Machine Learning / AI
Ինչպե՞ս են փոխվում դիրքային ներդրումները Q, K, V-ները։
Ինչու CatBoost, ոչ թե XGBoost կամ LightGBM? Ինչն է տարբերությունը?
Ինչպես տեղի ունեցավ անցումը ML/Data Science-ին: Կային դասընթացներ, թե դա ինքնուսուցում էր?
Ի՞նչ մեթոդներ էին օգտագործվում RAG համակարգի գնահատման համար և ինչպես ընդունվեց որոշումը այն արտադրական փուլում գործարկելու մասին։
Խոսեք լիդերում սպամի հայտնաբերման և զանգերի կենտրոնի աշխատանքի օպտիմալացման մասին։
Ինչպես ճիշտ բաժանել train, val և test՝ փաստաթղթային NER-ի համար։
Ինչպե՞ս հասկացաք, արդյոք մոդելը ճիշտ դասակարգեց տվյալները: Ի՞նչ գործողություններ էին պահանջվում մենեջերից:
Ի՞նչ է խաչմերուկային վավերացումը: Ի՞նչ տեսակներ կան։
Ի՞նչ է քվանտային ռեգրեսիան կանխատեսումների համար միջակայքերով։
Ի՞նչ տարբերություն կա CMD և ENTRYPOINT-ի միջև Dockerfile-ում: Որոնք կարող եք վերագրել կոնտեյների մեկնարկի ժամանակ?
Ի՞նչն է ձեզ մոտիվացնում և ի՞նչն է ձեզ դիսմոտիվացնում աշխատանքի մեջ։
Ի՞նչ է տարբերությունը մուլտիթրեդինգի և մուլտիպրոցեսինգի միջև Python-ում։
Ի՞նչ կպատահի սինթետիկ տվյալների սերնդի դեպքում հազվագյուտ դասի համար: Ինչ կլինի բաշխման հետ?
Պատմեք ինձ ձեր ազատ ժամանակի, հոբբիների, հետաքրքրությունների մասին բացի գիտելիքների թարմացումից։
Ի՞նչ է սպասման հավաքածուն։
Ինչու եք հեռացել PIK-ից?
Ինչու է կայունությունը բացակայում?
Կա՞ խնդիրներ, բիզնեսի ոլորտներ կամ տեղաշարժի սահմանափակումներ, որոնք դուք հաստատ չեք ուզում տեսնել նախագծերի ընտրության մեջ։
Պատմեք դասական ML (ոչ LLM) նախագծի մասին, որի մասին դուք հպարտ եք։
Ինչպե՞ս է գծային մոդելը կառավարում հատկությունների բազմակողմանիությունը։