Machine Learning / AI
¿Cómo abordar la resolución de un problema de SQL?
¿Qué es la augmentación en tiempo de prueba (TTA)?
¿Cómo es la distribución de ventas de un producto en función de la frecuencia?
¿Qué es la modelación temporal y para qué sirve la entrada temporal?
Островок¿Qué tipos de datos en Python son mutables de list, set, dict?
Wildberries¿Qué es Double DQN y qué problema resuelve?
¿Qué métodos son más baratos que la evaluación humana (LLM-como-árbitro, calificación por modelo)?
Яндекс¿Qué métricas conoces para evaluar un sistema LLM en general?
СБЕРCuéntame sobre tus proyectos: ¿qué hiciste específicamente tú, en detalle técnico?
¿Qué es la API de OpenAI Assistants y cuáles son sus limitaciones?
¿Cuáles son las técnicas de pruebas de integración para servicios de ML?
ВТБ
VK Cloud¿Qué métrica elegir para regresión con valores atípicos: MSE o MAE?
Avito
Газпромбанк¿En qué aspectos hay que prestar atención al optimizar una consulta SQL?
ИннотехAvitoОстровок¿Qué es el boosting?
СБЕРГазпромбанк¿Cómo verificar en qué se basa el modelo?
¿Dónde se encuentran arquitectónicamente las incrustaciones posicionales?
¿En qué se diferencia CatBoost de XGBoost al trabajar con características categóricas?
Cuéntame sobre la tarea técnica más difícil.
¿Cómo vamos a ajustar los parámetros en el aumento de gradiente? ¿Qué parámetros hay y qué ajustarás en primer lugar?
AvitoTarea práctica AI generó un código para la decisión sobre el lanzamiento de un nuevo LLM. Realiza una revisión: modifícalo para que el editor pueda comparar la calidad de las versiones por segmentos temáticos, ver la dispersión de las evaluaciones y notar el riesgo de deterioro en un pequeño grupo de datos. import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') summary = scores.groupby('model_version')['score'].mean() plt.bar(summary.index, summary.values) plt.title('Calidad de los modelos') plt.ylabel('Puntuación media') plt.show() print('Mejor versión:', summary.idxmax()) --- import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') stats = ( scores.groupby(["topic", "model_version"])["score"] .agg(["mean", "std", "count"]) .reset_index() ) print(stats) for topic, group in scores.groupby("topic"): group.boxplot(column="score", by="model_version") plt.title(f"Tema: {topic}") plt.suptitle("") plt.ylabel("Puntuación") plt.show() small_groups = stats[stats["count"] < 30] print("Grupos pequeños - conclusiones poco fiables:") print(small_groups)