Machine Learning / AI
a = [1, 2, 3] b = [1, 2, 3] c = a print(a == b) print(a is b) print(a is c)
Как можно модифицировать функционал ошибки?
У нас там должен быть, допустим, множество тулов (заявки могут отличаться по полям и названиям). Как нам это лучше сделать, имплементировать / засунуть в контекст?
Как нам засунуть создание заявок (например, отпуск) в текущий пайплайн RAG?
Как ускорить градиентный спуск при очень большом числе признаков?
Как бы ты мониторил качество всей системы?
Почему в бустинге обычно используют неглубокие деревья и как число деревьев влияет на переобучение?
Расскажи о регрессионном проекте по прогнозированию рыночной стоимости недвижимости и использованной модели.
Какую функцию потерь использовали при дообучении эмбеддера?
Какой был итоговый объём выборки и сколько исходных и отобранных признаков было в проекте?
Что такое L1- и L2-регуляризация и почему L1 может занулять веса?
Что означают параметры M, ef_construct, ef_search в HNSW?
Модельки ваши, все — где были расположены (инфраструктура развёртывания)?
Как были организованы записи и агрегации в трёхмесячном скользящем окне для проекта оттока?
Что ты подразумеваешь под нормализацией документов?
Расскажи о себе: чем ты занималась/занимался, чем хочешь заниматься, про свой опыт.
Какие ещё метрики стоит добавить для мониторинга обновления документов (чтобы не обнаружить, что после обновления осталось 3 документа вместо 10000)?
Как устроен случайный лес и в чём его преимущества и недостатки?