Machine Learning / AI

სინფების მძიმე ბალანსის შემთხვევაში, როგორ იქცევიან precision, recall და PR-AUC?

რა მეტრიკებს იყენებდით, რამდენი მონაცემი იყო და რა იყო კლასების ბალანსი?

გვითხარით საკუთარ შესახებ და შესრულებულ დავალებებზე.

თუ მხოლოდ محدود რაოდენობის მომხმარებლებთან კომუნიკაცია შეგიძლიათ, როგორ შეაფასებთ ასეთ სკორინგ მოდელს?

ეს იყო კლასიფიკაცია თუ დროის სერია? როგორ გაითვალისწინეთ დრო სწავლებისა და ტესტირების დროს?

რას იცით ROC-AUC-ის შესახებ?

როგორ ითვლება ROC გრაფიკი ინტერაციული მეთოდით შემდეგი რეიტინგის მიხედვით?

რა აჩვენებს PR-AUC?

გვითხარით ერთ-ერთ ბოლო კლასიფიკაციის დავალებაზე და აღწერეთ მისი pipeline.

გეცოდინებათ რა არის სკორინგის მოდელი?

მქონდა თუ არა ოპერატორმა ზარის დროს უნდა მიჰყოლოდა შემოწმების სია, თუ ეს შემოწმება მის გარეშე ჩატარდა?

მოძებნეთ ყველა მომხმარებელი იანვარში, რომლებსაც ჰქონდათ სულ მცირე ერთი გაყიდვა კომუნიკაციის შემდეგ 30 დღის განმავლობაში.

გვითხარით კლასტერზე დავალებაზე.

გვითხარით NLP-ის შესრულებული დავალების შესახებ.

თქვენ გაქვთ მიზანი და დადასტურებული ფუნქციონალური საცავი დაახლოებით 5000 ფუნქციით. როგორ შეამოწმებთ ამას ამ დავალებაში?

მნიშვნელოვანია, თუ 700 გაყიდვა მილიონი შერჩეული მომხმარებლისთვის, ეს იშვიათი ტრანსფორმაციის დავალებაში კარგია?

მოძებნეთ ყველა მომხმარებელი იანვარში, რომლებსაც ჰქონდათ სულ მცირე ერთი გაყიდვა კომუნიკაციის შემდეგ 30 დღის განმავლობაში. გაყიდვები id მომხმარებელი_იდ თანხა გაყიდვის_თარიღი [phone] კომუნიკაციები id მომხმარებელი_იდ ტიპი კომუნიკაციის_თარიღი განყოფილება_თარიღი 1 1 ფოსტა [phone] ზარი [phone] ზარი [phone] ელფოსტა [phone] SMS [phone] #სია არსებობს, უნდა დაწეროთ ფუნქცია, რომელიც აბრუნებს ორი სიისგან, ერთი ნორმალური მნიშვნელობებით და მეორე ანომალიებით. ამჟამად დავუშვათ, რომ ანომალია — მნიშვნელობა, რომელიც აღემატება საშუალოს data = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

რამდენი თვისება აიღებთ ფუნქციონალური საცავიდან და როგორ შეარჩევთ მათ, თუ ყველა 5000 თვისება ვალიდურია და არ აქვს გამტეხი?