scikit-learn
scikit-learn
Определение
Популярная библиотека машинного обучения на Python, предоставляющая инструменты для классификации, регрессии, кластеризации, снижения размерности и оценки моделей.
Где встречается
- 24. Какой размер датасета нужен для fine-tuning
- 156. Как вы выбираете между увеличением тест-тайм компьютинга и использованием большей модели
- 173. Как вы оцениваете креативность LLM в production
- 178. Чем отличается эвалюация LLM от эвалюации традиционных ML моделей
- 294. Как вы калибруете вероятности LLM для classification задач
- 352. Что такое jailbreak taxonomy (OOD, refusal suppression, role-play, перевод)
- 353. Как работает embedding poisoning для RAG и как защититься
- 622. Как работает membership inference через logits (разница в вероятностях)
- 635. Как работает RAPTOR (иерархическое суммирование для длинного контекста)
- 638. Как работает ∇-Reasoner (градиентный спуск в пространстве токенов на этапе теста)
- 690. Как вы измеряете diversity синтетического датасета
- 693. Как вы обнаруживаете contamination (пересечение synthetic данных с тестовыми)
- 699. Как вы оцениваете, сколько синтетических данных нужно для fine-tuning (power analysis)
- 872. Что такое calibration для LLM и как её измерять (ECE)
- 880. Как проектировать golden dataset для agent evaluation
- 48. Настроить click models для implicit feedback
- 72. Настроить capacity planning для GPU кластера
- 88. Реализовать hallucination indicator
- 91. Написать postmortem для retrieval degradation
- 95. Написать runbook для synthetic data collapse
- 127. Реализовать outsourcing другому LLM
- 133. Реализовать cost-aware routing
- 146. Реализовать golden dataset для агента
- 173. Реализовать prompt lifecycle
- 223. Fine-tune LoRA для стиля
- 235. LoRA для function calling
- 245. RAG с semantic chunking
- 267. Реализовать Evol-Instruct для instruction tuning
- 274. Настроить self-training с псевдо-метками
- 275. Реализовать active learning loop
- 299. RAG с мультиязычным поиском (русскийанглийскийкитайский)