Подготовка к Python-собеседованию с AI: что тренировать и как

«Python-разработчик» — это три разные профессии под одним названием. На бэкенд-собеседовании спрашивают фреймворки, базы и конкурентность. На data — pandas, SQL и статистику. На ML — модели, метрики и пайплайны. Готовиться не к тому циклу — самый частый способ сильному Python-кандидату провалиться. Начните с того, в какой цикл вы реально идёте.

Базовый Python, который спрашивают у всех

В любом треке ждите общую базу: изменяемые и неизменяемые типы и классическая ловушка с мутабельным аргументом по умолчанию, генераторы против списковых включений и почему генераторы важны для памяти, декораторы (будьте готовы написать), контекстные менеджеры и что гарантирует with, плюс *args/**kwargs. Затем два вопроса, разделяющих уровни: как Python управляет памятью (подсчёт ссылок плюс сборщик циклов) и что такое GIL.

На GIL отвечайте следствием, а не определением: потоки не дают параллельной CPU-работы, поэтому для CPU-bound берите multiprocessing или нативные расширения, а для I/O-bound — потоки или asyncio. Упоминание того, что свежие версии Python движутся к опциональной free-threaded сборке, покажет вашу актуальность.

Трек первый: бэкенд

Django или FastAPI и почему вы выбрали бы одно вместо другого. Вопросы по ORM почти всегда включают проблему N+1 — назовите её, затем select_related / prefetch_related или эквивалентный join, и как вы бы поймали её через логирование запросов. Ждите asyncio: что такое event loop, почему блокирующий вызов внутри async-хендлера отравляет всю петлю и куда вы бы вынесли медленную задачу. Дальше — дизайн REST, аутентификация, кеширование и один вопрос по system design.

Трек второй: данные

Настоящий фильтр обычно SQL, а не Python: джойны, оконные функции, группировка с фильтрацией и умение сказать, что вернёт запрос, до его запуска. Со стороны Python — трансформации в pandas, merge, пропуски и почему не стоит итерироваться по строкам. Статистика крутится вокруг A/B-тестов, p-value, смещения выборки и того, как вы объясните результат продакт-менеджеру, которому неинтересен ваш метод.

Трек третий: ML

Переобучение и как вы его замечаете, дисциплина train/validation/test и утечки, почему accuracy — неправильная метрика на несбалансированных данных, выбор признаков и как модель попадает в прод и остаётся там здоровой. Самый сильный сигнал — один проект, который вы защищаете от начала до конца: задача, данные, что пробовали, что не сработало и какая метрика была в конце.

Кодинг-раунд

Python-кодинг — чаще задачи на строки, словари и множества, чем теория графов. Пользуйтесь стандартной библиотекой — collections.Counter, defaultdict, itertools — потому что свободное владение ею тоже оценивается. Назовите сложность до того как писать, и комментируйте по ходу.

Как тренироваться с AI-интервьюером

Выберите трек, задайте уровень и отвечайте вслух на языке реального собеседования. Прогоняйте объяснение GIL и объяснение N+1, пока каждое не будет укладываться в минуту без запинок. Если вы в data или ML треке — репетируйте защиту проекта как устный рассказ: именно её попросят и именно её реже всего тренируют. Повторяйте сессии, пока фидбэк не перестанет повторяться.