Machine Learning / AI
Wat is continu leren en wat is het probleem van catastrophisch vergeten?
Waarom is het nodig om modellen te kwantiseren voordat ze worden gedeployed?
Welke frameworks heb je gebruikt, hoeveel jaar ervaring heb je met Python?
Waarvoor dient RAG in een nieuwsbot op basis van LLM?
Hoe werkt het willekeurige bos en hoe worden de bomen in het ensemble gebouwd?
Hoe verhouden creatieve vrijheid en zakelijke resultaten zich tot elkaar in het werk?
Vanuit financiële motivatie: vanaf welk bedrag overweeg je het aanbod (comfortabel niveau)?
Hoe gaan we de dataset samenstellen om deze ranker te trainen?
Wat zijn RT-1/RT-2 van Google en foundation-modellen voor robots?
Aan welk project heb je gewerkt aan het uitrollen van services en het ontwikkelen van FastAPI-services: heb je dit zelf gedaan of alleen onderhouden en toezicht gehouden?
Wat is sMAPE en wat zijn de problemen ervan?
Wat zijn tijdsafhankelijke covariaten?
Zijn er organisatorische of technische vragen?
Hoe bereid je een voorkeurendataset voor DPO voor?
Wat is 3D CNN en waar worden ze toegepast (I3D, SlowFast)?
Wat is je setup bij het werken aan een nieuw project met AI (bijvoorbeeld Claude Code of Codex)?
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"Fout for {brackets!r}" f"Expected {expected}, but got {actual}" ) print(f"All tests passed: {len(test_cases)}") if __name__ == "__main__": SolutionTest().run()
Waarom is het schalen van kenmerken belangrijk en welke schaalmethoden bestaan er?
Hoe werken beslissingsbomen?
Zijn er overuren op het werk?