Machine Learning / AI
Որն է bias և variance տարբեր տեսակի մոդելների համար՝ գծային մոդելներ, ծառեր, ծառերի հավաքածու?
Ի՞նչ է embedding-ների վրա հիմնված որոնումը արտադրությունում (FAISS, ScaNN):
Ինչպե՞ս ապահովել մոդելի որակը օգտագործելով տրիգգերային գնումներ և հաճախորդների ավատարներ։
Ի՞նչ է ուշադրությունը։
Ի՞նչ են black-box և white-box հարձակումները։
Ի՞նչ է տեղի ունենում, երբ մուտքագրում եք կայքի հասցեն բրաուզերում և սեղմում Enter-ը։
Ինչպե՞ս բաժանել փաստաթղթերը կտորների: Ինչ չափի կտորներ սովորաբար ընտրում են:
Ի՞նչ է Cox հարաբերական վտանգների մոդելը։
Ի՞նչ կլինի երկու SQL հարցումների արդյունքը, որոնք աշխատում են բաժինների և աշխատակիցների աղյուսակների հետ։
Ինչպես է համակցվում համատեքստը ժամանակակից մոդելներում?
Ի՞նչ է IP-Adapter-ը։
Երբ խոսում ենք դասերի անհավասարակշռության մասին, որոնք են համապատասխան մետրիկան և որոնք՝ ոչ?
Ի՞նչ փորձ ունեք Microsoft Azure-ով և կարող եք արդյոք տեղադրել լուծում այնտեղ։
Ի՞նչ կլինի, եթե հեռացնենք ծառը պատահական անտառից։
Ի՞նչ քանակի քաշեր են ուսուցանվում 5x5 արմատով և 10 ֆիլտրերով կոնվոլյուցիոն շերտում։
Ի՞նչ է հակադրական ուսուցումը գրաֆիկներում (DGI, GraphCL):
Практиկային առաջադրանք Ի՞նչ հավաքածու արհեստագործների թույլ է տալիս արդարացիորեն վերարտադրել երկու LoRA գործարկումների համեմատությունը: - Միայն վերջնական որակի աղյուսակը: - Կոմիտ՝ կոդով և վերջնական մետրի պատկերի նկարի հետ: - Կոդ և փորձի կոնֆիգուրացիայի ֆայլ: - Կոդ, տվյալների հեշ, հիմնական մոդել, LoRA կոնֆիգուրացիա, կախվածություններ և գործարկման հրամանի: - Միայն Git ճյուղի հղում: - Կոդ, LoRA պարամետրեր, հիմնական մոդելի տարբերակ և կախվածություններ։
Եթե մոդելի բոլոր միավորումները կրկնապատկենք, արդյոք ROC AUC-ը փոխվի՞ր։
Ինչ է սպասվում արտադրանքի վերլուծաբանից մյուս թիմերի հետ աշխատելիս և ինքնուրույն:
Պատմեք ինձ Dropout-ի մասին՝ ինչպես է այն աշխատում ուսուցման ժամանակ և ինչ է տեղի ունենում նրա հետ ինֆերենցիայի ժամանակ։