Каталог тестов

Выбирайте и проходите тесты для развития навыков

Продвинутый дизайн batch vs streaming: exactly-once, stream-table duality, dual pipelines, масштаб state, tradeoffs cost/latency и operational failure modes. Смесь одиночного и множественного выбора; в multi-select отметьте все верные утверждения.

70%

Продвинутый

Batch Vs Realtime — Средний

Data ScienceОсновы MLOps

Batch Vs Realtime

Выбор и эксплуатация batch vs streaming: окна, watermarks, семантика доставки, backpressure, CDC и свежие фичи. Смесь одиночного и множественного выбора; в multi-select отметьте все верные утверждения.

70%

Средний

Batch Vs Realtime — Начальный

Data ScienceОсновы MLOps

Batch Vs Realtime

Основы пакетной и потоковой обработки данных: задержка, расписание, сценарии и отличия пайплайнов. Смесь одиночного и множественного выбора; в multi-select нужно отметить все верные утверждения.

70%

Начальный

Data Drift — Продвинутый

Data ScienceОсновы MLOps

Data Drift

Продвинутый data drift: multivariate и embedding drift, MMD и domain classifiers, concept vs covariate при задержке меток, causal-ловушки и governance retrain. Смесь одиночного и множественного выбора; в multi-select отметьте все верные утверждения.

70%

Продвинутый

Data Drift — Средний

Data ScienceОсновы MLOps

Data Drift

Операционный детект data drift: PSI и статтесты, drift признаков vs предсказаний, окна, алерты и триггеры retrain. Смесь одиночного и множественного выбора; в multi-select отметьте все верные утверждения.

70%

Средний

Data Drift — Начальный

Data ScienceОсновы MLOps

Data Drift

Основы data drift в ML: covariate shift, мониторинг прод-входов относительно референса и почему распределения меняются. Смесь одиночного и множественного выбора; в multi-select нужно отметить все верные утверждения.

70%

Начальный

Model Registry — Продвинутый

Data ScienceОсновы MLOps

Model Registry

Продвинутое governance реестра: geo-replication, model cards, supply-chain attestations, shadow/canary, federated registration и enterprise audit. Смесь одиночного и множественного выбора.

70%

Продвинутый

Model Registry — Средний

Data ScienceОсновы MLOps

Model Registry

Операционная практика реестра: aliases/champion, gates промоушена, signatures, RBAC, CI/CD и сравнение версий перед prod. Смесь одиночного и множественного выбора.

70%

Средний

Model Registry — Начальный

Data ScienceОсновы MLOps

Model Registry

Основы реестра ML-моделей: версии, стадии, артефакты, lineage и зачем централизовать модели. Смесь одиночного и множественного выбора; в multi-select нужно отметить все верные утверждения.

70%

Начальный

Experiment Platforms — Продвинутый

Data ScienceЭксперименты

Experiment Platforms

Sequential testing, interference, stratified bucketing, фильтрация ботов, portfolio holdouts, миграция между платформами и governance на масштабе.

70%

Продвинутый

Experiment Platforms — Средний

Data ScienceЭксперименты

Experiment Platforms

Layers и holdouts, targeting и ramp, sticky assignment, SRM, выгрузки в DWH и операционная гигиена на платформах экспериментов.

70%

Средний

Experiment Platforms — Начальный

Data ScienceЭксперименты

Experiment Platforms

Как платформы A/B и feature flags назначают пользователей, логируют экспозиции, распределяют трафик и поддерживают базовый безопасный rollout. Смесь одиночного и множественного выбора.

70%

Начальный