Machine Learning / AI
Τι είναι η γραμμική παλινδρόμηση;
Ποιοι είναι οι τρόποι κωδικοποίησης των κατηγορικών χαρακτηριστικών;
Κατηφορική Κατάβαση, SGD και Mini-Batch SGD: ποια είναι τα πλεονεκτήματα και τα μειονεκτήματα του καθενός;
Πότε το MAB είναι καλύτερο από το A/B και πότε χειρότερο;
Τι είναι το CUDA και ποια είναι οι βασικές έννοιες (kernel, grid, block, thread);
Τι είναι η ανισορροπία των τάξεων και πώς να την αντιμετωπίσουμε;
Ποιοι έλεγχοι πρέπει να γίνουν κατά την επιλογή του ρυθμού μάθησης για SFT LLM;
Γιατί τα δέντρα τείνουν να υπερεκπαιδεύονται περισσότερο σε σύγκριση με τα γραμμικά μοντέλα;
Ποια προβλήματα μπορεί να προκύψουν κατά τη χρήση της λειτουργίας ενεργοποίησης Sigmoid μαζί με το BatchNorm;
Ποιες επιταχύνσεις inference επιτυγχάνονται;
Μπορεί η κεντρική οριακή θεωρία να εφαρμοστεί σε μια γενική πληθυσμό με μη κανονική κατανομή;
Ποιες συγκεκριμένες αυξήσεις για δορυφορικές εικόνες (περιστροφή, πολλαπλή κλίμακα);
Πόλοι κύκλοι χρειάζονται για την ταξινόμηση και τη συγχώνευση λιστών χωρίς συναρτήσεις lambda;
Πώς δειγματοληπτείται το βήμα t κατά τη διάρκεια της εκπαίδευσης και της inference του Stable Diffusion;
Τι είναι η speculative decoding και πώς επιταχύνει τη δημιουργία;
ROC-AUC = 0.9. Τι θα συμβεί με αυτό το μέτρο αν πολλαπλασιάσουμε όλες τις προβλέψεις του μοντέλου με 3;
Πώς να υλοποιήσετε ένα voice-agent με χαμηλή καθυστέρηση (streaming STT + LLM + TTS);
Από ποια μέρη αποτελείται το Stable Diffusion (SD);
Πώς εκπαιδεύτηκε το BERT; Τι είναι το MLM και το NSP;
Τι είναι η διασταυρούμενη επικύρωση και γιατί χρειάζεται;