Machine Learning interview questions

А можешь рассказать, какие есть преимущества и недостатки у accuracy?

Ты говорил про boosting модели, можешь сказать как они работают?

А подробнее можешь сказать, Why random forest может лучше справляться?

Можешь сказать, как мы можем бороться с overfittingм в нейронных сетях?

А кроме как барагован через языковую model, знаешь еще какие-нибудь способы переведения текста в эмбейдинге?

Я правильно понял, что с GPU вы мало работали, да?

Можешь сказать, на каком расстоянии от старта муравей может оказаться через два шага?

А между нулем и двумя шагами может быть еще какое-то расстояние от старта до точки перехода муравей?

Или у нас не получится сумма, так как нельзя будет сложить два вектора в разные размерности?

Вы делали презентацию. Как все выглядело перед бизнесом?

Какой algorithm бинарной классификации выбрать? Тот, у которого рок аук надложен, на выборке 0,8, или тот, у которого 0,1?

Четвертый вопрос, какие метрики помогают оценить качество линейной регрессии?

И пятый последний вопрос, What is переобучение МЭЛ-модели?

overfitting – это когда чрезмерно model подстраивается под учебные data, правильно?

А может быть, пример, когда это будет работать, ну вот именно то, что ты сказал, что не лучшие фичи выбираются для каждой под выборки, когда это будет работать?

И какой крайний случай, чтобы мы при рандомных выборах фичей, случайному лесу делали хуже, чем по дереву?

При каком количестве, ну как определить, что у нас попали только хорошие и только плохие features в subsample?

и получится, что если у нас есть какие-то значимые features, то они могут не попадать, получается, в subsample, да?

а можешь рассказать, какие существуют подходы для кодированных категориальных признаков?

А есть one-hot-encoding, какая-нибудь альтернатива one-hot-encoding, которая создает, которая действует похожее, но может создавать меньше числа признаков?