Machine Learning / AI

Jak technicky implementovat systém ukládání dat a upozornění pro sledování modelu?

Máte nápady na další zlepšení systému předpovědi poptávky?

Jak jsou náhodný les a gradientové posilování podobné a odlišné? Jak jsou v každém z nich stromy postaveny?

Jak jste určili kvalitu shlukování? Jaké metody jste použili?

Povězte, jak fungoval algoritmus shlukování, který jste použili — jak seskupoval body v prostoru?

Co se týče Spark — jaké konkrétní úkoly byly na něm paralelizovány?

Jaký je rozdíl mezi intervalem spolehlivosti a intervalem předpovědi? Co ukazují?

Co je to stacionární časová řada, jak ji kontrolujete a proč je to důležité?

Jak postavit systém sledování kvality a rozhodování o výměně modelu?

Případ: vývoj systému stanovování cen pro obchodní třídu S7. 300 letů denně, ~100 s obchodní třídou, 4-6 míst. Dva cíle: maximální obsazenost a maximální výnos. Ceny jsou aktualizovány denně a po každém nákupu. V současnosti jsou ceny nastavovány ručně na základě obsazenosti. Jak byste přistoupili k tomuto úkolu?

Povězte o zajímavých případech optimalizace v Spark souvisejících s vlastnostmi a složitými spojeními

Jaké modely jste použili pro předpověď poptávky?

Jak vyřešit problém posunutých historických dat (ceny byly podhodnoceny, model špatně vidí poptávku na nových úrovních)?

Povězte nám o svých zkušenostech v Data Science

Jak se vypořádat s nízkým objemem zpětné vazby na klidných trasách (málo letů, hlušná data)?