Machine Learning / AI
Mi az az apriori és az aposteriori eloszlás?
Mi az az OCR, és milyen lépésekből áll a pipeline (detektálás → felismerés)?
Milyen jellemzői vannak az online ajánlások értékelésének (CTR, konverzió)?
Mi az MCMC és milyen módszerek (Metropolis-Hastings, Gibbs, HMC)?
Hogyan egyensúlyozzuk a terhelést a szerver replikái között?
Hogyan ellenőrizheti egy rendszeranalitikus az endpoint hálózati elérhetőségét?
Milyen objektumokat lehet hozzáadni egy halmazhoz? Milyen feltételek vannak az elemekre?
Mi az a pool-alapú aktív tanulás?
Van különbség az attribútumok sorrendjében összetett index létrehozásakor, és hogyan válasszuk ki a sorrendet?
Hogyan kerülnek ki a felhasználói kérés alapján az adatok a vektorból?
Miért használják gyakran a normális eloszlást a statisztikában és a gépi tanulásban?
Mesélj az alkalmazottak távozásának előrejelzési projektjéről: mit csináltál, mi lett belőle, miben vagy büszke?
Milyen adatok alapján készült a modell?
Szinkron módon lehet-e közvetlenül az API végponton belül számítani az embeddings-eket? Mi történik, ha nagy dokumentumfolyamhoz számítunk embeddings-et a FastAPI végponton?
Mesélj részletesebben az NLP feladatokról, amelyeket végrehajtottál.
CLIP: ötlet, veszteségfüggvény, tanítási módszer, mire használják. Milyen távolsági metrikákat lehet használni az embeddingek között, és melyiket alkalmazták a szerzők?
És hol használtad a LangGraph-ban?
Mesélj, mi az a osztályozási feladat.
Hogyan válasszuk ki a backbonokat a klasszifikációhoz?
Mi az a LoRA?