Machine Learning / AI
Kādas ir atšķirības starp None Python, NaN NumPy un NA Pandas?
Kā īstenot pieprasījumu maršrutēšanu starp scenārijiem — kādā formā LLM sniedz atbildi un kā tiek izvēlēts scenārijs pēc tās?
Vai jūs varētu sīkāk izskaidrot, kā tieši tiek aprēķināts anti-gradient un kā tas tiek izmantots nākamā koka būvniecībā?
Kā organizēt kontroles grupu (paraugu ņemšanu) riska modeļos?
Vai apsverat bruto algu 300 tūkstošus?
Kāpēc ir nepieciešama datu palielināšana?
Kas ir Anserini un Pyserini?
Kā atšķiras funkcijas izsaukšana no klasiskā few-shot prompting strukturētai izvadei?
Divu vārdos paskaidrojiet, kā atšķiras Double Robust pieeja no IPS — kas tiek pievienots un kas to padara stiprāku un izturīgāku?
Kas ir PR-AUC vs ROC-AUC ārkārtējas nelīdzsvarotības gadījumā?
Kas ir Advisory Lock?
Vai Mafia ir liela kopiena?
Kādas ir atšķirības starp dense un MoE modeļiem, piemēram, Qwen3-27B un Qwen3-30B-A3B?
Vai tu zini kaut ko par mainīgiem un nemainīgiem datu tipiem, un uz kuriem datiem tie attiecas?
import unittest class Solution: def isvalid(self, s:str) -> bool: matching_brackets = { ")": "(", "]": "[", "}": "{", } stack: list[str] = [] for bracket in s: if bracket in "([{": stack.append(bracket) continue if bracket not in matching_brackets: return False if not stack or stack[-1] != matching_brackets[bracket]: return False stack.pop() return not stack class SolutionTest: def __init__(self): self.Solution = Solution() def run(self): test_cases = [ ("", True), ("()", True), ("(){}[]", True), ("(({}))", True), ("(", False), (")", False), ("(((", False), ("{[]}", False), ] for brackets, expected in test_cases: actual = self.Solution.isvalid(brackets) assert actual == expected, ( f"Kļūda {brackets!r}" f"Gaidīts {expected}, bet saņemts {actual}" ) print(f"Visi testi veiksmīgi izpildīti: {len(test_cases)}") if __name__ == "__main__": SolutionTest().run()
Kādi ir produktu rangvērtējuma raksturlielumi e-komercijā (CTR, konversija, ieņēmumi)?
Kādas mērķa metriku jūs saņēmāt un kā no tā pelnījāt?
Praktiska uzdevums AI iesaka apmācīt LoRA uz visiem 2 miljoniem neattīrītu dialogu. Kura ir kandidāta nobriedušākā atbilde? - Uzticēties AI: liels korpuss pats izlīdzinās kļūdas. - Vispirms mainīt promptu, nemainot datus. - Apmācīt LoRA attīrītajā daļā un salīdzināt ar pamata modeli. - Pirms apmācības pārbaudīt nejaušu marķējuma paraugu. - Vispirms pārbaudīt datus un kvalitāti pēc tēmām atsevišķā kopā, tad ierobežoti apmācīt LoRA. - Apmācīt visā korpusā, bet samazināt LoRA rangu.
Kas ir aģents? Kādas ir galvenās sastāvdaļas, kas nepieciešamas aģenta izveidei? Kā īstenot atmiņu?
Ja nepieciešamais fragments atrodas 10. vietā no 10, un kontekstā ietilpst tikai 3 — kā to novērtēt un kā to pacelt top-3?