Machine Learning / AI
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?
Tem um objetivo e uma feature store verificada com cerca de 5.000 características. Como a testaria nesta tarefa?
Qual projeto te interessa mais?
Fale-nos sobre uma tarefa de PLN que realizou.
O dia de trabalho é flexível ou rígido?
O que sabe sobre ROC-AUC?
Tem experiência com modelagem uplift?
Quantas características vai tirar do feature store e como as vai selecionar se todas as 5000 características forem válidas e sem fugas?
Em caso de desequilíbrio severo de classes, como se comportam precisão, recall e PR-AUC?
Onde exatamente gostarias de crescer no futuro?
Se multiplicar um dos vetores por 10, a similaridade do cosseno vai mudar?
Já tens ofertas na mão?
Estás a considerar apenas a posição de engenheiro de ML ou também Data Scientist?
Qual algoritmo é menos propenso a overfitting: uma floresta de árvores rasas ou uma floresta de árvores profundas?
Encontre todos os clientes em janeiro que tiveram pelo menos uma venda após comunicação dentro de 30 dias.
Qual é a razão do teu desejo de mudar de emprego?
O que mostra o PR-AUC?
O que te interessou na nossa empresa?
Quão bem conhece Python?