Machine Learning / AI

Hogyan valósítsuk meg technikailag az adatok tárolási és riasztási rendszerét a modell monitorozásához?

Hogyan hasonlít és különbözik a véletlen erdő és a gradiens boosting? Hogyan épülnek fel a fák mindkettőben?

Van ötleted a kereslet-előrejelző rendszer további fejlesztésére?

Mesélje el, hogyan működött az Ön által használt klaszterező algoritmus — hogyan aggregálta a pontokat a térben?

Hogyan határozta meg a klaszterezés minőségét? Milyen módszereket használt?

A Spark kapcsán — mely konkrét feladatokat párhuzamosítottak rajta?

Mi az a stacionáris idősorozat, hogyan ellenőrzi, és miért fontos?

Mi a különbség a megbízhatósági intervallum és a jóslási intervallum között? Mit mutatnak?

Hogyan építsünk olyan rendszert, amely nyomon követi a minőséget és a döntéshozatalt a modell cseréjében?

Milyen modelleket használt a kereslet előrejelzéséhez?

Eset: az S7 üzleti osztályára vonatkozó árképzési rendszer fejlesztése. 300 járat naponta, ~100 üzleti osztállyal, 4-6 ülés. Két cél: maximális kihasználtság és maximális bevétel. Az árakat naponta és minden vásárlás után frissítik. Jelenleg manuálisan állítják be az árakat, a kihasználtság alapján. Hogyan közelítené ezt a feladatot?

Meséljen a Data Science területén szerzett tapasztalatairól

Meséljen érdekes optimalizációs esetekről Sparkban, amelyek a jellemzőkkel és összetett csatlakozásokkal kapcsolatosak

Hogyan oldjuk meg a eltolódott történelmi adatok problémáját (az árakat alulértékelték, a modell rosszul látja a keresletet új szinteken)?

Hogyan kezeljük az alacsony visszacsatolási mennyiséget csendes útvonalakon (kevés járat, zajos adatok)?