Machine Learning / AI

Esant stipriam klasių disbalansui, kaip elgiasi precision, recall ir PR-AUC?

Koki metrikusokat naudojote, kiek duomenų buvo ir koks buvo klasių balansas?

Papaskinkite apie save ir užduotis, kurias atlikote.

Jei galite bendrauti tik su ribotu klientų skaičiumi, kaip įvertintumėte tokį scoring modelį?

Ar tai buvo klasifikacijos ar laiko eilutės užduotis? Kaip buvo laikomasi laiko treniruotės ir testavimo metu?

Ką žinote apie ROC-AUC?

Kaip apskaičiuojama ROC kreivė iteratyviai po objektų reitingavimo pagal balą?

Papaskinkite apie vieną iš neseniai atliktų klasifikacijos užduočių ir aprašykite jos pipeline.

Ką rodo PR-AUC?

Ar žinote, kas yra scoring modelis?

Raskite visus klientus sausio mėnesį, kurie turėjo bent vieną pardavimą po komunikacijos per 30 dienų.

Ar buvo kontrolinis sąrašas, kurį operatorius turėjo laikytis skambučio metu, ar patikrinimas buvo atliktas be jo?

Papaskinkite apie NLP užduotį, kurią atlikote.

Papaskinkite apie užduotį klasterizacijos.

Jūs turite tikslą ir patvirtintą funkcijų saugyklą su maždaug 5000 funkcijomis. Kaip tai patikrintumėte šioje užduotyje?

Ar 700 pardavimai iš milijono pasirinktų klientų yra geri retai konvertuojančioje užduotyje?

Raskite visus klientus sausio mėnesį, kurie turėjo bent vieną pardavimą po komunikacijos per 30 dienų. pardavimai id kliento_id suma pardavimo_data [phone] komunikacijos id kliento_id tipas komunikacijos_data dalijimosi_data 1 1 paštas [phone] skambutis [phone] skambutis [phone] el. paštas [phone] SMS [phone] #Yra sąrašas, turite parašyti funkciją, kuri grąžins du sąrašus, vieną su normaliomis reikšmėmis, kitą su anomalijomis. Laikykim, kad anomalija yra reikšmė, viršijanti vidurkį data = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Kiek funkcijų paimsite iš funkcijų saugyklos ir kaip jas pasirinksite, jei visos 5000 funkcijos yra galiojančios ir be nutekėjimų?