Machine Learning / AI
Ինչպես եք նկարագրում գործիքները: Ինչ է ընդհանուր ձևաչափը և հիմնական պահանջները նկարագրության համար?
Ի՞նչ է սխալի ֆունկցիան և սխալի գործառույթը:
Բացասական-տարբերության առևտրային գործարք k մոտիկ հարևանների մեթոդի համար (kNN), երբ k=1 և երբ k մեծ է։
Ինչու է այս ճարտարապետությունում վեկտորային տվյալների բազան անհրաժեշտ?
Ինչպե՞ս կկատարեիր հարգանքների/provokatsion հարցերի պաշտպանություն, որպեսզի բոտը պատասխանում չսկսի գռվռալ։
Margin Loss-ի գաղափարը ինչ է?
Ինչու է նեյրոնային ցանցերում անհրաժեշտ նոն-լինեարությունը:
Ի՞նչ է գրադիենտը մաթեմատիկայի տեսանկյունից և ինչպես է այն կիրառվում մեքենայական ուսուցման մեջ։
Իմացեք ինձ մասին, ձեր փորձը, ինչ խնդիրների վրա եք աշխատել։
Իմացեք ինձ մասին՝ ինչով եք զբաղվել, ինչ եք ուզում զբաղվել, ձեր փորձի մասին։
Ինչպե՞ս սկսեցիր գործել զրույցների որակի գնահատման նախագծի հետ: Ինչ տվյալներ ունեիր, ինչ մոտեցում ընտրեցիր?
Կատեգորիայի դասակարգման խնդիր՝ ուժեղ անհավասարակշռություն դասերի միջև: Որ մետրիկաները լավ են, որոնք վատ?
Դուք չունեք որոշակի աշխատավարձի մաս? Միշտ նույն աշխատավարձը ստանում եք?
Ինչու եք ընտրել Qdrant որպես հիմնական տվյալների բազա?
Հետեւական կերպով պատմեք աշխատակիցների թափքի կանխատեսման նախագծի մասին՝ բիզնես խնդիր, ML խնդիրների ձևակերպում, մետրիկներ եւ տվյալներ։
Որ մասում (BM25 կամ dense) արժեքները նորմալիզացված չեն?
Դուք մասնակցե՞լ եք բարդ համակարգերի և գործակալների վավերացմանը արտադրական փուլում:
Ի՞նչ է sparse վեկտորը: Ինչպե՞ս է այն տարբերվում dense-ից։
Կա՞ն աշխատանք որոնելու ժամկետներ: Հետո՞ ինչ ընկերությունների հետ եք դեռ կապում:
Ինչպե՞ս է Gradient Clipping-ը և Warmup-ը օգնում պայքարել գրադիենտների պայթյունի և կորուստի տարբերության դեմ ուսուցման սկզբում։