Machine Learning / AI
Ποια είναι τα χαρακτηριστικά των φωνητικών διαλόγων (καθυστέρηση, σφάλματα ASR);
Σε ποια μορφή έρχονται οι αποδείξεις: γραμμές ή εικόνες;
Πώς υλοποιείται μια γραμμική παλινδρόμηση με εκπαίδευση και inference χωρίς τη χρήση έτοιμων βιβλιοθηκών;
Πώς παρακολουθούμε τις αλλαγές στα επιχειρηματικά χαρακτηριστικά στα ήδη φορτωμένα δεδομένα;
Τι είναι η βαθμονόμηση και γιατί είναι σημαντική για τη δικαιοσύνη;
Τι είναι οι διανυσματικές ενεργοποιήσεις εννοιών (TCAV);
Τι είναι η ταξινόμηση προθέσεων και ποιες είναι οι προσεγγίσεις;
Ποιες είναι οι τεχνικές βελτιστοποίησης του πολλαπλασιασμού πινάκων σε GPU;
Τι είναι η Bayesian γραμμική παλινδρόμηση;
Γιατί δεν δουλεύουμε απευθείας με τη βασική βάση;
Ποια είναι τα υπάρχοντα κριτήρια κατάταξης;
Πώς μετράμε τον αριθμό των μη μηδενικών στοιχείων σε μια στήλη;
Ποια είναι η διαφορά μεταξύ πολυνηματικότητας και πολλαπλής επεξεργασίας;
Ποιες πρακτικές υπάρχουν στην επανεκτέλεση ιστορικών σημείων (backfill);
Πώς βρίσκουμε το μέγιστο αριθμό σε έναν πίνακα που εμφανίζεται μόνο μία φορά;
Ποια χαρακτηριστικά επηρεάζουν στατιστικά και μπορούν να αλλάξουν για έναν χρήστη, και ποια όχι;
Τι είναι το gradient boosting με βάση το ιστόγραμμα;
Ποιο ερώτημα λειτουργεί πιο γρήγορα σε μια στήλη-βάση δεδομένων και ποιο σε μια γραμμή-βάση δεδομένων;
Ποια είναι η διαφορά μεταξύ γραμμικής και λογιστικής παλινδρόμησης;
Πώς βελτιώνει το DeBERTa το BERT (αποσυνδεδεμένη προσοχή);