Machine Learning / AI
Perché nel boosting si usano generalmente alberi poco profondi e come influisce il numero di alberi sull'overfitting?
Come capire nella pratica se un test è esaurito o se si è verificato uno spostamento di distribuzione?
Indica i casi in cui è meglio usare una soluzione analitica invece di ML
Quali tipi di regolarizzazione conosci?
Cosa succede se la soglia di classificazione è troppo bassa?
Quali problemi si verificano durante l'addestramento della regressione logistica se il numero di caratteristiche è maggiore del numero di osservazioni?
Cos'è la stima della profondità monoculare e quali modelli (MiDaS, Depth Anything)?
Parla della distillazione dei modelli.
Parlami dei tuoi progetti: cosa hai fatto esattamente, in dettaglio tecnico?
Cosa sono le tabelle storiche?
Quali metodi di ensemble conosci? Quali gruppi di metodi di ensemble esistono?
Quali tipi di errori ci sono nei protocolli medici e come vengono tipizzati?
Quali sono i vantaggi e gli svantaggi dell'utilizzo della validazione incrociata?
Come si svolge generalmente il percorso di un'app ML/LLM dal Dockerfile e dal codice sorgente al servizio distribuito e al traffico utente in Kubernetes?
Cos'è la regolarizzazione?
Quali implementazioni di boosting conosci o con quali hai lavorato?
Hai offerte/pre-offerte in mano adesso? Quanto attivamente stai considerando le proposte?
Parlami del progetto del sistema di audit dei documenti
Cosa intendi esattamente per profondità: scorrimento della pagina o scorrimento del blocco?
Perché vuoi lasciare [organizzazione] e cosa significa per te lo sviluppo professionale?