Вопросы на собеседовании: Machine Learning

Когда стоит использовать L2-регуляризацию вместо L1-регуляризации?

Объясните, как работает метод кросс-валидации k-fold и в чем его преимущества.

Что такое ансамблирование моделей и как оно помогает улучшить производительность?

В чем состоит компромисс между смещением и дисперсией в модели машинного обучения?

Каковы основные отличия между алгоритмами бустинга и бэггинга?

Объясните, как работает Batch Normalization и в чем его преимущества.

Что такое PCA и как он используется в процессе уменьшения размерности?

Когда и почему стоит использовать dropout как метод регуляризации?

Объясните, что такое регуляризация L2 и как она помогает в обучении моделей.

Объясните, как работает алгоритм Adam и в чем его ключевые особенности.

Сравните методы регуляризации L1 и L2. В каких случаях предпочтителен каждый из них?

Объясните концепцию trade-off между смещением и дисперсией. Как это влияет на выбор модели?

Как работает метод градиентного спуска с импульсом и какие преимущества он предоставляет?

Что такое UMAP и как он отличается от t-SNE в контексте снижения размерности?

Каковы основные отличия между нормализацией и стандартизацией данных? Когда следует использовать каждый подход?

Как можно диагностировать недообучение и переобучение модели? Какие метрики и подходы вы бы использовали?

Объясните, что такое градиентный спуск и как он работает?

Что такое регуляризация и как она помогает бороться с переобучением?

Сравните функции активации ReLU и LeakyReLU. Когда следует использовать каждую из них?

Объясните, что такое F1-мера и как она отличается от точности.