Machine Learning / AI
¿Qué son las covariables que varían con el tiempo?
¿Cómo lidiar con la tendencia en los datos al usar árboles y bosques aleatorios para la predicción?
¿Qué es el estado de creencia y cómo se actualiza?
¿Qué es la orientación sin clasificador y cómo funciona la escala?
¿Qué tamaño de intersección de chunks usar?
¿Cómo transferir grandes datos entre tareas en Airflow?
¿Qué métricas se utilizan para evaluar OCR (CER, WER)?
¿Qué es el meta-aprendizaje para AutoML?
¿Qué tecnologías y áreas te son más cercanas: ML clásico, DS o NLP?
Si no hay respuestas de referencia, solo hay documentos y contexto: ¿cómo evaluar el sistema y de dónde obtener la respuesta de referencia?
¿Qué es la regularización de consistencia (FixMatch)?
¿Qué es Core ML y cómo convertir modelos para iOS?
¿Qué procesos en el equipo te gustan?
¿Qué métodos de división de texto en fragmentos conoces?
¿Qué hace el método __init__ en una clase y cuándo se llama?
¿Qué métodos de regularización conoces? ¿En qué se diferencia L1 de L2?
¿Qué enfoques de deep learning para el análisis de supervivencia (DeepSurv, DeepHit)?
¿Qué papel en el equipo te resulta más cercano: ML/AI o tareas de ingeniería?
¿Cómo realizaste la salida estructurada (structured output) de LLM en tus proyectos?
¿Cuál es la principal motivación para considerar otras opciones de trabajo?