Руководство по поступлению в Техносферу

Всем привет!
Хочу рассказать о том, как подготовиться к поступлению в Техносферу, и о том, как упростить себе учебу уже на самом проекте.

Интересно ли вам машинное обучение?

Учебный план Техносферы построен вокруг различных методов обработки данных — от сбора до анализа. Большинство курсов проекта посвящено машинному обучению: Алгоритмы интеллектуальной обработки больших объемов данных, Введение в анализ данных, Нейронные сети в машинном обучении, Дополнительные главы машинного обучения. Поэтому главный вопрос перед поступлением — интересно ли вам машинное обучение. Если вы еще не сталкивались с машинным обучением, советую за лето послушать курс Machine learning, чтобы составить свое мнение о теме.

Подготовка к поступлению

Процесс поступления проходит в два этапа: online-тест и собеседование. На собеседовании будут задачи на чтение и написание кода, вопросы по математике (матан, линал, теорвер), обсуждение проекта.

Чтение / написание кода
В качестве первого задания будет дана программа на C++, в которой нужно разобраться и ответить на вопросы интервьюера. Для подготовки к этому этапу стоит посмотреть различные репозитории на C++ и попробовать разобраться в том, что делают те или иные функции.
На следующем этапе будет предложена задача, которую надо будет решить и написать код решения на C++ или Python. Задания будут уровня заданий A, B из 2-ого дивизиона Codeforces.

Вопросы по математике
По математике вам будут давать задачи и задавать вопросы из билетов. Прошлогодние билеты выглядели так: билеты по математике, задачи были на те же темы. Если у вас еще не было линейной алгебры / математического анализа / теории вероятностей / математической статистики, то советую за каникулы почитать учебники по теме. Доказательства спрашивать не будут — требуется знание и понимание формулировок и умение применять их в задачах.
Пример вопроса: "Что такое независимые события? Правда ли, что взаимоисключающие события независимы?"

Проект
Проект будет выдан за несколько дней до собеседования. Так как основное направление в Техносфере — машинное обучение, то тема проекта будет относиться именно к нему. Вас могут попросить разработать некоторую систему и рассказать о том, какие алгоритмы вы будете использовать, как будете работать с хранилищем / кэшами, как будет устроено взаимодействие клиента с сервером и т.д. На последнем отборе задание заключалось в разработке рекомендательной системы.
После того как вы получите тему проекта, нужно почитать статьи по всем аспектам задания. Тут надо не лениться и разобраться в теме как можно глубже. Когда закончите с чтением литературы, попробуйте накидать схему проекта и сформулировать ее преимущества и недостатки.

Во время и незадолго до учебы

  • Почитайте описание курсов и программу лекций / семинаров на следующий семестр. Очень важно понять, что от вас ожидают до курса и чему вы научитесь по его итогам
  • Не стесняйтесь писать преподавателям по любым вопросам, касающимся курсов, — мы всегда рады помочь
  • По всем курсам предусмотрена балльно-рейтинговая система. Это позволяет закрыть большую часть курса до зачетной недели, если делать задания вовремя
  • Весь код на курсах по машинному обучению пишется на Python, поэтому стоит изучить этот язык заранее. Отдельно стоит обратить внимание на библиотеки numpy, pandas, matplotlib. Также надо научиться пользоваться Jupyter Notebook. Их изучение не займет много времени, но сильно упростит вам учебу.

© VK, 2011–2024

Обратная связь

Присоединяйся:

Группа VK
  • Разработка:
    Команда
    VK Education
Версия портала - 5.78.1