Machine Learning / AI
Ի՞նչ է MAP մետրիկան։
Ինչպես են աշխատում BatchNorm և LayerNorm-ը: Ի՞նչ են դրանց առավելությունները և թերությունները և որտեղ են կիրառվում:
Ինչպես է ROC-AUC-ը աշխատում տվյալների վրա, որտեղ դասերի ուժեղ անհավասարակշռություն կա?
Ինչպես մշակել աղյուսակները և պատկերները RAG-ի համար փաստաթղթերում։
Ի՞նչ է Tesseract-ը և որտեղ են նրա որակական սահմանները։
Կարո՞ղ է փոխարինել 3x3 կոնվոլյուցիան երկու հաջորդական 3x1 և 1x3 կոնվոլյուցիաներով: Ի՞նչ են շահույթներն ու կորուստները:
Ի՞նչ է DoRA-ն և ինչպե՞ս է այն տարբերվում LoRA-ից։
Ի՞նչ կորուստային ֆունկցիա կիրառել մոդելի ուսուցման ժամանակ:
Ինչպե՞ս է ստեմմինգը տարբերվում լեմմատիզացիայից: Որ խնդիրներում ինչպե՞ս կիրառել:
Ի՞նչ է p-արժեքը։
Քանի՞ գործոն պետք է ներկայացվի CatBoost մուտքում:
Ի՞նչ ռիսկեր են Bias ընդլայնման:
Որոնք են պատահական անտառի պարամետրերը, որոնք կարելի է փոխել, և ինչպես են ազդում խորությունը և ծառերի քանակը։
Առաջադրանք: որն է ավելի արդյունավետ արագության տեսանկյունից — փոխանցել տրանսֆորմերին 2 մուտք 512 տոքենի առանձին (2x512) կամ միացնել դրանք մեկում 1x1024?
Ինչու եք նոր աշխատանք փնտրում?
Ի՞նչ տեսակների դասավորություններ եք գիտեք և ինչպիսի դժվարություններ ունեն ժամանակի և հիշողության առումով։
Ինչու գրեթե դադարեցրին մեծ 9x9, 7x7, 5x5 կոնվոլյուցիաները օգտագործել?
Ի՞նչ է Cycle-GAN-ի գաղափարը: Ի՞նչ կորուստներ են օգտագործվում դրա մեջ։
Ի՞նչ է self-ask prompting-ը։
Ի՞նչ է գծային ռեգրեսիան։