Machine Learning / AI
Kaip Gradient Clipping ir Warmup padeda kovoti su gradientų sprogimu ir nuostolio išsiskyrimu mokymosi pradžioje?
Jūsų modeliai, kur buvo išdėstyti (diegimo infrastruktūra)?
Kas yra Elliptic Envelope ir kokie yra metodo prielaidos?
Kodėl ReLU yra toks populiarus?
Kokią nuostolių funkciją naudojote įterpimo tobulinimo metu?
Kas yra pokyčių aptikimas tarp vaizdų?
## Duota eilutė s; grąžinkite ilgiausią palindrominę eilutės s dalį. # Įvestis: s = "babad" # Išvestis: "bab" # Paaiškinimas: "aba" taip pat yra galimas atsakymas. # Pavyzdys 2: # Įvestis: s = "cbbd" # Išvestis: "bb" # tik anglų raidės ir skaičiai
Jei būtum komandos vadovas, kuris nusprendžia, kaip procesai vyks skirtingose komandomis, kurios kuria panašius botus, ar rašytum kiekvienas savo paslaugą savo bibliotekose, ar viską sujungtum į vieną sprendimą?
Papaskink apie ansamblius mašininio mokymosi srityje.
Mūsų personalo skyrius turi pinigų ir ambicingų planų, ieško agento, kuris įrašo užklausas ir atsako žinių bazėje. Kaip pradėtumėte spręsti šią problemą?
Yra 10 000 matematikos operacijų su math biblioteka. Kas geriau naudoti spartinimui: multithreading ar multiprocessing?
Kiek su dirbo su embedderiais (embeddings), girdėjote apie kitus embedderius?
Ar galite padaryti prieigą prieinamą visiems (dokumentas/dashboard)?
Kaip įgyvendintum apsaugą nuo įžeidimų/provokatyvių klausimų, kad botas nepradėtų keiktis atsakydamas?
Papaskink apie skirtumą tarp multitasking, daugiaprocesorių ir asinchroniškumo
Pasakok apie Layer Norm
def hello(func): def decorator(func): def wrapper(a,b): result = None for _ in range(max_tries): print('Labas') result = func(a,b) print("Viso") return result return wrapper return decorator @hello(max_tries=5) def add_numbers(a,b): return a+b print(add_numbers(2,3))
Papaskink apie save: kuo užsiiminėjote, kuo norite užsiimti, apie savo patirtį.