Machine Learning / AI

Jak technicznie wdrożyć system przechowywania danych i alertów do monitorowania modelu?

Czy masz pomysły na dalsze ulepszanie systemu prognozowania popytu?

Jak podobne i różne są las losowy i gradient boosting? Jak są budowane drzewa w każdym z nich?

Opowiedz, jak działał użyty przez ciebie algorytm klasteryzacji — jak grupował punkty w przestrzeni?

Jaka jest różnica między przedziałem ufności a przedziałem prognozy? Co one pokazują?

Czym jest stacjonarna seria czasowa, jak ją sprawdzasz i dlaczego jest to ważne?

Jak określiłeś jakość klasteryzacji? Jakie metody użyłeś?

Jakie modele użyłeś do prognozowania popytu?

Jeśli chodzi o Spark — jakie konkretne zadania były na nim równolegle wykonywane?

Jak zbudować system śledzenia jakości i podejmowania decyzji o wymianie modelu?

Jak radzić sobie z niskim wolumenem informacji zwrotnej na cichych trasach (mało lotów, hałaśliwe dane)?

Opowiedz o interesujących przypadkach optymalizacji w Spark związanych z cechami i złożonymi joinami

Przypadek: opracowanie systemu cenowego dla klasy biznesowej S7. 300 lotów dziennie, ~100 z klasą biznesową, 4-6 miejsc. Dwa cele: maksymalne obłożenie i maksymalny przychód. Ceny aktualizowane codziennie i po każdym zakupie. Obecnie ceny ustalane ręcznie, w oparciu o obłożenie. Jak podszedłbyś do tego zadania?

Jak rozwiązać problem przesuniętych danych historycznych (ceny były zaniżone, model słabo widzi popyt na nowych poziomach)?

Opowiedz o swoim doświadczeniu w Data Science