Որ հիմնական պարամետրերն ենք սովորաբար սահմանում DAG առաջադրանքների համար և ինչու է գրաֆիկը հենց այդպիսին (վերին մակարդակի տրամաբանություն DAG)?
Machine Learning / AI
Դու աշխատե՞լ ես Spark-ով: Ինչ է դա ընդհանուր պատկերացումն այն մասին, թե դա ինչ է:
Երբ խոսում ենք դասերի անհավասարակշռության մասին, որոնք են համապատասխան մետրիկան և որոնք՝ ոչ?
Տրված է տող, որը պարունակում է տառեր և թվեր: Գտեք առավելագույն թիվը, որը հանդիպում է տողում (հաշվի առնելով հաջորդող թվանշանները որպես միավոր թիվ):
Ի՞նչ է տեղի ունենում Python-ում տողերի կոնկատենացիայի ժամանակ (օրինակ, current += char): Ինչու՞ այս մոտեցումը կարող է լինել վատ այս առաջադրանքում և ինչպես կարելի է օպտիմալացնել կոդը՝ խուսափելով հաճախակի տողերի կոնկատենից։
Դուք երբևէ հանդիպե՞լ եք պատահական անտառի (աշխատանքում կամ ուսումնական հաստատությունում): Ինչ են հիմնական տարբերությունները պատահական անտառի և բուստինգի միջև?
Ինչպե՞ս կլուծեիք նույն խնդիրը՝ վերջին կտկի որոնումը առանց JOIN-ի օգտագործման։
Դուք աշխատե՞լ եք Airflow կամ Spark-ի հետ: Պատմեք, ինչ է DAG-ը Airflow-ում, կարող եք տալ ձեր փորձից մի օրինակ: Դուք ինքներդ եք գրել DAG-երը, թե միայն օգտագործել/գործարկել եք:
Ինչու՞ դասերի անհավասարակշռության դեպքում ճշգրտությունը ցույց է տալիս անհամապատասխան որակի արժեք։
Դուք ունե՞ք ժամանակային շարքերի հետ աշխատանքային փորձ: Ինչ մետրիկա է օգտագործվում ժամանակային շարքերի կանխատեսման մոդելների որակը գնահատելու համար:
Տրված է logs աղյուսակը, որտեղ կան օգտվողների իրադարձություններ (user_id, item_id, action_type, timestamp): Գրել SQL հարցում, որպեսզի յուրաքանչյուր օգտվողի համար գտնեք վերջին կտտացրած ապրանքի ID-ն։
100 մետաղադրամ կա, որոնցից մեկը կեղծ է — երկու կողմում էլ թագավորներ։ Մենք պատահականորեն ընտրում ենք մի մետաղադրամ, նետում այն և հայտնվում է թագավորը։ Ինչպե՞ս է հավանականությունը, որ մետաղադրամը կեղծ է։ Ներկայացրեք լուծումը (օգտագործելով Բեյսի բանաձևը):
Եթե մոդելի համար օպտիմալ ծառերի քանակը 500 է, բայց մենք պատահականորեն ուսուցանել ենք ինչպես պատահական անտառ, այնպես էլ բուստինգ՝ 1000 ծառով, ապա որ մոդելը ավելի հավանական է, որ ավելի շատ է անցել և ինչու?
Ինչու է Spark-ում առաջադրանքը կարող է կանգ առնել և շատ երկար աշխատել: