Machine Learning / AI

Σε περίπτωση σοβαρής ανισορροπίας των κλάσεων, πώς συμπεριφέρονται η ακρίβεια, η ανάκληση και το PR-AUC;

Ποιες μετρήσεις χρησιμοποιήσατε, πόσα δεδομένα υπήρχαν και ποια ήταν η ισορροπία των κλάσεων;

Πείτε μας για τον εαυτό σας και τα καθήκοντα που έχετε εκτελέσει.

Αν μπορείτε να επικοινωνήσετε μόνο με έναν περιορισμένο αριθμό πελατών, πώς αξιολογείτε ένα τέτοιο μοντέλο βαθμολόγησης;

Ήταν μια εργασία ταξινόμησης ή χρονική σειρά; Πώς λήφθηκε υπόψη ο χρόνος κατά την εκπαίδευση και τον έλεγχο;

Έχετε έναν στόχο και ένα επαληθευμένο feature store με περίπου 5.000 χαρακτηριστικά. Πώς θα το δοκιμάζατε σε αυτήν την εργασία;

Encuentra todos los clientes en enero que tuvieron al menos una venta después de una comunicación en un plazo de 30 días. ventas id customer_id cantidad fecha_venta [phone] comunicaciones id customer_id tipo fecha_comunicación fecha_partición 1 1 correo [phone] llamada [phone] llamada [phone] email [phone] sms [phone] #Hay una lista, necesitas escribir una función que devuelva dos listas, una con valores normales y otra con anomalías. Supongamos por ahora que una anomalía es un valor que supera la media datos = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Πώς υπολογίζεται η καμπύλη ROC με επαναληπτικό τρόπο μετά την κατάταξη των αντικειμένων με βάση το σκορ;

Τι δείχνει το PR-AUC;

Τι γνωρίζετε για το ROC-AUC;

Πείτε μας για μία από τις πρόσφατες εργασίες ταξινόμησης και περιγράψτε το pipeline της.

Υπήρχε μια λίστα ελέγχου που έπρεπε να ακολουθήσει ο χειριστής κατά τη διάρκεια της κλήσης, ή η επιθεώρηση πραγματοποιήθηκε χωρίς αυτή;

Ξέρετε τι είναι ένα μοντέλο βαθμολόγησης;

Βρείτε όλους τους πελάτες τον Ιανουάριο που είχαν τουλάχιστον μια πώληση μετά την επικοινωνία εντός 30 ημερών.

Πείτε μας για μια εργασία ομαδοποίησης.

Πείτε μας για μια εργασία NLP που πραγματοποιήσατε.

Μια ακρίβεια 700 πωλήσεων ανά εκατομμύριο επιλεγμένων πελατών είναι καλή σε μια σπάνια εργασία μετατροπής;

Πόσα χαρακτηριστικά θα πάρετε από το feature store και πώς θα τα επιλέξετε αν όλα τα 5000 χαρακτηριστικά είναι έγκυρα και χωρίς διαρροές;