Machine Learning / AI
Որ տեխնոլոգիաներն ու ուղղությունները ձեզ առավել մոտ են՝ դասական ML, DS կամ NLP?
Կրեդիտային դիմումների գնահատման գործիքները սկզբում վավերացվել են վերլուծաբանների կողմից: Ինչպես էր աշխատում ReAct-գործակալը այս գործիքների հետ?
Ի՞նչ է անում __init__ մեթոդը դասում և երբ է այն կանչվում:
Ի՞նչ են causal գրաֆիկները (DAG) և d-անջատումը։
Երբ է տեղին օգտագործել cross-encoder և երբ bi-encoder որոնման ժամանակ։
Ի՞նչ խնդիրներ է լուծում ML քաղաքային պլանավորման մեջ։
Դուք գիտե՞ք HTTP, UDP, TLS պրոտոկոլները։
Ի՞նչ է հաջորդականության պառալելիզմը։
Ի՞նչ է հարաբերական և ոչ հարաբերական տվյալների բազաների տարբերությունը։
Ինչպե՞ս եք կատարել կառուցվածքային ելք (structured output) ձեր նախագծերում LLM- ից։
Ինչպե՞ս են հաշվարկվում միկրո և մակրո միջին ցուցանիշները։
Ի՞նչ է HuBERT-ը։
Ի՞նչ է ինֆորմացիայի որոնումը և ինչ խնդիրներ է լուծում:
Ինչու ընտրեցինք DBSCAN-ը անոմալիաների հայտնաբերման առաջադրանքի համար, ոչ թե դասակարգումը?
Ինչպե՞ս է MobileNet v2-ը տարբերվում v1-ից (invert residuals)։
Ի՞նչ է հաջորդական փորձարկումը (mSPRT, միշտ վավեր):
Ինչու եք ընտրել Redis-ը հերթի համար, ոչ թե Kafka կամ RabbitMQ?
Ինչպես օպտիմալ կերպով ընտրել նշան և շեմ՝ որոշիչ ծառերում բաժանման համար?
Ի՞նչ թերություններ ունի գծային ռեգրեսիայի անալիտիկ մեթոդը։
Որ խնդիրները վատ է լուծում AutoML-ը (փոքր տվյալներ, ոչ ստանդարտ դոմենային գիտելիքներ)?