Data Science | Тесты
前往频道在 Telegram
Сайт: https://easyoffer.ru/ Все каналы: t.me/+xGeAw6ckJ4liYzQy Контакт для рекламы: @easyoffer_adv
显示更多
网络:2 651
订阅者
-324 小时
无数据7 天
-730 天
数据加载中...
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
八月 '26
八月 '26
+15
在0个频道中
七月 '26
+19
在0个频道中
Get PRO
六月 '26
+29
在1个频道中
Get PRO
五月 '26
+22
在0个频道中
Get PRO
四月 '26
+45
在0个频道中
Get PRO
三月 '26
+46
在0个频道中
Get PRO
二月 '26
+104
在0个频道中
Get PRO
一月 '26
+81
在0个频道中
Get PRO
十二月 '25
+46
在0个频道中
Get PRO
十一月 '25
+121
在0个频道中
Get PRO
十月 '25
+130
在1个频道中
Get PRO
九月 '25
+88
在0个频道中
Get PRO
八月 '25
+79
在0个频道中
Get PRO
七月 '25
+92
在1个频道中
Get PRO
六月 '25
+98
在1个频道中
Get PRO
五月 '25
+112
在1个频道中
Get PRO
四月 '25
+139
在0个频道中
Get PRO
三月 '25
+460
在3个频道中
Get PRO
二月 '25
+264
在3个频道中
Get PRO
一月 '25
+165
在53个频道中
Get PRO
十二月 '24
+107
在0个频道中
Get PRO
十一月 '24
+123
在1个频道中
Get PRO
十月 '24
+226
在24个频道中
Get PRO
九月 '24
+406
在321个频道中
Get PRO
八月 '24
+177
在0个频道中
Get PRO
七月 '24
+277
在55个频道中
Get PRO
六月 '24
+426
在241个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 30 八月 | 0 | |||
| 29 八月 | 0 | |||
| 28 八月 | +1 | |||
| 27 八月 | 0 | |||
| 26 八月 | 0 | |||
| 25 八月 | +2 | |||
| 24 八月 | 0 | |||
| 23 八月 | +1 | |||
| 22 八月 | 0 | |||
| 21 八月 | 0 | |||
| 20 八月 | +1 | |||
| 19 八月 | +1 | |||
| 18 八月 | +1 | |||
| 17 八月 | +1 | |||
| 16 八月 | 0 | |||
| 15 八月 | 0 | |||
| 14 八月 | 0 | |||
| 13 八月 | 0 | |||
| 12 八月 | 0 | |||
| 11 八月 | +1 | |||
| 10 八月 | +1 | |||
| 09 八月 | 0 | |||
| 08 八月 | 0 | |||
| 07 八月 | 0 | |||
| 06 八月 | 0 | |||
| 05 八月 | 0 | |||
| 04 八月 | +3 | |||
| 03 八月 | +1 | |||
| 02 八月 | 0 | |||
| 01 八月 | +1 |
频道帖子
🤔 Какой метод улучшает обобщающую способность модели в ансамблевом обучении?
| 2 | 🤔 Что такое recall?
Recall (полнота) — это метрика, показывающая, какая доля истинных положительных случаев была правильно предсказана моделью. Она рассчитывается как отношение количества истинно положительных предсказаний к сумме истинно положительных и ложно отрицательных. Recall важен, когда важно минимизировать количество пропущенных положительных случаев. Высокий recall означает, что модель почти не пропускает положительные случаи.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний | 84 |
| 3 | 🤔 Какой метод уменьшает дисперсию в ансамблевом обучении? | 116 |
| 4 | 🤔 Что такое градиентное затухание?
Градиентное затухание (vanishing gradients) — это проблема, когда в глубоких нейросетях градиенты становятся очень малыми при обратном распространении.
Это мешает обновлению весов в начальных слоях, и обучение "замирает".
Чаще всего возникает в RNN и в сетях с плохой инициализацией или неподходящей функцией активации.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний | 117 |
| 5 | 🤔 Какой метод машинного обучения используется для создания синтетических образцов в несбалансированных данных? | 138 |
| 6 | 🤔 Какой метод машинного обучения лучше всего подходит для обработки временных рядов? | 135 |
| 7 | 🤔 Разница между K-Means и KNN
1. K-Means (кластеризация):
o Используется для группировки данных в кластеры на основе схожести.
o Это алгоритм обучения без учителя.
o Результат — центры кластеров, данные распределяются вокруг них.
2. KNN (K-Nearest Neighbors):
o Алгоритм классификации или регрессии, находящий ближайших соседей для прогнозирования.
o Это алгоритм обучения с учителем.
o Результат зависит от разметки данных (меток классов).
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний | 135 |
| 8 | 🤔 Какой метод машинного обучения используется для кластеризации данных на основе иерархической структуры? | 157 |
| 9 | 🤔 Как решить задачу, где присутствует одновременно два target – один categorical, другой continuous?
Используются модели multi-output, которые обучаются на несколько целевых переменных, например, через отдельные выходные слои в нейросети.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний | 156 |
| 10 | 🤔 Какой метод используется для балансировки несбалансированных данных? | 163 |
| 11 | 🤔 Чем отличается итератор от генератора?
Итератор — это объект с методами iter и next, позволяющий поочерёдно перебирать элементы. Генератор — это удобная форма итератора, создаваемая функцией с использованием yield, которая сохраняет своё состояние между вызовами. Итераторы требуют ручной реализации, а генераторы упрощают создание итераций.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний | 156 |
| 12 | 🤔 Какой метод уменьшает переобучение, ранняя остановка обучения при ухудшении ошибок? | 156 |
| 13 | 🤔 Какой метод уменьшает переобучение, исключая случайные нейроны? | 171 |
| 14 | Пожизненный PRO доступ на easyoffer — по цене одного года!
До 2 сентября вы можете купить PRO навсегда.
Покупаешь один раз — пользуешься всю жизнь.
– База вопросов и задач из собеседований
– Примеры видео-ответов на вопросы
– Записи реальных собеседований
– Тренажеры "Проработка вопросов" и "Реальное собеседование"
– Аналитика требований из вакансий
– Автоотклики на вакансии
– Агрегатор вакансий (скоро)
👉 Купить PRO со скидкой 70%: https://easyoffer.ru/pro | 133 |
| 15 | 🤔 Что такое мультиколлинеарность?
Это ситуация, когда признаки сильно коррелируют друг с другом.
- Это вызывает нестабильность линейных моделей, так как коэффициенты могут становиться большими и неинтерпретируемыми.
- Решения: удаление зависимых признаков, PCA, L1-регуляризация (Lasso).
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний | 163 |
| 16 | 🤔 Какой метод уменьшает смещение в ансамблевом обучении? | 188 |
| 17 | 🤔 Какие магические методы в python знаешь?
Магические методы в Python — это специальные методы, которые начинаются и заканчиваются двойным подчеркиванием. Примеры включают `__init__` (конструктор класса), `__str__` (представление объекта в виде строки), `__len__` (возвращает длину объекта) и `__getitem__` (обращение к элементам по индексу). Также есть методы, такие как `__add__` для перегрузки операторов и `__call__`, позволяющий объекту вести себя как функция. Эти методы позволяют кастомизировать поведение объектов Python.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний | 194 |
| 18 | 🤔 Какой алгоритм используется для уменьшения дисперсии ансамбля моделей? | 183 |
| 19 | 🤔 Какой метод кластеризации наиболее устойчив к выбросам? | 206 |
| 20 | 🤔 Почему считается, что случайный лес не переобучается?
Считается, что случайный лес не склонен к переобучению, потому что он усредняет предсказания большого количества деревьев решений, каждое из которых обучается на случайной подвыборке данных и случайных признаках. Этот процесс помогает уменьшить влияние отдельных переобученных деревьев на финальное предсказание. В результате модель становится более устойчивой к ошибкам и шуму в данных. Кроме того, случайный лес не сильно зависит от малозначимых признаков, так как случайные выборки уменьшают их влияние.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний | 212 |
