Machine Learning / AI

Em caso de desequilíbrio severo de classes, como se comportam precisão, recall e PR-AUC?

Que métricas utilizou, quanta data havia e qual era o equilíbrio das classes?

Fale-nos sobre si e as tarefas que realizou.

Se só puder comunicar com um número limitado de clientes, como avalia esse modelo de pontuação?

Foi uma tarefa de classificação ou de séries temporais? Como foi considerado o tempo durante o treino e a validação?

Tem um objetivo e uma feature store verificada com cerca de 5.000 características. Como a testaria nesta tarefa?

Encontre todos os clientes em janeiro que tiveram pelo menos uma venda após comunicação dentro de 30 dias.

O que sabe sobre ROC-AUC?

Encontre todos os clientes em janeiro que tiveram pelo menos uma venda após uma comunicação dentro de 30 dias. vendas id customer_id valor data_da_venda [phone] comunicações id customer_id tipo data_da_comunicação data_de_partição 1 1 correio [phone] chamada [phone] chamada [phone] email [phone] sms [phone] #Existe uma lista, você precisa escrever uma função que retorne duas listas, uma com valores normais e outra com anomalias. Vamos assumir por agora que uma anomalia é um valor que excede a média dados = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Como é calculada a curva ROC de forma iterativa após classificar os objetos por score?

Fale-nos sobre uma das tarefas de classificação recentes e descreva o seu pipeline.

O que mostra o PR-AUC?

Sabes o que é um modelo de pontuação?

Fale-nos sobre uma tarefa de PLN que realizou.

Fale-nos sobre uma tarefa de clustering.

Havia uma lista de verificação que o operador tinha que seguir durante a chamada, ou a verificação foi feita sem ela?

Uma precisão de 700 vendas por milhão de clientes selecionados é boa numa tarefa de conversão rara?

Quantas características vai tirar do feature store e como as vai selecionar se todas as 5000 características forem válidas e sem fugas?