Machine Learning / AI
Ինչպես է BERT-ը կանխատեսում մաքուր բառերը մասկայի տակ և հաշվի առնում հարևան բառերի համատեքստը։
Ի՞նչ են Recall և Precision-ը: Պատկերացրեք՝ 50 մրգ, 30 խնձոր և 20 գազար, ռոբոտը ճիշտ գտել է 20 խնձոր, բայց 15 գազար ճանաչել է որպես խնձոր: Հաշվեք մետաղները։
Ինչպես է իրականացվում A/B թեստը?
Ի՞նչ է DBSCAN-ը և ինչպես է այն օգնում հայտնաբերել արտառոցները։
Ինչպիսի՞ն են Parquet սքեմաների առանձնահատկությունները և ինչու են դրանք արդյունավետ ML-ի համար։
Ինչպես է իրականացվում ռեսուրսների բաշխումը Docker-ում?
Ի՞նչ են նորմալ ձևերը և որոնք գոյություն ունեն:
Ի՞նչ է Double DQN-ը և ինչ խնդիր է լուծում:
Իմացեք ձեր նախագծերի մասին. կոնկրետ ինչ եք արել, տեխնիկական մանրամասներով։
Ինչ է over-squashing-ը GNN-ում։
Դու աշխատե՞լ եք օբյեկտային կողմնորոշված ծրագրավորման հետ։
Ինչպե՞ս կլուծեիք նույն խնդիրը՝ վերջին կտկի որոնումը առանց JOIN-ի օգտագործման։
Որ գործառույթներն են լուծում GNN-ները խարդախության հայտնաբերումում?
Որտե՞ղ եք ուզում զարգանալ ապագայում, ինչ մասնագիտական ուղղություններ եք առանձնացնում ձեզ համար։
Практиկայ գործառույթ Արհեստական բանականությունը ստեղծել է կոդ նոր LLM թողարկելու որոշման համար: Կատարեք վերանայում՝ այն փոխեք այնպես, որ խմբագրողը կարողանա համեմատել տարբերակների որակը թեմատիկ հատվածներով, տեսնել գնահատականների տարածումը և նկատել փոքր տվյալների խմբում վատթարացման ռիսկը: import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') summary = scores.groupby('model_version')['score'].mean() plt.bar(summary.index, summary.values) plt.title('Մոդելների որակը') plt.ylabel('Միջին գնահատական') plt.show() print('Լավագույն տարբերակ՝', summary.idxmax()) --- import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') stats = ( scores.groupby(["topic", "model_version"])["score"] .agg(["mean", "std", "count"]) .reset_index() ) print(stats) for topic, group in scores.groupby("topic"): group.boxplot(column="score", by="model_version") plt.title(f"Թեմա: {topic}") plt.suptitle("") plt.ylabel("Գնահատում") plt.show() small_groups = stats[stats["count"] < 30] print("Փոքր խմբեր - եզրակացությունները չեն վստահելի:") print(small_groups)
Տոկենի ID և embeddings-ներից հետո, ինչ է հենց մուտք գործում decoder-ին՝ ներկայացումների ձևը ինչ է, ինչպես է ավելացվում դիրքային տեղեկատվությունը և հետո ինչ է տեղի ունենում։
Ի՞նչ է early stopping-ը HPO-ում (ASHA, Hyperband)։
Ի՞նչ է CV-leak-ը և ինչպիսի՞ն են նրա աղբյուրները։
Ինչպե՞ս ստուգել կուսակցության առաջնորդության վիճակագրական կարևորությունը [համար] ձայներից [համար]:
Ինչպե՞ս է տվյալների քանակը ազդում որոնման համար ինդեքսի ընտրության վրա։