Machine Learning / AI
Mi az a function calling az LLM-ben, és hogyan valósul meg a Qwenben?
Hogyan működik a Random Forest?
Hogyan dönt egy LLM valóban arról, hogy melyik eszközt hívja meg?
Mit választasz a feladott feladatban: gradient boosting vagy logisztikus regresszió, és miért?
Meséljen magáról és releváns tapasztalatáról.
Milyen a jelenlegi álláskeresési helyzeted — vannak végső ajánlataid, melyik szakaszban vagy?
Mesélj a transzformer fő architektúrájáról, mik a fő részei.
Hogyan érzed magad a frontend feladatokhoz, ha azok érkeznek?
Hogyan dolgozzunk sok jellemzővel?
Meséljen többet a KV-cache-ről: hogyan működik és honnan származik, kezdve a Transformer architektúrával.
Miért a Qdrant-ot választottátok vektortárolásnak?
Mikor válasszuk a LoRA-t, és mikor a hasonló posztok alapján történő retrievalt? Milyen adat szükséges mindkét megközelítéshez?
Vannak még korlátozások a Random Forest-ben lévő fákra?
Pandas-ban: miben különbözik az iloc és a loc?
Mi az a kontextusablak, és miért fontos az LLM-mel való munka során?
Hogyan oszd el helyesen a train, validation és test adatokra dokumentum NER esetén?
Meg tudná magyarázni, hogyan számítják pontosan a Gini-criteriumot, és hogyan befolyásolja ez a döntési fa felosztásának kiválasztását?
Hogyan optimalizáljuk a maximum keresését egy mozgó ablakban?
Végezett kód-áttekintést, írt teszteket? Meséljen a mérnöki kultúráról.
Hogyan szervezték meg a munkafolyamatot? Honnan érkeztek a feladatok, hogyan határozták meg a határidőket?