U poslednje vreme postoji mnogo neuronskih mreža — kako ih koristiš na poslu, koliko često i tačno kako?
Machine Learning / AI
Шта тачно узрокује дисперзију у IPS процени?
Kako možemo uporediti poster koji se prikazuje na stranici korisnika sa onima koje nije video (delimična povratna informacija)?
Ukratko predstavi kako prepakovati RAG iskustvo za preporučne sisteme, a zatim tipična pitanja. Ne kako odgovoriti, već u čemu je suština prema mom iskustvu i CV-u.
Kako funkcioniše kontrastni gubitak sa negativima u batch-u?
Напишите кратак пасус за самопрезентацију у којем треба нагласити да су системи за препоруке веома слични RAG - retrieval, re-ranking, архитектонске сличности и тако даље, да бих могао да запамтим и испричам.
Kako se vrši inkrementalno ažuriranje FAISS indeksa u produkciji?
Procijenite koliko je podataka potrebno za dodatno obučavanje modela u produkciji, opišite proces dodatnog obučavanja, parametre, funkciju gubitka (contrastive/triplet) i zašto je odabrana baš ona.
Da li sam u pravu: imamo tracker koji ima prosečnu ocenu od tracker-a sadržaja za popunjavanje bloka, postoje korisničke i blok karakteristike, uzeli smo pozitivan — šta tačno?
Šta uraditi u slučaju kada blok ima različit broj sadržaja — postoje pojedinačni blokovi i blokovi sa 30 stavki? Kako raditi sa ocenama sadržaja da biste dobili funkciju od tog bloka?
# Formulišite i napišite definiciju šta je roc auc. # Kako se računa roc_auc_score? # Napišite funkciju koja računa roc_auc_score prema napisanoj definiciji. # A za proizvoljan broj klasa sa datim redosledom prioriteta? # Model radi na sledeći način # y_score[i] >= prag -> y_pred[i] = 1 # y_score[i] < prag -> y_pred[i] = 0 def test_roc_aur_score(): y_true = [0, 0, 0, 1, 0, 0] y_score = [0.2, 0.4, 0.31, 0.6, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0.8 y_true = [0, 1, 0, 0, 0, 1] y_score = [0.7, 0.6, 0.31, 0.31, 0.3, 0.2] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0.375 y_true = [0, 0, 0, 1, 0, 0] y_score = [0.2, 0.4, 0.31, 0.8, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 1 y_true = [0, 0, 0, 0, 0, 0] y_score = [0.2, 0.4, 0.31, 0.8, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0 # Бонус тестове за повече класове y_true = [0, 1, 0, 0.5, 0, 1] y_score = [0.7, 0.6, 0.31, 0.31, 0.3, 0.2] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0. y_true = [0, 0.1, 0.2, 0.3, 0.4, 0.6] y_score = [0, 0.1, 0.2, 0.3, 0.4, 0.6] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 1
Молимо вас, кажите нам тачно о каквом пројекту је реч и чиме сте се тачно бавили.
Šta su itemi? Kako se pravilno izgovaraju?
Zašto je projekat razvijan dve godine, ako kažeš da je osnovno urađeno pre dve godine? Da li je projekat sada u podršci ili je dalje razvijan?
Šta je DSSM, znaš li?
Koji format rada razmatrate i u kom gradu živite?
Ispričaj mi o svom iskustvu, čime si se bavio u poslednjih pet godina?
# дан је низ a = [1, 20, 10, 0, 59, 63, 0, 88, 0] -> [0, 0, 0, 1, 20, 10, 59, 63, 88] # потребно је написати оптималну функцију која помера нуле у почетак низа и одржава редослед осталих елемената def move_zeros_to_left(a: List[int]) -> List[int]: pass
Ako biste dobili neograničen broj GPU-ova za poboljšanje kvaliteta sistema, kojim biste pravcem prvo krenuli?
Zašto će tada biti treniran ranker? To jest, biće nezavistan od sadržaja — koji je njegov cilj?