Machine Learning / AI
სიტყვის ემბედინგების მიღების კლასიკური გზები დაასახელეთ (Word2Vec, FastText, TF-IDF, N-გრამები და სხვა).
როგორ შევკრათ და გავაანალიზოთ 3 (სამი ოპერატორი ერთ კითხვაზე, ბინარული პასუხები) გადაკვეთილი მონიშვნები?
რა არის ცივი დაწყების პრობლემა? როგორ გადავჭრათ ეს ახალი სტატიისთვის, რომელსაც ჯერ კლიკები არ აქვს?
რა არის შეცდომის ფუნქცია და შეცდომის ფუნქციონალი?
[სახელი] ჰკითხა: სად ცხოვრობ?
როგორ გადაჭერდი ამ ამოცანას? რა ალგორითმს/მიდგომას გამოიყენებდი?
k უახლოესი მეზობლის (kNN) მეთოდის ბაიასი-ვარიაციის სავაჭრო, როდესაც k=1 და როდესაც k დიდი.
არ გწამთ, რომ AI-თან გასაუბრების ჩატარება გსურთ?
რატომ არის საჭირო ვექტორული მონაცემთა ბაზა ამ არქიტექტურაში?
როგორ გავაკეთოთ ზომა, რომ embedding-მოდელი და retrieval სწორად მუშაობს?
გრაფიკებთან მუშაობდით?
როგორ გავიგოთ ლინეურმა რეგრესიის მოდელის შედეგები?
რა იგზავნებოდა თქვენს სისტემაში საბოლოო მომხმარებელთან?
გვითხარით თქვენი გამოცდილების შესახებ A/B ტესტირებაზე პრაქტიკაში
როგორ ხდება ინსტრუმენტების (tool calling) გამოძახება აგენტში?
როგორ შევაფასოთ LLM-ის პასუხები, თუ ისინი სწორია, მაგრამ განსხვავებული ფორმით დაწერილია?
როგორ ემზადებიან ემბედინგის მოდელები? როგორ დაწერდით თქვენს საკუთარ ემბედერს?
როგორ იმუშავებს თეორიულად boosting-ში, თუ მიზანი მინუს ერთია? განვიხილოთ, რომ გვაქვს პოზიტივი და ნეგატივი, თუ პოზიტივისთვის მიზანს 1-ის ნაცვლად 10-ს დავაყენებთ, რა მოხდება, არაფერი შეიცვლება?
გთხოვთ, დაასახელოთ ერთი უპირატესობა და ერთი ნაკლოვანება CatBoost-ისა, შედარებით LightGBM-სთან.
რომელ ნაწილში (BM25 ან dense) მნიშვნელობები ნორმალიზებული არაა?