Machine Learning / AI
Hogyan választják ki a jellemzőket a Random Forest-ben?
Feladat: 1000 dokumentumban 10 szinte azonos van (csak a középen lévő szám különbözik — a hívás ára különböző régiókban). Hogyan befolyásolja ez a RAG-et, és hogyan oldja meg a problémát?
Mely együtthatókra vonatkozik az L2 regularizáció az XGBoost-ban?
Mi az adat szivárgás és honnan származik?
Miért döntöttél úgy, hogy elhagyod a DОМ.РФ-et?
Van tapasztalatod a PyTorch-szal, milyen feladatokat végeztél vele?
Ebben a sémában, ha a felhasználó beírja a „szia” szót, az RAG-be kerül, és választ kap az RAG-től a „szia” szóval. Hogyan láthatjuk/akadályozhatjuk ezt?
két szám összeadása egy függvényben egy dekorátor felett, amely először írja, hogy szia majd meghívja az összeadás függvényt írja, hogy viszlát def hello(func): def wrapper(a,b): print('Szia') result = func(a,b) print("Viszlát") return result return wrapper @hello_bye_dec def add_numbers(a,b): return a+b Print(add_numbers(2,3))
Hogyan építsünk minőségi kérdés- és válaszgyűjteményt a rendszer értékeléséhez?
Milyen adathalmazon mérték a modell kiválasztási metrikákat?
Meséljen a Word2Vec-ről: milyen tanulási feladatokat használnak benne (CBOW, Skip-gram)?
Miért pont két ügynököt választottál? Miért nem csak egyet vagy többet?
Milyen sérülékenységek vannak a multi-agens LLM rendszerekben?
Tehát te magadtól hagytad el a céget?
Külön vizsgáld meg a prefill és decode-t: Q/K/V, mátrixformák és fázis különbségek.
Mit használsz a gyors prototípus készítéséhez kódügynökökhöz? Hogyan használod a MI-t a fejlesztésben?
Meséljen a K-means algoritmusról és fejlettebb változatairól (K-means++).
Dolgozott már Spark-kal? Mi a általános véleménye arról, hogy ez mi?
Mennyire illik a szerep, figyelembe véve, hogy a projekt NLP-t, LLM-et és klasszikus ML-t ötvöz, miközben te klasszikus ML pozíciót kerestél?
Vannak kérdések a munkafeltételekkel és a projekttel kapcsolatban?