Machine Learning / AI
Ի՞նչ տեսակի կոնվոլյուցիաներ եք գիտակցում (ստանդարտ, depthwise, separable, dilated, transposed, grouped): Յեղինակներ, առավելություններ և թերություններ յուրաքանչյուրի։
Ի՞նչ է դիֆուզիոն մոդելների մաթեմատիկական գաղափարը: Ի՞նչ են forward և reverse գործընթացները։
Ինչպե՞ս է ընտրվում սահմանը և որ չափանիշն է ընտրվում։
Որ փուլում են ընտրվում պատահական հատկանիշները պատահական անտառում՝ յուրաքանչյուր բաժանումում կամ ամբողջ ծառի համար?
Ինչպես դարձնել նույնականացման գործընթացը անփոփոխ՝ կապված բրաուզերի բնութագրերի փոփոխությունների հետ?
Ի՞նչ մոտեցումներ կարելի է կիրառել մոդելի որակը բարելավելու համար հիմնական արդյունքին հասնելուց հետո։
Ի՞նչ են Python-ի գեներատորները և ինչու են դրանք օգտագործվում:
Կարո՞ղ է համարվել, որ նոր մոդելը F1-գնահատական 0.81-ով ավելի լավ է, քան 0.8-ով մոդելը և անմիջապես գործարկվել արտադրությունում։
Ի՞նչ են աուդիո մոդելների օգտագործման դեպքերը արտադրությունում (օգնական, բովանդակության մոդերացիա):
Ի՞նչ օպտիմիզացիաներ է իրականացնում Spark-ը։
Ի՞նչ են Sentence Embeddings-ը և ինչպե՞ս են տարբերվում word embeddings-ից։
Ի՞նչ է վերապատրաստումը: Ինչպիսի՞ միջոցներ կան դրա դեմ պայքարելու համար։
Ի՞նչ է DML (երկակի մեքենայական ուսուցում):
Ինչպե՞ս կատարել BERT-ի ֆայնթյունը դասակարգման խնդիրների համար: Ինչ վերցնել ելքից?
Ի՞նչ դասակարգման որակի չափանիշներ կան։
Ի՞նչ է ռեցեպտիվ դաշտը։
Դիզայնեք բազմաբնակարան LLM ծառայություն՝ արագության սահմանափակում և բաժանորդագրության քվոտաներով։
Ի՞նչ է Airflow / Prefect / Dagster-ը ML-ների պայպլայններում։
Ի՞նչ է ShuffleNet և ինչու է այնտեղ channel shuffle:
Ի՞նչ են EasyOCR և PaddleOCR-ը։