Machine Learning / AI

Ինչպե՞ս տեխնիկապես իրականացնել տվյալների պահեստավորման և զգուշացումների համակարգը մոդելի հսկողության համար:

Ինչպե՞ս են նման և տարբեր ռանդոմ անտառը և գրադիենտ բուստինգը: Ինչպե՞ս են կառուցվում ծառերը յուրաքանչյուրում:

Դուք ունե՞ք գաղափարներ պահանջարկի կանխատեսման համակարգը հետագա բարելավելու համար:

Պատմեք, թե ինչպես աշխատում էր ձեր օգտագործած խմբավորման ալգորիթմը — ինչպես էր այն հավաքում կետերը տարածությունում:

Դեպք՝ S7 բիզնես դասի համար գնի համակարգի մշակում։ 300 թռիչք օրական, մոտ 100 բիզնես դասով, 4-6 տեղ։ Երկու նպատակ՝ առավելագույն զբաղվածություն և առավելագույն եկամուտ։ Գիները թարմացվում են օրական և յուրաքանչյուր գնումից հետո։ Ներկայում, գները ձեռքով սահմանվում են, հիմնվելով զբաղվածության վրա։ Ինչպե՞ս մոտենաք այս խնդրին։

Spark-ի մասին — որ կոնկրետ առաջադրանքներ էին դրա վրա պառլելիզացված:

Ինչպե՞ս որոշեցիք խմբավորման որակը: Ինչ մեթոդներ օգտագործեցիք:

Ի՞նչ է կայուն ժամանակային շարք, ինչպես եք այն ստուգում և ինչու է դա կարևոր:

Ինչպե՞ս կառուցել որակի հետևման և մոդելի փոխարինման որոշումների կայացման համակարգը:

Ի՞նչ է վստահության միջակայքը և կանխատեսման միջակայքը: Ի՞նչ են ցույց տալիս նրանք:

Ի՞նչ մոդելներ եք օգտագործել պահանջարկի կանխատեսման համար:

Ինչպե՞ս վարվել հանգիստ երթուղիներում ցածր արձագանքների ծավալի հետ (քիչ թռիչքներ, աղմկոտ տվյալներ):

պատմեք ձեր փորձառության մասին Data Science-ում

Պատմեք հետաքրքիր օպտիմիզացիայի դեպքեր Spark-ում, որոնք կապված են հատկությունների և բարդ միացումների հետ

Ինչպե՞ս լուծել տեղաշարժված պատմական տվյալների խնդիրը (գիները թերագնահատված էին, մոդելը վատ տեսնում է պահանջարկը նոր մակարդակներում):