Machine Learning / AI

Kaip techniškai įgyvendinti duomenų saugojimo ir įspėjimo sistemą modelio stebėsenai?

Kaip atsitiktinis miškas ir gradiento stiprinimas yra panašūs ir skiriasi? Kaip kiekviename jų statomi medžiai?

Ar turite idėjų, kaip toliau tobulinti paklausos prognozēšanas sistemą?

Papaskinkite, kaip veikė jūsų naudotas klasterizacijos algoritmas — kaip jis sujungė taškus erdvėje?

Kaip nustatėte klasterizacijos kokybę? Kokias metodas naudojote?

Kalbant apie Spark — kokie konkrečiai uždaviniai buvo paralelizuoti?

Kas yra stacionari laiko eilutė, kaip ją tikrinate ir kodėl tai svarbu?

Kuo skiriasi pasitikėjimo intervalas nuo prognozės intervalo? Ką jie rodo?

Kaip sukurti sistemą kokybės stebėjimui ir sprendimų priėmimui dėl modelio keitimo?

Kokius modelius naudojote paklausos prognozavimui?

Atvejis: S7 verslo klasės kainų sistemos kūrimas. 300 skrydžių per dieną, apie 100 su verslo klase, 4-6 vietos. Du tikslai: maksimalus užpildymas ir maksimalus pelnas. Kainos atnaujinamos kasdien ir po kiekvieno pirkimo. Šiuo metu kainos nustatomos rankiniu būdu, remiantis užpildymu. Kaip prieitumėte šį užduotį?

Papaskinkite apie įdomius optimizavimo atvejus Spark, susijusius su ypatybėmis ir sudėtingais jungimais

Papaskinkite apie savo patirtį Data Science srityje

Kaip išspręsti paslinkusių istorinės duomenų problemą (kainos buvo nepakankamai įvertintos, modelis blogai mato paklausą naujose lygyje)?

Kaip elgtis su mažesniu atsiliepimų kiekiu tyliose maršrutose (mažai skrydžių, triukšmingi duomenys)?