Тесты: ML-практика

Feature Engineering — Продвинутый

Продвинутый feature engineering: temporal и nested-CV leakage, train–serve skew, entity embeddings, автоматические interactions, monotonic constraints, drift, null importance и predictive vs causal признаки. Смесь одиночного и множественного выбора.

Feature Engineering — Средний

Feature engineering среднего уровня: кодирование высокой кардинальности, бинning, interactions, point-in-time агрегаты, CV-кодировщики, мультиколлинеарность и отбор признаков. Смесь одиночного и множественного выбора.

Feature Engineering — Начальный

Основы feature engineering: сырые поля и признаки модели, числовые и категориальные данные, базовое кодирование, масштабирование, пропуски и простые ошибки leakage. Смесь одиночного и множественного выбора; в multi-select нужно отметить все верные утверждения.

Model Evaluation — Продвинутый

Продвинутная оценка ML: nested CV, ECE и Brier, fairness, bootstrap и paired tests, OPE и slice analysis, CRPS и conformal prediction. Смесь одиночного и множественного выбора.

Model Evaluation — Средний

Средний уровень оценки ML: stratified splits, компромисс precision–recall, macro vs micro, основы калибровки, learning curves, пороги и диагностика регрессии. Смесь одиночного и множественного выбора.

Model Evaluation — Начальный

Основы оценки ML-моделей: train/validation/test, матрица ошибок, precision и recall, переобучение и осмысленные baselines. Смесь одиночного и множественного выбора; в multi-select нужно отметить все верные утверждения.

Supervised Learning — Продвинутый

Продвинутый supervised ML: калибровка, иерархии классов, multi-label vs multiclass, веса примеров, label smoothing, дистилляция, ordinal и cost-sensitive обучение, kernel-методы и prod-ловушки. Смесь одиночного и множественного выбора; в multi-select отметьте все верные утверждения.

Supervised Learning — Средний

Supervised ML среднего уровня: регуляризация, дисбаланс классов, границы решений, logistic/softmax, масштабирование признаков, кодирование категорий, деревья и типичные ошибки обучения. Смесь одиночного и множественного выбора; в multi-select отметьте все верные утверждения.

Supervised Learning — Начальный

Основы обучения с учителем: размеченные данные, классификация и регрессия, обучение и предсказание, типичные функции потерь, переобучение и базовые семейства моделей. Смесь одиночного и множественного выбора; в multi-select нужно отметить все верные утверждения.