Machine Learning / AI
Czy miałeś przegląd kodu, pisałeś testy? Opowiedz o kulturze inżynierskiej.
Jakie informacje są wyświetlane na osiach krzywej uczenia się?
Opowiedz o swoim projekcie z dwoma modelami (GigaChat i lokalnym modelem wytrenowanym za pomocą LoRA)
Opowiedz więcej o zadaniach, które rozwiązałeś: jakie modele budowałeś, jak przetwarzałeś dane?
Czym jest federated learning w medycynie i do czego służy?
Dlaczego brakuje stabilności?
Jaka jest różnica między uwagą krzyżową, maskowaną a autouwagą?
Czy pracowałeś z programowaniem obiektowym?
Co zrobić z wagami modelu ML, jeśli ważą kilka gigabajtów? Jak je przechowywać w kontekście Dockera?
Podaj przykład, jak zidentyfikowałeś i rozwiązałeś problem konfliktujących przykładów w rzeczywistym projekcie.
Czym jest dostrajanie adapterów i dostrajanie prefiksów?
Czym jest federated learning i jakie są jego modele agregacji (FedAvg)?
Na czym uruchomić lokalnie LLM dla systemu biznesowego?
Dlaczego nie można bezpośrednio podłączyć zewnętrznego LLM do usługi produkcyjnej w fintech?
Jaka struktura danych w Pythonie pozwala na modelowanie baz danych NoSQL?
Czym jest przeuczenie i jak można mu zapobiec?
Kiedy model MSE jest równy wariancji celu?
Jakie kryteria podziału są używane w drzewach decyzyjnych (np. kryterium entropii)? Czy możesz wymienić inne?
Poprawna sekwencja nawiasów Rozważmy sekwencję składającą się z nawiasów okrągłych, kwadratowych i klamrowych '{', '}', '[', ']'. Program powinien określić, czy dana sekwencja nawiasów jest poprawna. - Pusta sekwencja jest poprawna. - Jeśli A jest poprawną sekwencją, to (A), [A], {A} są poprawne. - Jeśli A i B są poprawnymi sekwencjami, to AB jest poprawne. Format wejścia: W jednej linii podana jest sekwencja nawiasów, zawierająca nie więcej niż 100000 nawiasów. Format wyjścia: Jeśli sekwencja jest poprawna, program powinien wypisać 'yes', w przeciwnym razie 'no'.
Czy nadal pracujesz w firmie (DOM.RF)?