Были ли курсы по дискретной математике
Что проверяют
Вопрос выглядит анкетным, но это вход в проверку базы: сейчас попросят посчитать комбинации или объяснить, как найти цикл в графе. Интервьюеру важно не название курса, а то, можете ли вы применить эти идеи в данных и моделях.
Как отвечать
Коротко про образование: был ли курс, какие темы. Затем сразу мостик к работе, на своих примерах. Что обычно стоит за дискретной математикой в data и ML:
- графы: DAG в Airflow это ориентированный граф задач, порядок запуска это топологическая сортировка, а DAG с циклом Airflow просто не загрузит. Графы же лежат в основе lineage данных, рекомендаций, признаков по связям пользователей и графовых нейросетей;
- комбинаторика: перебор гиперпараметров. Сетка из 4 значений learning rate, 5 глубин и 3 вариантов регуляризации даёт 60 комбинаций, а с пятикратной кросс-валидацией 300 обучений. Отсюда понятно, зачем random search и байесовская оптимизация;
- логика и множества: соединения в SQL как операции над множествами, законы де Моргана при упрощении фильтров, поведение
NULLв трёхзначной логике; - асимптотика и рекурсия: почему соединение через хэш-таблицу быстрее вложенных циклов, как оценить сложность своего пайплайна.
Если курса не было, скажите честно и покажите, что нужное освоили на практике: например, разбирались с графами через networkx или считали размер сетки перед запуском подбора. Назовите тему, в которой уверены, и будьте готовы решить задачу по ней прямо на собеседовании.
Где спотыкаются
Отвечают «да, был курс» и замолкают. Следом идёт задача, и без подготовки она ставит в тупик.
Приписывают дискретной математике чужие заслуги: «благодаря теории графов точность выросла на 15%». Такие цифры без методики вызывают больше вопросов, чем доверия.
Путают дискретную математику с теорией вероятностей и линейной алгеброй. Они тоже нужны в ML, но про них будет отдельный вопрос, и смешение выглядит как пробел в базе.