Data Analyst

Kaip galima paspartinti sprendimą, jei abėcėlė susideda tik iš mažųjų lotyniškų raidžių?

class SparseVector: def __init__(self, nums: list[int]): def dotProduct(self, vec: 'SparseVector') -> int:

Ar normalus ženklas 'vakar Bitcoin kaina' atsitiktiniam miškui ir su kokiais problemomis galima susidurti?

Ar ypatybės buvo visiškai pagrįstos laiko eilutėmis? Bandėte naudoti kitus duomenų šaltinius, pavyzdžiui, naujienas ar kitas kriptovaliutas?

Kaip padaryti naudotojo klasę tinkamą naudoti kaip žodyno raktą?

Ar logistinė regresija gali būti per daug išmokta ir kaip su tuo kovoti?

Papaskinkite apie savo patirtį, apie kokį nors projektą ar užduotį, kuria didžiuojatės

Kaip gaunama galutinė prognozė boostinge iš trijų iteracijų?

Ar reikia iš anksto apdoroti požymius prieš mokant logistinę regresiją su L2 reguliavimu ir kodėl?

Ar yra prasmės mokyti gradient boostingą linijiniuose modeliuose vietoj medžių?

Kaip mokomasis gradientinis stiprinimas?

# įvestis: list[str] = ["abba", "bbaa", "labas", "leohl", "llm"] # išvestis: list[list[str]] = [["abba", "bbaa"], ["labas", "leohl"], ["llm"]]

Kas yra sąrašo supratimas (list comprehension)?

Kas yra generatorius?

Kas yra logistinė regresija ir iš kur kyla jos nuostolių funkcija?

Kokia jūsų sprendimo sudėtingumas dėl anagramų grupavimo problemos?

Papaskinkite daugiau apie L1 ir L2 reguliavimą

Kaip buvo parinkti modelių hiperparametrai ir kaip buvo matuojama kokybė?

Kokius duomenų tipus galima naudoti kaip raktą Python žodyne?

Kokioje horizontoje buvo sudarytas prognozė?