¿Qué técnicas se utilizan para trabajar con datos muy dispersos?
Machine Learning / AI
¿Cómo puede un cliente entender que una característica no es significativa sin usar la importancia de características en un modelo de caja negra?
¿Qué es la agregación de vecindario y qué funciones se utilizan (media, suma, máximo, LSTM)?
¿Cuáles son las características de la evaluación en línea de recomendaciones (CTR, conversión)?
¿Cómo ayuda el dropout a evitar el sobreajuste en las redes neuronales?
¿Cuál es más rápido, buscar en un diccionario o en una lista, y por qué?
¿Qué métodos de regularización existen para modelos no lineales?
¿Qué métodos de regularización son aplicables a las redes neuronales?
¿Cuáles son los problemas de producción del OCR (baja resolución, distorsiones, sombras)?
¿Se puede garantizar que la regresión lineal predice valores dentro de un rango dado para cualquier entrada?
¿En qué se diferencia la regresión lineal de otros métodos al trabajar con variables categóricas?
¿Qué son la diversidad y la Relevancia Marginal Máxima (MMR)?
¿Qué es la complejidad asintótica O-grande y Omega-grande?
¿Qué es la minería de registros de consultas y qué señales extraen?
¿Qué es la prueba A/B para modelos de ML y qué métricas comerciales son importantes?
¿Qué son los Tensor Cores y qué operaciones aceleran?
¿Es necesario escalar las características para la regresión lineal y otros modelos?
¿En qué se diferencian los embeddings de ELMo de BERT?
¿Qué es SentencePiece y por qué es necesario para idiomas sin delimitadores explícitos?
¿En qué se diferencian las instrucciones de prompting de los modelos instructivos y los LM básicos?