Machine Learning / AI

V případě vážného nerovnováhy tříd, jak se chovají precision, recall a PR-AUC?

Jaké metriky jste použili, kolik dat bylo a jaký byl poměr tříd?

Pokud můžete komunikovat pouze s omezeným počtem klientů, jak takový scoringový model ohodnotíte?

Povězte nám o sobě a úlohách, které jste vykonali.

Byla to úloha klasifikace nebo časových řad? Jak bylo při tréninku a testování zohledněno časové hledisko?

Co víte o ROC-AUC?

Jak se vypočítá ROC křivka iterativně po seřazení objektů podle skóre?

Co ukazuje PR-AUC?

Povězte nám o jednom z nedávných úkolů klasifikace a popište jeho pipeline.

Víte, co je to scoringový model?

Existoval seznam kontrol, který operátor musel dodržovat během hovoru, nebo byla kontrola provedena bez něj?

Povězte nám o úloze NLP, kterou jste provedli.

Povězte nám o úloze shlukování.

Najděte všechny zákazníky v lednu, kteří měli alespoň jeden prodej po komunikaci do 30 dnů.

Máte cíl a ověřený feature store s přibližně 5000 vlastnostmi. Jak byste ho otestovali na tomto úkolu?

Najděte všechny zákazníky v lednu, kteří měli alespoň jednu prodej po komunikaci do 30 dnů. prodeje id customer_id částka datum_prodeje [phone] komunikace id customer_id typ datum_komunikace datum_rozsah 1 1 pošta [phone] hovor [phone] hovor [phone] email [phone] sms [phone] #Existuje seznam, musíte napsat funkci, která vrátí dva seznamy, jeden s normálními hodnotami a druhý s anomáliemi. Předpokládejme, že anomálie je zatím hodnota přesahující průměr data = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Je dobrá přesnost 700 prodejů na milion vybraných klientů v úloze s vzácnou konverzí?

Kolik vlastností vezmete z feature store a jak je vyberete, pokud je všech 5000 vlastností platných a bez úniku?