Machine Learning / AI
Mi az a lineáris regresszió?
Mikor jobb a MAB, mint az A/B, és mikor rosszabb?
Hogyan mintavételezik a t lépést a Stable Diffusion tanítása és inferenciája során?
Milyen kódolási módszerek léteznek a kategorikus jellemzők esetében?
Mi az a CUDA és mik a fő fogalmak (kernel, grid, block, thread)?
Milyen problémák léphetnek fel a Sigmoid aktivációs függvény és a BatchNorm használata során?
Milyen részekből áll a Stable Diffusion (SD)?
Gradiensekció, SGD és Mini-Batch SGD: miben különböznek, előnyeik és hátrányaik?
Mi az osztálykiegyensúlyozatlanság és hogyan küzdjünk ellene?
Milyen ellenőrzéseket kell elvégezni a tanulási ráta kiválasztásakor az SFT LLM esetében?
Miért hajlamosabbak a fák túltanulásra a lineáris modellekhez képest?
Alkalmazható-e a központi határelmélet nem normális eloszlású populáció esetén?
Mit mutat a figyelemvektor a transzformátorokban?
Milyen speciális bővítések vannak műholdképekhez (forgatás, több-skála)?
Mi az a word2vec?
Miért nullázza az L1 regularizáció néhány súlyt, míg az L2 nem?
Lineáris regressziós problémát oldunk meg, minden y > 0. Melyik felsorolt algoritmus adhat negatív előrejelzést: lineáris regresszió, KNN, gradiens boosting, fa, véletlen erdő, neurális hálózat?
Hány ciklus szükséges a listák rendezéséhez és egyesítéséhez lambda-függvények nélkül?
Milyen módszerek vannak a nehéz adatbázis-kérdések optimalizálására?
Építhető-e RandomForest KNN, lineáris modellek és neurális hálózatok felett? Miért?