Go (Golang). Средний уровень.
Дальше — про практику сервиса. Тест проверяет, как вы работаете с памятью и конкурентностью в реальных задачах. Типичные темы: указатели и приёмники методов, влияние срезов на массив, буферизация каналов и дедлоки, роутинг net/http, пул воркеров, ограничения httptest, проверка Origin в WebSocket, рефлексия, контекст, строки, gRPC-паттерны.
Go (Golang): Базовый уровень.
Начинаем с фундамента. Задачи простые по форме, но требуют понимания моделей Go. Зачем проходить тест? Чтобы проверить, как вы читаете код и предсказываете поведение без запуска. Часто встречаются вопросы про константы и типы, срезы и карты, цикл for … range, интерфейсы, указатели, минимальный HTTP-сервер, горутины и базовые тесты.
C++. Средний уровень
Дальше — не о синтаксисе, а об аккуратном пользовании стандартной библиотекой. Здесь спрашивают про итераторы и их валидность, компараторы в sort, умные указатели, исключения и RAII, шаблоны и перегрузки, базовые отношения между классами.
C++. Базовый уровень
Эта проверка — быстрый способ убедиться, что база в порядке. Синтаксис, типы, массивы и файлы. Частые вопросы: индексация с нуля, корректный for, чтение строки с пробелами, разница между ifstream и ofstream, динамическая память и выход за границы.
HR-аналитика: базовый уровень. От отклика до оффера анализ воронки найма и эффективности рекрутинга
HR-аналитика — это не набор скучных таблиц. Это способ понять, что происходит с людьми в компании и как это влияет на бизнес. Даже если вы никогда не работали в HR, но хотите войти в эту сферу, важно знать, что аналитика здесь — это инструмент для управленцев, рекрутеров и самих специалистов по персоналу. Она показывает, где компании теряют людей и деньги, а где — приобретают.
HR-аналитика: средний уровень. От отклика до оффера анализ воронки найма и эффективности рекрутинга
HR-аналитика на среднем уровне — это уже не только про то, сколько людей пришло или ушло. Здесь появляются вопросы о воронках подбора, источниках трат, глубокой сегментации персонала и визуализациях, которые позволяют быстро видеть «узкие места».
От линейных моделей до ансамблей как оценивать качество ML-моделей и избегать переобучения
Машинное обучение умеет больше, чем просто угадывать категории. На продвинутом уровне мы говорим о байесовских подходах, градиентном бустинге, оптимизации гиперпараметров и оценке неопределённости прогнозов. Всё это — инструменты, которые позволяют строить надёжные и интерпретируемые модели для сложных бизнес-задач.
Машинное обучение для практиков модели, метрики, ансамбли и рекомендации
Машинное обучение — это не магия и не «чёрный ящик», а строгая математика, которая помогает находить паттерны там, где человек быстро запутается. На среднем уровне знаний появляются вопросы про переобучение, регуляризацию, выбор метрик и работу с несбалансированными классами.
Основы машинного обучения и метрики оценки моделей
Представьте, что компьютер учится распознавать, кто на фото — кот или собака, или предсказывает, пойдет ли завтра дождь. Это и есть машинное обучение: программа ищет закономерности в данных, чтобы потом делать выводы на новых примерах.
Математическая статистика для продвинутых
Математическая статистика кажется скучной и страшной, пока не поймёшь, для чего она нужна. По сути, это набор инструментов, которые помогают делать выводы из данных, даже если данные неполные или шумные. Благодаря статистике бизнес может предсказать спрос, инженер — проверить качество партии деталей, а врач — оценить эффективность нового лекарства.