Machine Learning / AI

W przypadku silnego niezrównoważenia klas, jak zachowują się precision, recall i PR-AUC?

Jakie metryki użyłeś, ile danych było i jaki był balans klas?

Opowiedz nam o sobie i zadaniach, które wykonywałeś.

Jeśli możesz komunikować się tylko z ograniczoną liczbą klientów, jak oceniasz taki model scoringowy?

Czy to było zadanie klasyfikacji czy szeregów czasowych? Jak uwzględniano czas podczas treningu i testowania?

Co wiesz o ROC-AUC?

Jak oblicza się krzywą ROC iteracyjnie po posortowaniu obiektów według wyniku?

Opowiedz nam o jednym z ostatnich zadań klasyfikacyjnych i opisz jego pipeline.

Co pokazuje PR-AUC?

Czy wiesz, czym jest model scoringowy?

Czy podczas rozmowy operator musiał korzystać z listy kontrolnej, czy sprawdzanie było przeprowadzane bez niej?

Opowiedz nam o zadaniu NLP, które wykonałeś.

Opowiedz nam o zadaniu klasteryzacji.

Znajdź wszystkich klientów w styczniu, którzy mieli co najmniej jedną sprzedaż po komunikacji w ciągu 30 dni.

Masz cel i zweryfikowany feature store z około 5000 cechami. Jak byś go przetestował na tym zadaniu?

Czy precyzja 700 sprzedaży na milion wybranych klientów jest dobra w zadaniu z rzadką konwersją?

Znajdź wszystkich klientów w styczniu, którzy mieli co najmniej jedną sprzedaż po komunikacji w ciągu 30 dni. sprzedaż id customer_id kwota data_sprzedaży [phone] komunikacja id customer_id typ data_komunikacji data_przedział 1 1 mail [phone] telefon [phone] telefon [phone] email [phone] sms [phone] #Istnieje lista, musisz napisać funkcję, która zwraca dwie listy, jedną z normalnymi wartościami, a drugą z anomaliami. Na razie załóżmy, że anomalia to wartość przekraczająca średnią dane = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Ile cechów weźmiesz z feature store i jak je wybierzesz, jeśli wszystkie 5000 cech jest ważnych i bez wycieków?