Machine Learning / AI
Опишите цикл работы агента: thought → action → observation → ...
Зачем нужно разделение типов данных на изменяемые и неизменяемые?
Гарантирует ли случайный лес предсказания в заданном диапазоне, если отдельное дерево не выходит за рамки обучающей выборки?
Какие особенности обучения на нескольких узлах (NIC, latency, jitter)?
Какова архитектура и состав команды?
Определена ли тема диплома?
Что такое distant supervision (NER из KB)?
Что такое gradient accumulation и зачем он нужен на ограниченной памяти?
Что такое multi-agent RL и какие у него проблемы non-stationarity?
Что такое roofline model и зачем он нужен?
Как происходит процесс сопровождения: через git или вручную?
Что такое clipped objective в PPO?
Нужна ли нормализация признаков для моделей BERT и деревьев решений?
В чем компромисс между недообучением и переобучением?
Расскажите о себе и опыте?
Что такое broadcast join в Spark и зачем он нужен?
Что такое NLU и какие у него подзадачи (intent, slots, entities)?
Что такое SARSA и чем он отличается от Q-learning?
Какие задачи AutoML плохо решает (small data, нестандартные доменные знания)?
Как распределяются задачи в команде?