。
0:28 嗯，你可以處理一下。啊，是的，在
0:31 按升序排列。這是中位數——這是
0:34 原來，中間部分，啊，好吧，我們
0:36 我們可以接收這個數量，是的，我們有。
0:40 有一個函數可以計算總行數。
0:42 記錄，因此我們需要
0:44 中間。也就是說，我們把它分成兩個部分。
0:46 在特定條件下，這將是中位數。
0:48 是的。如果我們需要每個的中位數
0:49 群組查找，
0:52 啊，好吧，我們會進行總結。哦，是的。
0:55 我們將按組進行匯總，並在這些組中進行匯總。 在
0:55 在
0:57 嗯，我該如何理解呢？是的，我該如何理解呢？
0:59 CQ元素的中間元素是什麼？如何
1:03 明白這個元素位於中間嗎？嗯，如果你
1:06 我們有長度和A，嗯，是的，我們需要
1:08 發展是必要的。因此，
1:09 如果按升序排列，是的。
1:12 那麼，我們就能得到這個長度了。
1:15 除以二，再加上四捨五入，
1:17 如果是偶數，則為奇數
1:20 數量。恐怕也只能如此了。
1:23 我會記得方法的。還有其他事，但現在
1:24 我不記得了。
1:25 好的，這裡有小組規模的問題。
1:27 已計數。對了，請問我可以選什麼尺寸？
1:29 每組都應該被計入嗎？
1:33 嗯，我不記得正式的做法是什麼了。
1:36 我可能已經記不起來了。有一些，
1:37 可能是視窗函數，但我不太清楚。 我記得。
1:38 我記得。
1:40 如何？假設我們發現有
1:44 我不了解M碼的情況。
1:46 大約10個。我們怎麼知道是哪一個？
1:49 是否需要這個元素？好了，我們已經解決了。
1:51 接下來呢？我們只有
1:52 元素的順序。
1:55 我們需要取中位數。啊，那好吧
1:58 為什麼我們正式在那裡擁有哪些類型的物品？
2:01 有任何字段嗎？也就是說，我們進行排序
2:05 按索引，或直接按索引。再一次
2:08 在特定條件下，所需的中間值究竟是多少？
2:12 嗯，很普通。也就是說，就像 sQel 一樣
2:14 請理解我們屬於某個群體。
2:17 元素，嗯，中間那個？
2:18 排序後
2:20 中間那個元素是什麼？
2:24 排序？我不知道，我不記得了。出色地
2:27 好的，那就開始吧。
2:31 嗯，長度為 10，我們用 5 除以 2。 U 我們
2:32 我們
2:34 我不知道還有什麼其他方法。
2:36 停止。而在這裡，候選人不必回答他的問題。
2:37 完全正確。他當然是對的。
2:39 把想法說出來，需要採取什麼措施，
2:41 排序、計數、
2:43 取中間元素，我們得到
2:45 中位數。但在 SQL 實踐中卻是
2:47 這是透過視窗函數實現的，
2:49 候選人沒有提及他們。正確的
2:51 答案是：取行函數
2:53 每個數字和計數
2:54 團體。以以下方式對數值進行排序
2:56 我們按升序排列了以下數字：
2:58 每行。對於奇數
3:01 對於直線，我們取值 n + 1/2，並且對於
3:05 甚至平均值介於 n / 2 和 n / 2 + 1 之間。
3:07 BQL 中位數的計算方法非常簡單。
3:09 使用視窗函數，這是基礎。
3:11 對於任何數據科學家而言。當然，
3:12 中位數還可以用其他方法計算。
3:13 以諸如使用等方式
3:15 子查詢，但數量很多
3:17 這些子查詢需要很長時間才能完成。
3:20 Python 中的字典結構是怎麼樣的？它又是什麼？
3:22 透過按鍵存取元素的困難 字典？
3:23 字典？
3:27 所以，字典就是我們的 shmap，也就是說，
3:30 原則上，我們有鍵哈希。
3:33 原則上，這是以單位計算的獲取途徑。
3:35 也就是說，我們創建某種密鑰，
3:38 它可以是任何不可改變的
3:40 目的。嗯，因此，其意義
3:42 我們可以得到它，創造一個植物
3:44 理論上是單位。
3:45 什麼是哈希瑪？它有哪些特性？
3:47 她應該那樣做嗎？
3:48 所以，我們有一堆哈希值，
3:51 因此，哈希演算法在原則上是
3:53 當我們把它帶到這裡的時候，嗯，當我們拿到它的時候
3:55 由於其中的某些因素，
3:57 因此，這裡是一些數字，
3:59 一些我們可以
4:01 使用。關鍵是要讓他們在場。
4:03 如果沒有，我們將擁有獨一無二的。
4:05 碰撞事故將會出現。這裡。那是，
4:08 因此，我們可以重點強調
4:10 不同的記憶單元用於不同的
4:13 鑰匙。這裡。好，而且要快點。
4:15 因此，如果我們不談論
4:17 碰撞可能發生在
4:19 我們把它們用於不同的物品
4:21 相同的鑰匙。嗯，那裡還有一些選擇。
4:22 衝突解決。
4:24 這位候選人回答得很好，但是
4:26 我還漏掉了一些重要的
4:27 細節。首先，這當然是…
4:29 哈希函數的確定性。
4:31 哈希函數必須具有這樣的特性。
4:32 同一鍵必須具有的屬性
4:35 始終給出相同的值。這
4:37 這似乎顯而易見，但是…
4:39 事實上，一條非常關鍵的規則是…
4:41 任何哈希函數。其次，他沒有
4:43 提到了一個重要的特性，這是一個
4:45 哈希函數和相等函數的一致性。
4:47 因為如果兩個鍵相等，那麼它們也相等。
4:50 它們的哈希值也應該相等。沒有
4:52 哈希表根本不會遵循這條規則。
4:53 工作。第三，他沒有提到
4:55 關於擴展表格，也就是 Profactor。
4:57 並重新調整大小，因為如果表格不是
4:59 擴張，然後遲早會
5:01 它將溢出，會發生太多碰撞。
5:02 很多，任何搜尋都不會來自
5:05 單位，以及從 n 開始。這三個因素
5:06 真正能區分一個人
5:08 只知道哈希函數
5:10 教科書，以及一個了解情況的人
5:12 實際上，它們在實踐中是如何運作的？
5:13 用Python實作。如果您正在準備
5:15 到劍的通過，然後再加上
5:16 我正在學習技術問題
5:18 我建議你不要忘記這一點。
5:20 應該有很多這樣的軍刀，而且
5:22 除了你的技術知識之外
5:24 軟技能不可少。這就是原因
5:26 請務必購買我重寫的指南。
5:27 從事IT行業。我明白了
5:29 幫助我成功度過難關的策略
5:31 社會安全這套狗屁玩意兒，還能拿到30多塊錢
5:34 提供年薪 22 萬盧布的工作機會。和
5:36 即使在我所從事的專業領域也是如此
5:37 也就是說，從絕對意義上講，一無所知
5:39 零。連結會在描述中。
5:41 你還談到了不可更改的那些。
5:43 資料類型以及哪些資料是可變的，
5:45 PON 中哪些是不可變的？
5:48 其實，可變型都是簡單型。
5:51 數據。例如，一張表格或一份清單。
5:55 多變。有一個是不可改變的。這裡。一個
5:58 這套設備是不可更改的。有一套可變的集合
6:00 分別地。還有什麼呢？還有什麼？出色地
6:01 簡單類型。這條線也是，
6:03 因此，不可更改。
6:06 為什麼要在Python中使用字串？
6:08 慢？這裡。嗯，好像就這些了。
6:11 美好的。你知道哪些類型的排序？
6:13 用任何話來說？你能解釋一下嗎？
6:17 這裡有一個快速排序，這是 Hara。一個
6:20 分揀商品，分治。那裡
6:23 當我們的…斷成兩截時
6:25 資料在那裡遞歸排序。
6:27 這裡。嗯，還有冒泡排序演算法。
6:29 當我們每個人都始終在那裡的時候
6:31 該元素浮到頂部。而且我還有
6:34 正方形的難度等級是多少？ Umezhenu 在
6:36 平均而言，Huara 的排序速度也很快。
6:38 啊，只有 Mrge 那裡一直都有。
6:40 會是洛根，但速度最快的那一個
6:42 Huara 在那裡的平均排序是
6:44 有時候那裡的速度反而更快。嗯，在
6:45 是的，基本上就是這樣用的。
6:47 標準。如果我們以Python版本為例，
6:51 然後迅速對傷者進行分類。 平均的。
6:51 平均的。
6:54 所以，根據統計數據，我們來問一個關於Pivio的問題。
6:56 Pvio 的措詞是什麼？它源自於哪裡？ 有輸出嗎？
6:57 有輸出嗎？
6:59 是的，第一次確實非常困難。
7:07 選擇某些選項的機率是多少？
7:10 價值和數量，哪個更大？
7:12 某種閾值α。也就是說，存在
7:16 我們有某種意義，通常情況下是：
7:19 當我們查看一些樣本時。
7:20 這裡。因此，我們有
7:23 一些分佈和測試。那是
7:25 我們想進行某種測試。
7:27 那麼，這個測驗的結構是怎麼樣的呢？它包含哪些部分？ 元素？
7:28 元素？
7:31 我們有一個假設。第一個零。
7:32 我們中的一個，嗯，也就是說，我們可以在那裡
7:34 然後拒絕原假設。
7:36 承認我們的數據有問題。
7:39 發生了一件對…產生質的影響
7:40 這些變化，不只是
7:43 存在某種統計誤差。
7:46 錯誤，但有一些更改
7:48 這導致了某些事情的發生。這裡。也就是說，如果我們有 有
7:48 有
7:49 改變什麼？
7:51 啊，嗯，相對而言，一些
7:53 從統計學的角度來看，我們本質上是某種東西。
7:56 我們根據數據進行計算。這裡。我們可以
7:59 了解 a-a 之間的偏差有多大
8:01 不，我可能不會說。現在我只是
8:04 我會把它埋起來自己用，我已經記不太清楚了。
8:05 好吧，我們再試一次。
8:07 對 Pvю 進行定義。這裡
8:10 我們有兩個統計數據。 PV是
8:13 根據這些統計數據，這種機率是多少？
8:15 在什麼條件下？
8:18 機率，如果我們擁有的較少，那麼就存在
8:21 陷入極端情況的機率 價值觀
8:23 價值觀
8:27 嗯，超過這個閾值或其他什麼。 更強。
8:28 更強。
8:31 對我們來說，它的含義仍然很簡單，嗯，
8:32 有條件地選取兩個樣本，
8:34 嗯，某種樣本平均值
8:37 數學期望值或變異數。該死，我沒有
8:40 我記得。好的。在什麼條件下？ 我們
8:41 我們
8:43 這個定義符合Pivel的觀點嗎？就是這樣。
8:47 在某物存在的情況下，機率是多少？
8:51 我們擁有什麼？ A 小於零，嗯，那裡有隻鳥。
8:54 sokh，或者更確切地說，我們的 alpha aa
8:59 被選中和進入的機率
9:02 分佈的尾部，從
9:06 兩個方向上都有某種痕跡。不，不是。
9:08 我知道如何正確地表達這一點，
9:09 我不記得了。
9:11 對我們來說，什麼是真理？
9:15 這樣我們就有了一個定義 或許，
9:15 或許，
9:17 是的，我們可以接受零假設。
9:20 如果存在這種情況，則拒絕。
9:22 意思是，什麼才是真理？出色地
9:25 是的，如果是05的話，那麼是的。
9:27 這意味著零假設必須存在。
9:29 說話的定義，
9:31 我們擁有獨立的
9:35 我們擁有機率的事件
9:38 呈常態分佈。
9:41 不，我不記得了。零假設。那
9:42 我們沒有任何變化。
9:44 具有統計學意義。
9:46 當然，這位候選人在這裡徹底失控了。
9:47 話題，因為他當然是某種東西。
9:49 談到了Pvue，但又把它和…混淆了
9:51 顯著水準。這兩個絕對是
9:54 不同的事情。 PV的正確配方
9:56 其中 PV 是獲得該結果的機率。
9:58 統計學的價值不亞於
10:00 比當前情況更極端，在
10:02 前提是原假設成立。和
10:04 關鍵在於，它被賦予了以下條件：
10:06 原假設成立。如果沒有這個
10:08 PV條件根本不存在。
10:10 意義。接下來我們 pveueyu，也就是我們的
10:11 我們提前將機率進行比較
10:13 給定顯著水準α。
10:16 通常情況下，它等於 0.05，但也有其他情況。
10:18 當數值小於或大於某個值時，以及
10:21 極少數情況下。因此，透過比較
10:23 如果 alpha 值小於 0，則我們的 Pvue 帶有 alpha 值
10:25 alpha，然後我們說，好吧，該死，
10:27 機率非常低，甚至低於…
10:30 即使是 alpha 值，所以零假設成立。
10:32 這種情況發生的可能性非常小，所以我們就說到這裡吧。
10:34 我們拒絕。如果它更大，那麼我們
10:36 我們說：“好吧，我們在這裡什麼都做不了。”
10:37 很遺憾。讓我們做得更多
10:39 某種測試。 」因為 Pvue
10:40 或許，嗯，有點小，但是
10:42 對我們來說還不夠小。
10:43 他們說零假設
10:45 不可能，因為也許在
10:47 我們的樣本不知何故出了問題
10:49 僅當該值為
10:51 統計數據非常低，因此，
10:53 我們不能拒絕零。
10:55 假設。如果它小於 alpha，
10:57 然後我們拒絕它，並說，好吧，
10:59 該死，這太不可能了。
11:01 希望我解釋清楚了。更有可能的是，
11:03 雖然不是很清楚，但你總是可以
11:05 研究統計數據並非基於我的影片。我
11:07 我只是在處理這些棘手的問題。所以，
11:09 各位，請不要往心裡去。我只是在回答問題。
11:11 我會這樣回答。當然，
11:13 這就是我在面試中會如何回答的。
11:14 正確的。測試要素包括：
11:16 當然，零和替代方案
11:18 假設 h0 和 h1。預先決定
11:20 我們討論的顯著水準是α。
11:23 已經討論過了。此外，我們的樣品也…
11:25 其在忠誠度下的分佈統計數據
11:27 零假設 h0。這裡也一樣
11:29 這當然也適用於我們自己。
11:30 統計檢驗，即
11:32 單側檢驗或雙側檢驗。
11:34 接下來，先決條件就發揮作用了——這是
11:36 正常、獨立和
11:38 漸近線。這也包括
11:40 決策規則。這一切
11:43 香腸被稱為麵團元素。但
11:44 記住它們固然重要，但…
11:47 了解它們的用途和作用
11:48 代表著，因為沒有它
11:50 你沒有進行常規的統計檢定 建造。
11:51 建造。
11:54 好的，我們來談談一個小問題。這裡
11:56 這樣的。我把它發到了聊天記錄裡。
11:58 是的。那麼得到兩個的機率是多少？
12:00 從一個裝有三個白球的袋子裡取出幾個白球。
12:03 白球和三個黑球？所以，總共
12:06 我們有六個球。為了得到它
12:09 因此，前兩個是白色的。
12:13 那裡的機率是 1/2 3/6。所以呢？
12:15 第二個人分別得到白色的那個。
12:19 我們還剩下五分之二的人。 2/5，如果我們乘以，
12:23 a、1/2 和 2/5，結果發現
12:25 1/5。如果我們把球還回去，
12:27 兩個白球互換位置，
12:28 嗯，答案是對的，只有兩個。
12:30 該問題的變體。
12:34 那大概是四分之一吧。呃，如果我們有
12:37 事件是獨立的，這與
12:40 真相是，首先是3/6，我們回來了，然後又回來了
12:44 3/6、1/2、1/4。我們來聊聊搖滾樂吧。
12:47 我們來談談。指標。你能說出它的名字嗎？
12:50 它的機率解釋是什麼？那是
12:52 不是圖表，而是什麼事件發生的機率？
12:54 羅考克。嗯，它講的是情侶的故事。
12:57 已排序，也就是說，存在機率
12:59 取得已排序對的數量。
13:02 我們有零，有一，是的，那裡有兩個班級。
13:04 因此，rokauk 就是這個
13:06 正確排序的對的數量，
13:08 當我們第一次去上課的時候，
13:10 然後又一個。嗯，也就是說，理想狀態。
13:12 當我們平均分配時，情況是這樣的：
13:14 先是0，然後是1。但這是一棵洛考克樹。
13:16 數量或機率
13:18 已排序的對？啊，好吧，教訓是…
13:20 我們只有一個人，所以機率
13:23 不，這個金額大約是
13:25 已排序的奇偶校驗比率。
13:27 是的，是的，是的。這個量本質上是指當我們
13:29 是的，我們正在建設中，我們有一些門檻，僅此而已。
13:32 這是喇叭的閾值功能。我們到了
13:34 我們採用不同的閾值進行計數。如果是這樣的話
13:36 是的，你需要手動輸出，基本上就是這樣。
13:38 這可以解釋為：
13:39 已排序的 pa。
13:40 怎麼可能有數量，數量呢？
13:42 如果我們有一塊從零到一的 uka 岩石，
13:43 他已經漂浮起來了嗎？
13:46 嗯，態度問題。嗯，也就是說，我們
13:49 讓我們把所有這樣的不同物件對都列出來，
13:52 這裡存在一些關係，嗯，是的，其中有一個單位——
13:54 僅此而已，零就是零。和，
13:56 因此，這就是機率。
13:59 ——這個字突然從我腦海中消失了。出色地
14:01 是的，簡而言之，百分比的範圍是 0 到 100。
14:03 0到1。百分比是正確的。
14:05 已排序的配對。
14:06 我想應該是這樣。
14:08 那麼，什麼是梯度呢？現在
14:10 我會透過聊天視窗把函數寄給你。她還有更多作品。
14:12 請計算梯度。哦，是的。
14:15 梯度是關於的偏導數
14:19 不同的變數。 Aa，3x² - y。嗯，如果
14:23 從 x 出發，我認為 a 會是 6x，
14:26 是的？然後 y 就只是一個數字而已。
14:29 我們正在刪除。如果相對於和，則
14:33 左邊只有一個數字，y 是 y 的 1。
14:35 在我看來，拉尼很簡單。
14:36 那麼最終結果會是什麼呢？ 看？
14:37 看？
14:38 6倍和1
14:43 + -1 -1。小米6x。為什麼？
14:47 因為導數 x² 2x。這就是我
14:48 我想我記得。
14:51 是的。什麼是梯度？私人的 衍生物
14:52 衍生物 向量。
14:52 向量。
14:55 所以，可能還需要另一個因素。
14:56 放入向量。
14:57 圖紙上有一支箭頭。
14:58 嗯，就 dx 而言。
15:02 啊，嗯，是的，是的，dx。 dx dy。關於
15:05 X 和 Y。我提議討論
15:06 樹上的方法。我們先來做這件事吧。
15:08 讓我們來討論一下決策樹的一般運作原理。
15:10 正在建設中。嗯，基地，也就是，如何
15:12 節點出現，為什麼會有這樣的謂詞
15:14 節點及其選擇方式。
15:16 決策樹，顧名思義，就是一組決策樹。
15:18 我們以某種方式在那裡分享我們的規則
15:21 根據數據集，我們正在計算，嗯，哪個更有利可圖。
15:23 把所有東西都分掉。我們審視一切
15:25 我們可能的分區方案
15:27 我們可以用另一種方式來劃分它。
15:29 我們的數據，嗯，相對來說有一些
15:31 多變的。我們考慮那裡的交叉營養。
15:33 或基尼係數。這裡。嗯，還有，
15:35 因此，數值越高，則越少。
15:37 資訊有所獲取，或者恰恰相反。
15:38 啊，所以，嗯，由此可見
15:40 我們已經在每一步都進行建設，因為我們
15:42 拆分出售更有利可圖。嗯，如果我們那裡有的話。
15:46 深度沒有具體說明，也沒有任何標準，但是
15:48 為了避免過擬合，那麼它
15:50 盡可能在那裡建造。
15:52 將所有範例分成
15:54 課程，並且盡可能有效率。
15:55 一般有哪些方法？
15:57 模型整合？嗯，在
15:58 特別是，例如樹木？幹得好
16:00 主要 bgiingngboststing，有一些
16:02 更狡猾的那些，大多已經存在了。
16:04 在某些比賽中使用。 如果
16:04 如果
16:06 是的，那裡已經有一些堆疊物了。
16:08 混合，但堆疊已經存在。
16:10 異質模型。那我們就來討論一下吧。
16:12 或許是偶然，這片森林，也就是奔跑的地方，
16:15 它是如何運作的？它的結構是怎樣的？
16:16 請告訴我。
16:19 是的，它是一個引導聚合。
16:22 當我們啟動那裡
16:24 我們選擇一個樣本，我們收集一些
16:26 例如，它們可以重複出現。這裡
16:27 那裡可能還剩下一些。
16:30 我們沒有採納的獨特例子。
16:32 它們後來經常在那裡被使用
16:33 檢查，以進行驗證。一個，
16:35 因此，它們被重複，而我們
16:37 我們用這些樣本的某個子樣本來訓練。
16:39 以下是數據。每一棵樹，
16:41 小的，輕微的，平行的，一個，一個
16:43 然後透過投票表決，
16:45 我們選擇最終結果。在這裡，它奏效了。
16:47 平均而言，比單一人好。
16:49 樹，因為它就在那裡。
16:50 組裝，是的，還有一些
16:52 投票結果高於平均。我們
16:55 我們選取了很多簡單的樹，但它們並非如此。
16:57 容易過度訓練。這裡。我們匯總 同時
16:58 同時
17:00 停，這位考生回答錯誤。
17:01 因為他在這裡忘了最重要的事。
17:03 隨機森林的特徵。當然，還有他。
17:06 嗯，你說得對，關於自舉法和…
17:09 他對樣本進行了平均，但他忘記了這一點。
17:11 對於每棵樹的每種構造，我們
17:14 我們選取一組隨機特徵。
17:16 不，不是所有標誌，而是隨機的標誌。
17:18 這就是普通樹葉與普通樹葉的差別所在。
17:20 像平常一樣在樹林間奔跑。什麼
17:21 涉及數量，通常是
17:24 分類是萬物之根。
17:26 特徵數量，以及迴歸分析 -
17:28 這是鈉的氮。但這就是它的意義。
17:30 事實上，他們都是精挑細選的。
17:32 是超參數。而且他
17:34 據說 randmфest 減少了
17:36 再培訓。總的來說，這種說法是正確的，但是…
17:37 更準確的說法應該是他
17:40 透過裝飾減少分散
17:42 使用空間標記的符號
17:44 引導程式。這些是技術，
17:45 這些用於隨機森林。
17:47 對於那些仍然不明白的人。這種不準確之處
17:48 這次面試真的很有價值。
17:50 因為他說，你已經收到40萬份報價了。
17:52 關於你不理解事情真相這一點。
17:54 這個演算法確實有效。親愛的
17:56 如果你要去的話，帶上朋友或女朋友。
17:58 飛快進入數據科學領域，想做…
18:00 它盡可能快速且高效，並且
18:02 那麼，對你來說，最好的薪水就是你的。
18:05 我參加了 Offer Connection 計畫。不，
18:06 不，不，朋友們，這些不是課程，這是
18:09 一個完整的項目，我們將在其中提供
18:11 你既有硬技能，也有軟技能，而且
18:13 我們將協助您完善履歷並為您提供協助
18:15 一路努力，找到一份工作
18:16 工作，我們也會幫助你度過難關。
18:18 試用期。而且這一切都是交鑰匙工程。
18:20 通常3-4個月就足夠了
18:22 找到一份工作並收到錄取通知
18:24 即使你沒有，也要給22萬盧布。
18:27 在此之前，我擁有商業經驗。所以
18:28 請造訪學校網站，填寫表格，
18:30 經理會聯絡你。
18:32 我會向您介紹我們的專案和
18:33 會告訴你具體在你的
18:35 在這種情況下，最好採取行動，評估你的
18:37 具備相關知識，並將提供合理的價格。
18:39 非常適合你。接下來我們繼續…
18:41 我們的下一個問題。
18:44 這裡我們只使用一個資料樣本來訓練。
18:46 或者有其他我們不考慮的因素
18:48 除了線條本身之外，其他都一樣嗎？
18:51 哦，是的，我們也會關注這些方面。
18:54 特徵子樣本。不僅如此，而且不同。
18:57 資料樣本，但特徵也可以
18:58 互不相交。我忘了那是什麼感覺了。
19:01 它被稱為。我認為還有其他的
19:03 這個名字正是我們選擇它的時候。
19:04 不同特點。
19:07 那我建議我們接下來進行提升。
19:08 我們也來討論一下它是如何運作的。
19:11 提升是指我們已經
19:13 我們始終關注相同的事物。
19:15 樹。假設他們經常服用。
19:16 樹木，雖然它也可能指任何樹木。
19:18 最初使用的是不同的演算法，當
19:21 每個後續演算法都試圖
19:23 改進前一個版本的錯誤。這裡是
19:25 在第一棵樹上，我們
19:27 這太重要了，我們正在仔細研究。
19:28 最終預測，然後
19:30 我們正在努力將這種情況降到最低。
19:32 錯誤在這裡，因此，
19:34 每個後續的梯度都相同
19:36 前一個錯誤是樹狀結構的。如果這樣
19:38 假設我們正在解決一個問題
19:40 偽造，例如，二進制，
19:42 那我們首先應該研究哪個目標呢？
19:44 樹木以及所有後續樹木從中學習到的東西
19:45 布辛格有樹嗎？
19:47 所以，嗯，二元分類
19:49 因此，他在那裡學習。
19:52 粗略地說，某種交叉熵。
19:53 也就是說，當我們想要的時候
19:55 盡量減少錯誤數量
19:58 按類別。如果情況進一步惡化，那麼我們就嘗試
20:01 現在我們可以減少這種誤差差異。
20:03 在預測的前一棵樹之間
20:05 因此，結果為零。我也這麼認為。
20:07 M，也就是說，第二棵樹剛好學習到了
20:09 嗯，在第二個後續的那個，正好是
20:12 y、前一個 y 值和新 y 值之間的差值 y。
20:12 y。
20:14 嗯，是的，我想大概就是這樣。
20:16 是的。那我們應該在哪裡計算梯度呢？
20:19 我們計算了以下兩者之間的梯度：
20:21 我們加上這個增量，也就是說，我們有
20:24 這其中存在一些差異，我們想弄清楚這一點。
20:26 零。也就是說，我們有，
20:27 因此，差別就在於此。
20:29 盡量縮小差異。啊，對，就是這樣。
20:31 是的，我們希望盡可能縮小差距。
20:34 前一棵樹和後一棵樹之間的誤差
20:36 目標。因此，這就是…
20:38 我認為我們之間存在差異。那就是我們
20:40 我們不看那些原始的。
20:43 預測，以及基於此增量和
20:45 我們正在努力將其降到最低。
20:46 也就是說，我們將增量視為：
20:49 例如，只需向量 Y 減去 f 即可。
20:51 fromx，即所有預測
20:52 之前的樹木，也就是說，只是 不同之處。
20:53 不同之處。
20:54 嗯，是的，我也這麼認為。
20:55 而事實證明，我們正是造成這種差異的因素。 我們有所區別。
20:56 我們有所區別。
20:59 嗯，我也這麼認為。我已經記不太清楚了。
21:01 例如，如果我們沒有註意到這種差異。
21:03 如果我們不稱它為正方形，那麼微分
21:05 每一步最終都會變成這樣，嗯，
21:07 都是同一個下垂。和
21:08 再說一遍，如果我們不豎立起來 正方形，
21:09 正方形，
21:11 嗯，如果我們只有 f(x)——那就是
21:13 線性函數，也就是像 y 這樣的函數。
21:15 如果 f(x) 是線性函數，則
21:17 對變數求導，我們
21:18 我們就能把 X 去掉。
21:21 也就是說，我們得到一個梯度，它
21:23 彷彿永遠都是一樣。所以，你
21:28 那裡我們有誤差與實際值差的平方。
21:32 如果我們擺脫了 X 的。
21:33 X 的。
21:36 不，最終我們只得到 y - f(x)
21:39 或 y - f(x)²，由此我們取
21:40 衍生品。 」也就是說，某種年輕的
21:42 不，嗯，是的，一個正方形。
21:43 啊，那太好了。是的，
21:45 當然，這裡是候選人洩漏了話題。
21:47 完全的。我們來找出問題所在。
21:48 首先，他在這裡說，第一
21:51 這棵樹是基於損失函數進行訓練的，
21:52 實際上，情況並非完全如此，因為
21:54 零函數通常取為
21:56 表示平均值的常數
21:58 損失函數。例如，一些
22:00 平均值，即平均 MSE。
22:03 我們有一個回歸，或者說均值的對數
22:04 如果我們有一個邏輯斯蒂分佈，機率是多少？
22:07 損失函數。而且已經開始從
22:09 我們的第一個孩子已經在學習這個常數了。
22:12 樹。其次。公式 R = Y - FX
22:14 僅當我們有
22:16 二次損失函數，即
22:18 材料科學與工程。在其他情況下，還有其他人
22:20 損失函數的公式會有所不同。和
22:22 第三，他說瑪雅沒有
22:24 平方梯度將不取決於
22:25 誤差的大小，實際上是
22:27 並非如此。他的意思就是這樣。
22:29 大概五月吧。我真的
22:31 梯度要么是+1，要么是-1。
22:33 取決於是否發生錯誤
22:35 或不。這就是基礎知識上的混亂之處。
22:36 從概念上講，這當然是一個危險信號。
22:38 對於任何資料科學家來說，因為
22:40 梯度提升是基礎知識。
22:42 你必須像魚兒在水中一樣自在地遊進去，而且
22:44 他就像漂浮在水面上。假設我們有
22:47 有一個百棵樹的季節，並且從
22:49 100棵樹。我們來自每一種模型
22:52 我們選擇第一棵樹。將會發生什麼事？
22:53 森林以及校車服務將會發生什麼變化？
22:55 嗯，森林不會有事的，所以
22:58 就像我們其他99個人一樣，我們都會付出
22:59 要嘛給我一個答案，要嘛我們就接受
23:01 透過投票。嗯，增壓功能會失效。
23:03 沒有了第一棵樹，我們該怎麼辦？
23:04 這位考生的回答幾乎完全正確，但是
23:06 我做得有點過火了。他說
23:08 加速會中斷。這是不必要的。
23:10 非常顯著。事實上，提升並非
23:11 會破裂。它的品質確實值得一提。
23:13 情況會變得更糟，因為所有後續
23:15 樹木被栽培在殘骸上
23:17 漸變，來自那棵樹
23:19 已拆除，他們現在會進行修復。
23:21 不是那些必要的錯誤。但在這裡
23:23 它下降的幅度存在細微差別。
23:25 品質.例如，利率較低時， 0.01，
23:27 0.01，
23:29 當從100棵樹中移除一棵樹時
23:31 品質不會下降太多。如果光線
23:33 例如，如果數值較大，例如 0.3 05，那麼品質就會更好。
23:35 下降幅度會明顯更大。還有一件事。
23:37 當然，必須指出的是，這位候選人
23:39 我再次沒有考慮到零函數是
23:41 這不是一棵樹，但它到底是什麼呢？
23:43 恆定的，也就是變化。確實如此
23:46 也就是說，第一棵樹已經
23:47 更正，即第一點
23:50 矯正樹，而非地基
23:52 整個算法。但對於隨機森林來說，情況是
23:53 正確答案是移除一個
23:56 一棵包含 100 個元素的樹會使演算法效能下降 1 個元素，然後
23:57 影響微乎其微。
23:59 假設我們有一個目標值，即 Y。
24:02 範圍從 0 到 100。例如，
24:03 設包含區間為
24:06 隔斷。它可以取哪些值？
24:08 隨機森林預測和
24:10 提升？它們的範圍是多少？
24:11 謊言預測？
24:13 所以，從零到一百。實際上，在這些
24:15 值，也就是說，如果我們有這些值的話。
24:18 如果總是取平均值，那麼結果將是
24:20 顯然位於該區間內。並且
24:23 我們將數一數樹，然後從中挑選。
24:25 這些數字。也就是說，每一棵樹
24:27 它永遠不會超過100。
24:30 因此，森林也是如此，因為它
24:32 取平均值。提升。提升，
24:35 我想也許如果他看的話
24:37 至於差別，在我看來，這種差別可以
24:39 超越這些界限。
24:41 是的，答案是正確的，因為我們有
24:43 最終演算法就像一個總和
24:45 樹，每一棵樹，嗯，從第二個開始，每一棵樹
24:48 將樹擬合到誤差梯度，
24:50 因此，我們可以兩者兼顧，也可以減少兩者。
24:51 取得從零到超過 100 的預測值
24:53 一般來說。是的，這也屬實。
24:56 假設在CNN的某個時候，我們
24:57 卷積神經網路的模型
25:00 有一個卷積塊，以及一個 hidr
25:03 尺寸 5x5。我們該如何做到這一點？
25:05 階段性地減少參數數量
25:07 訓練而不縮小體型
25:08 感受野？也就是說，我們
25:10 我們可以用這個來做這件事。
25:11 折疊一下就能得到同樣的結果
25:12 5x5覆蓋範圍？
25:15 所以，方法有很多種。那就是我們
25:16 我們可以帶幾個過去。
25:19 3x3 順序核心，或者我們可以，
25:21 因此，嗯，有一些
25:23 步幅也有一些變化。
25:25 仔細看看，就會發現它不一樣。吃，
25:28 我忘了它們叫什麼了。啊，那些捆紮好的捆紮物，當
25:31 我們將帶一個 5x1 和一個 1x5 的箱子過去。
25:34 我認為可以分解。這裡。後
25:36 就像在 Moinet 去卷積中那樣
25:38 還有一種情況是，當我們的隊伍變窄時。
25:42 卷積。哦，還有捲積，當
25:45 讓我們來看看那裡的情況如何。
25:47 依存方面，以及當我們第一次
25:49 我們拿起牌，擺好牌。
25:52 也就是說，它們依序不存在。
25:54 每個都與其他所有因素相乘，並且
25:57 同時，在這裡，然後我們依序進行…
25:58 我們繁衍後代，但在這裡不行，這大概是
26:00 然而，它並不是一個預測領域。
26:03 那麼，有哪些方法可以解決這個問題呢？
26:04 假設我們只有100個
26:07 圖片，我們相信這個資料集
26:09 小的。我們該如何…
26:12 粗略估計，0 盧布。增加到
26:14 提高泛化能力
26:15 身體機能？
26:17 嗯，可能是增強手術。這裡。那是
26:19 那裡有一些雅典的尋常事物。
26:21 變換、旋轉、反射
26:23 鏡像，顏色變化
26:26 調色板。我們可以生成
26:29 我們來談談更複雜的問題吧。
26:31 也就是說，存在 GAN 和擴散。這裡
26:32 我們可以在那裡嘗試一些東西。
26:34 風格遷移產生更多
26:37 好像是這樣。嗯，全球增強。一個
26:39 如果出現以下情況，可能會出現哪些問題？
26:43 假設我們都在其中一層，
26:45 我們首先將權重初始化為相同的值。 意義？
26:45 意義？
26:47 嗯，我們的意思是一樣的。
26:48 已發送，也就是說，我們將不會有
26:51 層將被訓練，本質上，我們將擁有類似這樣的結構：
26:53 這是一個單層網路。既然我們已經到了那裡。
26:54 我們進行乘法和倒數運算。
26:56 相應地，分佈情況也如此。
26:58 我們將所有數字乘以同一個數。
27:00 在 Python 中，假設我們有一行程式碼
27:03 一些大的，嗯，一條丁字褲，沒有
27:04 記住要再次放置它。
27:07 也就是說，有一條100GB的記憶體線，
27:09 我不知道，110 GB。我們需要把她帶出去
27:12 印刷稿已整理完畢。這樣行不行？
27:13 能做到嗎？困難會是什麼？
27:15 這就是解決方案嗎？
27:17 用於按排序形式列印。嗯，在
27:19 從象徵意義上講，是的，這就是它的意思。
27:23 字串排序。如果，嗯，
27:25 這可能是最明智的做法了。
27:28 按帳戶排序，因為我們有
27:31 總共有32個字元。哦，26歲，是的，如果
27:33 英語。嗯，這沒關係，即使
27:36 這將使用UTF編碼，並且會包含符號。
27:39 100-200，我們可以拿字典，下面
27:41 每個符號都會建立一個計數器，這裡
27:44 數數，走走。這將在
27:46 字串長度的線性複雜度
27:47 相應地，輸出如下：
27:49 一直如此，嗯，就像我們有
27:50 字典快出來了，到時候我們就有了。
27:53 鍵及其數量均已排序 象徵。
27:54 象徵。
27:56 是的。這種解決方案的複雜程度如何？
27:59 嗯，如果我們具體來看計算方面的話，
28:02 那就取決於線的長度了。好了，你總結。
28:04 如果我們不考慮係數，那麼
28:06 首先我們吃，嗯，我們儲存，
28:07 因此，我們也憑記憶來完成這項工作。
28:10 字元數將限制在這麼多。
28:13 這是一個有限的數字，而且每個人都有。
28:15 某種源自記憶的內在意義，
28:18 也就是說，它是恆定的，並且隨著時間的推移而變化。
28:20 這將取決於字串的長度，其中 n 為長度 線條，
28:21 線條，
28:24 是的？這些都是真的。 Payfark 有一個左轉路
28:26 抗核。它不在經典的 sQeled 中，
28:29 但如果你只看標題，你會怎麼想？
28:31 這處關節是如何運作的？除此之外，
28:33 我們經常使用它，也就是說，它
28:36 不，它並非毫無用處。左側抗關節素。那
28:37 假設我們那裡有一個正確的。
28:40 左邊的表格，就像這些歐拉圓一樣，在那裡
28:42 右側是某種十字路口，左側
28:45 比如說，這部分，就是沒有左邊的部分。
28:48 桌子，也就是說，這是一個右關節，這是
28:51 我們將有一個十字路口和一個右側路口
28:54 反對。在這種情況下，反指的是什麼？這是做什麼用的？
28:56 反對？我想我可以。
28:57 猜猜看。
28:59 不，不是左邊，是右邊，而是左邊，沒有
29:01 正確的。它就像一個過濾器。 原來如此。
29:02 原來如此。
29:04 嗯，是的，是的。是的。也就是說，情況並非恰恰相反。
29:05 左沒有右。全部，
29:08 假設我們有一些速度
29:11 我們需要一些團體，比如說，前五名。
29:14 快速收到貨物。嗯，我們也有同樣的情況。
29:16 在那裡出售各種商品，例如：
29:18 天。我們怎樣才能每天都獲得它？
29:20 銷售前五的產品？
29:24 所以，我們，呃，對總和進行匯總，
29:26 是的，那就是求和函數。
29:26 什麼聚合？
29:27 嗯，po，
29:28 她怎麼知道的？
29:31 按天計算。那……它叫什麼來著？嗯，是的，如何 寫
29:32 寫
29:35 在我看來，這個問題很簡單。嗯，有一群人
29:37 這裡存在某種求和準則。
29:39 Nubay不太合適，因為
29:41 A隊，好的，我們走吧。是的，金額
29:43 一定數量。好。如何如何什麼
29:44 你的決定是什麼？
29:47 數量。這裡。所以我們每天都這樣做。
29:50 聚合。我們來計算一下總和。所以，前五名。
29:52 啊，每天推薦五款熱門商品。更多的
29:55 乘以發行量。不，不是按數量算的。
29:57 它們在那裡的速度就是固定的，嗯。
30:00 某種浮標，必須有五個最重要的
30:02 大型浮標
30:04 我們之前遇到過這些問題。例如，我們
30:06 他們在那裡每天都會評估一些東西。
30:08 有些貨物被清洗、洗滌、擦洗，然後
30:10 我們希望每天都能拿到前五名。
30:11 啊，我們已經拿到貨了。
30:13 最暢銷的五種產品
30:14 例如，每天
30:16 它們沒有重複出現，是的，它們沒有重複。
30:18 也就是說，我們已經有了某種表格。
30:21 我們可以將樹皮分類，
30:23 因此，取其個數，上限為五。一個
30:25 順便說一句，依我之見，就這一點而言，就…
30:27 通過極限的中位數已求解。我們採取
30:30 限制，是的，一半。我們也在這裡，
30:32 因此，我們將上限設定為五，是的。
30:33 然後我們採取，
30:35 上限是五。對我們而言，每個人都是所有人
30:37 我們在那裡待一天，我不知道，也許10天。然後
30:40 我們需要收集50筆記錄，但這還不夠。
30:42 五。那麼，如果我們這樣做呢？
30:44 我們就是這樣，請求中嵌套請求。
30:47 它被正確地稱為內部的。一
30:49 我們每天都把它帶到那裡，在這裡，以及裡面。
30:51 因此，我們仍然這樣做。
30:54 排序並取前五名。
30:56 也就是說，就像經歷一個個循環。
30:58 嗯，算是吧。也就是說，按天計算。
31:00 沒有循環怎麼可能？有哪些功能？
31:03 如何不用循環來解決這個問題？
31:05 最初我們只有一張大桌子，
31:08 我們有日期、產品和速度資訊。和
31:11 這裡日期不同。嗯，也就是貨物。
31:12 雖然不同，但日期相同。
31:16 如果我們按日期進行聚合。一個，
31:18 不，停下。啊，嗯，是的，是的。那就是我們
31:21 我們來獲取這些日期並進行一些匯總分析。
31:23 內部粗糙。
31:26 我們這位粗魯的傢伙會立即對所有事情做出回應。
31:27 嗯，是的，是的，不是那樣。 是的。
31:28 是的。
31:30 M 如果你提出一些條件，
31:34 例如，我們擁有的東西，嗯，我們會把它放在那裡。
31:38 首先，我們將按日期排序。
31:40 我們稍後再看。啊，或許有些吧。
31:43 每天的數量都不同
31:45 貨物數量。不，可能不會。
31:47 我會記住的。我想不出什麼辦法。似乎， 關於。
31:47 關於。
31:49 嗯，通常都有視窗函數。 已被使用。
31:49 已被使用。
31:51 嗯，視窗函數出現的時間並不長。 用過的。
31:52 用過的。
31:55 哪個演算法擁有更多的BAS，哪個演算法擁有更多的BAS？
31:57 哪個更重要？它到底是什麼？
31:59 這種方差權衡如何反映？
32:01 當我們有一些妥協的時候，就應該做出妥協。
32:03 物體，嗯，我們，這麼說吧，肯定
32:06 我們只是猜測，但我們感覺非常有把握。
32:08 這些預測彼此各不相同。
32:11 所以我們有一位很棒的瑞安王牌，是的，嗯。
32:13 我們預測是否準確。那
32:14 有一個條件性的地方，我們可以進入
32:17 某個目標。我突然想起了這張照片
32:19 到達目標地點或擊中目標。出色地
32:21 那裡的預測結果與實際情況不符。
32:23 當我們擁有一個非常
32:25 預測範圍很廣。森林和
32:29 提升。在森林裡，理論上，或者更確切地說，在變體中
32:32 小的。上面就有一個例子。
32:34 我們給出的預測值從1到100。 A，
32:37 因此，在森林裡，啊，哦，在
32:39 提升後效果更佳。這裡。還有巴亞斯，
32:42 可能提升效果較差
32:46 相反，森林的情況更糟。
32:48 減少輪空次數。也就是說，是的，我們還有更多
32:50 預測是準確的，但是，相應地，
32:54 他們在推廣上更加分散，
32:56 而在森林裡，情況則恰恰相反。因此，
32:59 它們會更集中在一個地方，但數量會更少。
33:01 準確的。也就是說，這片森林狀況良好。
33:04 買的東西更多了，但維利安的尺寸更小，而且
33:06 反向提升。他有一種海灣
33:08 少一些，但是，嗯，一致性更重要。
33:08 差不多就是這樣。
33:10 如你們所見，親愛的朋友們，
33:12 即使是經驗豐富的候選人也可能失敗
33:13 就如此基礎的事情進行採訪，
33:16 例如梯度提升、隨機化和
33:18 Pvue。但這是任何事物的基礎。
33:21 數據科學家。這一點甚至正在研究中，而且，在
33:22 大學。我想說的是，在學校裡，
33:24 但很遺憾的是，學校裡並非如此。
33:26 正在學習。簡而言之，親愛的朋友們，
33:28 訓練，學習理論，然後不要
33:30 記住它，並理解為什麼。
33:32 像這樣運作。這對你來說非常有效。
33:33 會幫助你順利通過面試。
33:35 我還建議看看其他部分。
33:36 數據科學家面試
33:38 我的頻道。我希望每個人都能提供肥胖服務。
