Machine Learning / AI
¿Qué es el compromiso entre sesgo y varianza?
¿Se puede construir un RandomForest sobre KNN, modelos lineales y redes neuronales? ¿Por qué?
¿Cómo funciona la Supresión de Máximos No y para qué sirve?
¿Qué estructura de datos está en la base de dict en Python? ¿Cómo se resuelven las colisiones?
¿Qué es el compromiso entre exploración y explotación en RL?
¿Qué es un registro de modelos y qué herramientas ha utilizado (MLflow, W&B)?
¿Puede una convolución atrous (dilatada) nunca usar un píxel en la imagen original?
¿Qué prácticas se utilizan al sincronizar las características de entrenamiento y servicio?
¿Se puede considerar que un nuevo modelo con una puntuación F1 de 0.81 es mejor que un modelo con 0.8 y lanzarlo directamente en producción?
¿Es malo indexar todos los campos y por qué?
¿Qué es el bagging y por qué reduce la varianza del modelo?
¿Qué es la convolución separable en profundidad y dónde se aplica (MobileNet)?
¿Cuáles son las formas de optimizar consultas pesadas a la base de datos?
¿Qué es la codificación objetivo y cuáles son sus problemas (sobreajuste, filtración)?
¿Qué métricas de clasificación binaria conoces? Ventajas y desventajas de cada una.
¿Qué es el impacto dispar?
¿Qué hacer con el conjunto de datos antes de entrenar el modelo?
¿Dónde terminaba la zona de responsabilidad y tenía experiencia en escribir código de producción?
¿Qué es GIL en Python?
¿Qué es DML (aprendizaje automático doble)?