人工智能 - 嘀嗒文库-高质量数字化解决方案下载、技术架构开发、职场PPT、数字化转型与与创业文档资料下载网站

AUC 到底在统计上代表什么？你怎么计算它，在线上业务里你如何解释“这次 AUC 提升”的含义。.docx

50 阅读

Transformer 里因果注意力的 Q K V 各从哪来？Mask 具体怎么实现。

73 阅读

为什么你在项目里会选 ResNet？从梯度传播、表示能力、参数算力、迁移性几个维度讲讲你的工程化理由。

84 阅读

挑一次你觉得最有价值的“特征损失”前向推导，完整讲讲从想法到落地的过程和收益。

63 阅读

你怎么看“多头注意力 + 强化学习”的组合？它的价值在哪，工程上会碰到什么难点。

60 阅读

YOLOv8 的结构你怎么拆解？训练与部署各自踩过哪些坑，你是怎么解决的。

61 阅读

Scaled DotProduct Attention 为啥要除以 √dk？如果不除会出什么数值或训练问题。

73 阅读

当负样本比例剧变时，AUC 可能怎么走？你会如何保证指标的稳定和可比

85 阅读

Paraformer 有什么优势、适用边界是什么？跟传统 CTC/Transducer 比，差别和取舍点在哪。

75 阅读

为什么要做 Label Smoothing.docx为什么要做 Label Smoothing？它怎么做，什么边界条件才适合，过度用会有什么坑。

51 阅读

L1 和 L2 正则你怎么选？它们各自的效果与风险是什么，工程里你是怎么权衡的。

78 阅读

样本量不够的时候你会怎么补？数据增强、半/自监督、迁移学习、先验约束、合成数据——你实际用过哪些，效果如何。

59 阅读

常见的数据归一化标准化方式你怎么选？不同方案的差异点与适用场景讲清楚。

64 阅读

Topk 和 Topp 采样你怎么理解？两者差异在哪，哪些场景更可控？最好结合你做过的生成推荐任务说。

86 阅读

模型上线之后，评估闭环怎么搭？灰度 AB 怎么跑？监控告警你怎么做，哪些指标最关键。.docx

66 阅读

NLP中你做的数据增强里，哪几种最稳？给出量化对比和背后的原因。

76 阅读

你做 CTR CVR CTCVR 联合建模时，ESMM ESMM2 是怎么推导与工程落地的？线上到底带来了什么收益。.docx

54 阅读

把 BN 讲透：原理是什么；训练期和推理期用的统计量有何不同；跟 LN、GN 比，分别什么时候用、怎么取舍。.docx

68 阅读

偏差和方差你怎么把握？结合你遇到的真实线上案例，怎么判断是高偏差还是高方差，各怎么治。.docx

82 阅读

Dropout 训练和推理阶段分别怎么用.docxDropout 训练和推理阶段分别怎么用、为什么这么用？跟 BN LN 放一起会有哪些相互影响，怎么摆放更稳。给出一句话总结和详细解.docx

58 阅读

你实际用过哪些学习率策略？为什么要 warmup？拿一条你做过的收敛曲线说它起了什么作用，什么时候会失效。.docx

59 阅读

回归任务最后一层该怎么选激活？线性、Softplus、截断、还是直接做分布建模？按不同业务约束说说你的选择依据。.docx

71 阅读

为什么树模型一般不需要对特征进行标准化处理

82 阅读

为什么一般预测模型要对特征进行标准化处理

86 阅读