Ответы на вопросы из коллекции "Karpov Cources Hard ML" на СтудИзбе

Какие эвристики можно применить для отсечения больших частей базы документов при решении задачи матчинга товаров на маркетплейсе?

• Запускать глобальную ранжирующую модель на всех данных, а затем часть запросов подавать на вход ранжирующей модели
• Определять категорию товара и работать только с ней
• Выделять производителя товара и работать только в рамках него
• Случайным образом выбрать по 20 товаров каждого цвета и ранжировать только их
• Проверять, что запрос является товаром, а не запросом в обычный поисковик

Что из перечисленного является минусом SwitchBack

• Эффект обучения пользователей
• Отрицательная реакция пользователей на переключение модулей
• Увеличение сетевого эффекта

Почему SwitchBack может быть предпочтительнее A/B-тестов для динамического ценообразования

• Легче запустить на бэкенде
• Из-за полного отсутствия сетевого эффекта
• Из-за отсутствия ценовой дискриминации

Вы ML инженер Arabia Express. Вы получили результаты АБ теста и хотите понять, какой алгоритм выводить в прод. При каких условиях новый алгоритм будет внедрен в production по результатам АБ-теста? Цель - найти алгоритм максимизации выручки

• Если средняя абсолютная маржа в тестовой группе падает статистически значимо
• Если средняя выручка в тестовой группе больше, чем в контрольной, и средняя абсолютная маржа не падает статистически значимо.
• Если средняя выручка в тестовой группе меньше, чем в контрольной.
• Если суммарная выручка в тестовой группе упала в 2 раза по сравнению с контрольной.

Что делать, если минимальный детектируемый эффект (МДЕ) метрики выше ожидаемого эффекта от ML-модели

• Увеличить выборку
• Повысить вероятности ошибок
• Уменьшить дисперсию метрик
• Изменить целевую метрику

Что такое минимально детектируемый эффект (МДЕ)?

• Минимальный размер групп в АБ-тесте
• Минимальная вероятность ошибок первого и второго рода
• Минимальная продолжительность АБ-теста
• Размер эффекта, который можно обнаружить с заданными параметрами теста

Что такое АБ-тестирование в контексте динамического ценообразования

• Способ сравнения двух алгоритмов и их влияния на конверсию в покупку.
• Метод сравнения алгоритмов без учета их влияния на конверсию
• Метод оценки эффективности работы только одного алгоритма.
• Способ деления пользователей на две, три и более групп в зависимости от задачи.

Представьте, что вы ML-Engineer ArabiaExpress. Перед вами стоит задача имплементировать многорукого бандита. Ваша компания не внедряла еще до этого алгоритмов динамического ценообразования. Какие задачи мог бы выполнять многорукий бандит в вашем случае:

• Оптимизировать метрики
• Экономить на запуске АБ тестов
• Набирать данные для кривых эластичностей
• Изучать реакцию пользователей на различные цены
• Заменять АБ тесты

Вам дана аналогия многорукого бандита в виде нечестных монет.
Пусть у нас имеются N монеток. Каждая монетка имеет две стороны — орел (обозначает выигрыш) и решка (обозначает проигрыш). Вероятность выпадения каждой из сторон не равна 50% — такие монетки называют “нечестными”.
Выберите верные утверждения

• На старте работы многорукого бандита вероятность выбора каждой монеты различна
• Теоретически, бандит может сойтись на "невыгодной" монете
• Распределение для каждой ручки - распределение Бернулли
• Каждая монетка - ручка бандита

Расположите имплементации бандитов в порядке лучшей оптимизации метрики Cumulative Regret. Напишите в порядке возрастания

Какие метрики стоит отслеживать при обучении многорукого бандита, чтобы убедиться, что обучение идет правильно

• RMSE
• Cumulative Regret
• MAE
• Cumulative Reward

Каких видов бывают многорукие бандиты? Выберите верные ответы

• Кластеризованные бандиты - умеют кластеризовать свое окружение, определять, как лучше работать в том или ином кластере товаров в соответствии с полученными знаниями
• Контекстуальные - умеют работать с контекстом в виде окружения, реагируют на изменение окружающей среды, учатся и адаптируются
• Классический - ничего не знают об окружающем мире, имеют возможность только работать с "черными ящиками" в виде ручек бандита и учатся находить лучшую ручку за оптимальное время

Выберите верные утверждения

• Бандит позволяет адаптировать подход к динамическому ценообразованию к постоянно меняющимся условиям рынка
• Бандит позволяет решить проблему недостатка информации о ценах
• Бандит позволяет экономить деньги на запусках АБ тестов
• Бандит позволяет лучше интерпретировать данные АБ теста

Отметьте верные утверждения

• Exploitation - процесс использования накопленных знаний бандитом
• Exploration - процесс установки цен бандитом
• Exploitation - процесс накопления знаний бандитом
• Exploration - процесс исследования окружения многоруким бандитом

Выберите верные утверждения

• На маленьких товарных группах выше заполненность данных
• Модель расчёта эластичности позволяет обойтись без использования модели спроса
• В модели для расчета эластичности обязательно должны присутствовать данные о цене и наценке на товар в фичах
• На более крупных товарных группах меньше дисперсия онлайн метрик

Представьте, что вы ML-инженер E-com компании ArabiaExpress и занимаетесь ценообразованием. Понимаете, что эластичности очень плохо считаются для потоварного ценообразования.
Как эту ситуацию можно исправить? Отметьте верные варианты

• Для новых товаров брать эластичность из верхнеуровневых категорий
• Добавить в данные праздники, промоакции, таким образом обогатить ваши данные
• Спросить у отдела по анализу данных, может быть у них уже посчитаны эти эластичности
• Уйти от потоварного расчета эластичностей к покатегорийному, для уменьшения дисперсии эластичности и увеличения заполненности ваших данных

Представьте, что вы ML-инженер E-com компании ArabiaExpress и занимаетесь ценообразованием. Понимаете, что эластичности очень плохо считаются для потоварного ценообразования. Эластичности для товара на разных временных промежутках могут резко менять свой характер, быть и эластичными, и неэластичными.
В чем причины такого поведения? Отметьте верные варианты

• Товары продаются очень редко, раз в месяц
• У вас недавно было промо
• Товары часто продаются, но цена не меняется совсем
• Товар только что появился в вашем ассортименте

В чем разница между дуговой эластичностью и точечной? Выберите верные утверждения:

• Эластичности посчитанные разными способами нужно по разному использовать в формуле спроса
• Для точечной эластичности требуется только знание об одном состоянии товара, для дуговой - набор точек
• Расчет точечной эластичности зависит от выбора точки расчёта, для дуговой - нет

Какими свойствами обладает эластичность, отметьте верные утверждения

• Чем больше значение по модулю, тем меньше влияет изменение цены на изменение спроса
• Товары всегда постоянны в своем статусе эластичности, эластичный всегда остается эластичным, а неэластичный - неэластичным
• Принимает отрицательные значения

Сопоставьте верные пары

1. Неэластичный товар
2. Товар с единичной эластичностью
3. Эластичный товар

Представьте, что вы ML инженер E-com компании Arabia Express. Вы успешно имплементировали алгоритм оптимизации. Запустили офлайн оптимизацию одного параметра и наблюдаете следующую ситуацию: у вас есть несколько решений на выходе алгоритма оптимизации с одинаковым значением целевого критерия. Что в данном случае стоит сделать

• Добавить дополнительных ограничений в задачу оптимизации
• Изучить эти случаи, возможно, в них можно увидеть неправильное поведение модели спроса или модели оптимизации
• Изучить в чем конкретное различие этих случаев между собой. И сходить к бизнесу с вопросом, какой из кейсов выбрать

Представьте, что вы ML инженер E-com компании Arabia Express. Вы хотите реализовать алгоритм оптимизации с помощью метода Лагранжа. Что алгоритм оптимизации позволяет сделать

• Метод Лагранжа позволяет решать задачу оптимизации одного параметра
• Метод Лагранжа позволяет вам заранее определить диапазон размена, в котором вы готовы работать в рамках задачи оптимизации
• Метод Лагранжа позволяет решать задачу оптимизации многих параметров
• Метод Лагранжа позволяет решать задачу оптимизации одного параметра с множеством ограничений

Выберите верные утверждения относительно коэффициента Лямбда в контексте алгоритма оптимизации

• Коэффициент Лямбда показывает допустимый размен целевого критерия на параметр в ограничении
• Коэффициентов Лямбда может быть несколько
• Коэффициент Лямбда может принимать отрицательные значения

В качестве одного из возможных способов решения задачи оптимизации целевого критерия мы разобрали алгоритм с использованием метода коэффициентов Лагранжа. Отметьте верные утверждения про этот метод

• Метод Лагранжа позволяет аналитически вычислить оптимум целевой функции
• Метод Лагранжа позволяет численно вычислить ВСЕ оптимумы целевой функции
• Метод Лагранжа позволяет численно вычислить несколько оптимумов целевой функции
• Метод Лагранжа позволяет численно вычислить один из оптимумов целевой функции

Представьте, что вы ML инженер E-com компании Arabia Express. К вам приходит бизнес и ставит задачу по нахождению оптимальных параметров для хорошего запуска динамического ценообразования. Вы это услышали и, пока бизнес не убежал по своим делам дальше, решили на берегу договориться о каких-то вещах. О чём необходимо договориться с бизнесом перед решением задачи динамического ценообразования

• Какую метрику будем оптимизировать
• Какие ограничения есть у бизнеса
• Какой алгоритм оптимизации использовать

Что такое целевой критерий

• Целевая функция, с помощью которой мы решаем задачу оптимизации
• Целевые ограничения от бизнеса
• Онлайн метрики бизнес процесса

Вам дана таблица после использования модели спроса на ценовой сетке на трех товарах. Выберите такие маркапы, которые приводят к максимизации выручки

Что необходимо сделать для предсказания спроса

• Учесть ценовые политики компании
• Собрать все необходимые фичи для модели спроса
• Для каждого товара создать наценки с нужной сеткой, чтобы предсказать спрос
• Предсказать подходящие цены на товар, чтобы предсказать спрос

Какие виды аугментаций признаков и таргетов существуют

• Взятие значений с какой-то залеожкой
• Нормировка на признак
• добавление таргета в признак
• Нормировка на таргет
• Взятие плавающего окна над каким-либо признаком
• Биннинг признаков

Какие виды взаимодействий товаров существуют

• Товары-субституты
• Товары-консументы
• Комплементарные товары
• Товары-конкуренты
• Товары-каннибалы

Сопоставьте название фичи (признака) и его тип

1. Эмбеддинг товара, категория товара
   
2. Промо, город производства товара
   
3. Цена, спрос вчера
   

Какие ml-модели лучше всего использовать для модели спроса

• Аналитические функции
• Нейронные сети
• Модели прогнозов по типу ARIMA, SARIMA, SARIMAX
• Градиентные бустинги
• Регрессии

Какими свойствами обладает хорошая модель спроса?

• Реагирует на каждое уникальное состояние рынка
• Способна интерполировать данные о споре
• Кривые, которые строит модель спроса, в большинстве своем соответствуют каноническому закону спроса
• Умеет реагировать и на наценку, и на изменение валютных курсов и ситуаций на рынке

Что является таргетом модели спроса

• Маркап
• Цена
• Момент единичной эластичности
• Cпрос

Какими свойствами должен обладать хороший базовый подход в рамках создания пайплайна динамического ценообразования

• Обеспечивать легкий переход от офлайн метрик в онлайн метрики для объяснения бизнесу принципа
• Использовать сложные модели, способные учитывать все экономические факторы
• Легко масштабироваться
• Иметь простую архитектуру

Отсортируйте алгоритмы по сумме предсказанного количества заказов за период теста от самого большого к самому маленькому

Вы являетесь ML инженером Е-com компании ArabiaExpress, и вы реализовали алгоритм BackTest’a. У вас есть несколько готовых моделей, вы их прогнали через алгоритм BackTest’a. И вдруг вы обнаружили малое пересечение маркапов, которые дали ваши модели и реальных, пусть, около 50%. Что стоит сделать, чтобы повысить этот процент

• Провести А/В тест с целью повысить разнообразие маркапов
• Посчитать BackTest на тренировочной выборке
• Повысить eps (степень допустимой ошибки) алгоритма BackTest'a

Вы являетесь ML инженером Е-com компании ArabiaExpress и хотите перед запуском A/B теста убедиться, имеет ли смысл выкатывать текущую модель динамического ценообразования. Вы понимаете, что вам нужно реализовать какой-то офлайн способ проверки модели. Что из нижеперечисленного обязательно для этого сделать

• Реализовать контрольный алгоритм, относительно которого мы будем измерять аплифт метрик
• Составить иерархию метрик
• Нужно получить данные о том, как цены менялись с течением времени. Идеально, если в один и тот же день были разные скидки разным пользователям на одни и те же товары
• Выбрать онлайн метрики
• Выбрать DS метрики

Вы являетесь ML инженером Е-com компании ArabiaExpress и хотите выбрать офлайн метрики для использования в вашем BackTest’e. Вы выбрали MSE метрику в предсказании спроса. К вам приходит коллега и спрашивает, а как этой метрикой пользоваться? Почему у него мог возникнуть этот вопрос

• Метрика плохо учитывает разные веса
• Метрика плохо интерпретируется
• Метрика плохо скоррелирована с онлайн метрикой

Вы являетесь ML инженером Е-com компании ArabiaExpress, и вы поняли, что выручка в категории телефонов не подойдет и теперь используете выручку в целом на всем вашем маркетплейсе. Нужно превратить выручку в DS метрику. Расположите в правильном порядке этапы “перехода” от онлайн метрики к офлайн метрике

Вы являетесь ML инженером Е-com компании ArabiaExpress, и вы хотите выбрать онлайн метрики для использования в вашем BackTest’e. Вы выбрали выручку в категории телефонов вашей онлайн метрикой. НО! Вы делаете алгоритм динамического ценообразования на всем вашем маркетплейсе. Какое из необходимых свойств онлайн метрики не обеспечивается таким выбором метрики

• Чувствительность
• Надежность
• Помогает понимать причины неудач
• Интерпретируемость
• Инклюзивность
• Эффективность

Вы являетесь ML инженером Е-com компании ArabiaExpress, у вас есть необходимость выбрать хорошие метрики для оценки результатов алгоритма динамического ценообразования, основной бизнес-целью которого является максимизация оборота. При этом вы понимаете, что нужно подобрать не только одну основную метрику, но и вспомогательные метрики. Какие из нижеперечисленных метрик лучше подойдут вашему бизнесу

• Оборот (Price * Quantity = Revenue)
• Число уникальных покупателей
• Количество кликов до покупки в среднем на пользователя
• Относительная прибыль (Margin/Revenue = Relative Margin)
• Число кликов на карточку товара в среднем на пользователя

Прежде чем перейти к вопросам, давайте вспомним основные понятия и их синонимы из предыдущего урока, которые по совместительству являются онлайн метриками в задачах динамического ценообразования.

• Маржа
• Прибыль
• Выручка
• Оборот

Какие элементы включает в себя рабочий пайплайн динамического ценообразования

• Определение целевой аудитории
• Определение целевых, контрольных и вспомогательных метрик
• Разработка модели принятия решений на основе метрик
• Создание единой интегрированной модели спроса и предложения
• Проведение онлайн и оффлайн тестирования

Расставьте маркапы в соответствии с коэффициентами эластичности, как если бы вы были идеальным алгоритмом динамического ценообразования. Все товары имеют одинаковую цену - 100 рублей

1. -2
2. -5
3. 0
4. -4

Что такое эластичность спроса?

• Эластичность спроса - это количество товаров, которое производители готовы предложить на рынке в связи с изменением рыночной ситуации
• Эластичность спроса - это количество товаров, которое производители готовы произвести в ответ на повышение спроса в связи с изменением рыночной ситуации
• Эластичность спроса - это мера чувствительности количества товаров или услуг, которые покупатели готовы приобрести, к изменению цены.
• Эластичность спроса - это изменение потребительских предпочтений в ответ на изменение цен на товары и услуги

Что такое маркап?

• Маркап - поправка в модели спроса для учета повышенного спроса на товар.
• Маркап - разница между ценой и себестоимостью, выраженной в процентах.
• Маркап - это наценка на цену товара.

Ситуация 3. В вашем государстве сменилось правительство. Железный банк не жалует новое правительство. Валюта вашего государства начинает проседать в цене относительно мировой валюты. Выберите верные утверждения:

• Спрос на товары зарубежного производства вырастет, а на товары местного производства упадет.
• Цены останутся на том же уровне.
• Спрос на категории товаров в целом не поменяется.

Ситуация 2. В ваше государство начали импортировать новые виды кормов для крупного рогатого скота из южных земель. Его там проще производить, стоит дешевле чем ваше производство даже с учетом логистических затрат. Выберите верные утверждения:

• Величина спроса на импортный товар выросла в силу его дешевизны
• Спрос на корма для животных не поменялся
• Величина спроса на товары местного производства осталась прежней

Контекст ситуации: Вы проживаете в Вестеросе, ваша страна импортирует множество товаров из-за рубежа. У вас есть внешнее государство - Железный банк, которое управляет оборотом общей валюты в вашем мире. Оно обеспечивает обмен мировой валюты на локальные валюты, в частности на валюту вашего государства.
Далее мы рассмотрим несколько ситуаций, для каждой из которых нужно выбрать верные утверждения. Контекст остаётся неизменным.
Ситуация 1. В вашем государстве случился голод в силу засухи на континенте. Цены на продукты питания возросли. Выберите верные утверждения:

• Продукты питания начали расти в цене из-за возросшего спроса
• Продукты питания начали расти в цене из-за дефицита товаров используемых при производстве конечных продуктов.
• Продукты питания начали расти в цене из-за того, что упал спрос.

Какие из этих графиков отражают кривые спроса:

Вы являетесь ML инженером компании “ДоставимВсе!”. У вас есть задача построить ML модель, которая использует уникальные пользовательские признаки (фичи), для увеличения эффективности процесса динамического ценообразования.
Каким образом вы будете изменять цены в таком случае?

• Буду считать на основе этих фичей какие-то статистические распределения и менять цены на товар в целом по всему магазину:
• Буду расставлять уникальные цены для каждого человека
• Буду считать необходимую скидку для каждого человека относительно цены товара, чтобы достичь нужной цели

Вы являетесь ML инженером компании “Гироскутер”. У вас есть команда аналитиков, которые мониторят цены ваших конкурентов “Ковер-самолет” и “Вертолетик”. Вдруг вы наблюдаете, что у одной из компаний начались изменения цен на товары. Причем вы видите, что часть товаров стала дешевле, а часть дороже, если сравнивать с вашими ценами.
Из-за чего может меняться цена на товар?

• У компании конкурента изменились цепочки поставок товаров и соответственно товары необходимо продавать по другим ценам, чтобы они хотя бы окупались
• Компания конкурент провела какое-то маркетинговое исследование и в соответствии с этим начала менять цены
• Компания конкурент достигла каких-либо целей и переключилась на новую стратегию и изменения цен связаны с этим

Вы являетесь ML инженером компании AladdinExpress. Основная сфера деятельности компании — E-com. Доставка товаров из средней Азии по всему миру. Компания очень давно на рынке, расширение не планируется, рынок находится в относительном балансе.
Какие цели могут быть у вашей компании, где оправдано использование алгоритмов динамического ценообразования?

• Увеличение числа уникальных покупателей
• Наращивание относительной прибыли. Относительная прибыль - доля прибыли от оборота компании.
• Наращивание оборота компании при сохранении прибыли
• Поднять прибыль, оборот, привлечь клиентов, в общем сделать лучше все, что есть возможность сделать лучше и стать лучшим предложением на фоне конкурентов

Что такое динамическое ценообразование

• Процесс формирования цен на товары и услуги в реальном времени под воздействием множества факторов
• Процесс вычисления эластичностей для всех товаров представленных компанией на рынке
• Предсказание подходящей цены на товар в различных рыночных условиях
• Предсказание спроса на товар в различных рыночных условиях

Рассмотрим следующую структуру:
<lesson> <start-message>Привет! На связи Karpov.Courses.</start-message> <title> Это урок по парсингу в блоке Ранжирование и Матчинг на курсе HardML. </title> <task> <subject> Попробуем достать текст ниже с помощью XPath запроса. </subject> <subject> XPath — язык запросов к элементам XML или XHTML документа, представленным в виде древовидной структуры. </subject> </task> </lesson>
Выберите корректные варианты того, как можно достать из такой структуры определение XPath:

• //subject [2)/text0(1]
• //subject/
• /lesson/task/subject/text
• /lesson/task/subject[2]/text0[1]

С XPath удобнее всего работать как с

• древовидной структурой
• направленным графом
• множеством значений

Чтобы вставить ссылку в HTML будет использоваться тег

• <p>
• <a1>
• ‹body>
• <a>

Какие из следующих тегов HTML являются строчными элементами (inline elements)?

• <p>
• <div>
• <ul»
• <img>
• <a>
• ‹span>
• <h1>
• <table>
• <form>

В HTML странице всегда есть следующий тег

• <head>
• <html>
• <text>
• ‹body>

Соотнесите название методов библиотеки requests и то, что они делают

1. put
2. post
3. get

Какой тип парсинга является наиболее безопасным с точки зрения законности и этики

• когда вы не уверены, разрешено ли использование вашего парсера на веб-сайте
• когда вы занимаетесь несанкционированным сбором данных на веб-сайте
• когда вы получили разрешение от владельцев сайта на сбор и использование данных
• когда у веб-сайта есть открытое АРІ

Для чего может использоваться парсинг

• получение дополнительных данных
• анализ поведения конкурентов
• сбор датасетов

В механизме Self-Attention скалярное произведение между векторами Query и Key используется для определения сходства между каждым токенов в последовательности.
Укажите, верно ли утверждение

Архитектура BERT использует двунаправленный подход к обучению, при котором для токена рассматривается левый и правый контекст каждого слова во входной последовательности.
Укажите, верно ли утверждение

В BERT используется одно и то же позиционное кодирование для всех позиций во входной последовательности, независимо от их фактической позиции.
Укажите верно ли утверждение

Модель BERT можно точно настроить для нескольких задач, добавив линейный слой для конкретной задачи поверх предварительно обученных слоев.
Укажите, верно ли утверждение

Модель BERT использует контекстное окно фиксированного размера для каждого токена во время предварительного обучения, где она рассматривает только токены, присутствующие в окне, для прогнозирования замаскированных токенов.
Укажите верно ли утверждение

Расставьте в правильном порядке (сверху-вниз) этапы работы механизма Self-Attention внутри энкодера архитектуры BERT.
Для каждого входного вектора

Какой основной прием используется в механизме Self-Attention

• GRU блоки
• LSTM блоки
• масштабированное скалярное произведение
• hash-функции
• TF-IDF

Как в токенизации BERT называется специальный токен, используемый для представления слов, не входящих в словарь

• [OOV]
• [UNK]
• [OV]
• [UMK]

Укажите размер эмбеддинга, который используется в BERT

• 50000
• 768
• 30000
• 64

Как в BERT называется процесс разбиения предложения на отдельные наборы символов?

• токенизация
• лемматизация
• стемминг
• сегментация
• нормализация

Для ответа на вопрос рекомендуется ознакомиться состатьей.
Укажите максимальную длину n-grams при обучении Conv-KNRM:

• 2
• 3
• 4
• 5

В матрице взаимодействия слов из запроса и документа в архитектуре DeepRank рассчитываются следующие значения

• косинусное расстояние
• разница частот появления слов
• TF
• IDF
• TF-IDF

Укажите недостатки архитектуры DSSM

• потеря информации о порядке слов
• потеря информации о частоте употребления слова
• не используется хэширование для сжатия
• не используются п-граммы для сжатия

Архитектура DSSM основана на:

• энкодерах и декодерах
• полносвязных слоях
• рекуррентных слоях
• сверточных слоях

Авторы FastText.zip используют некоторые некоторые подходы в своей технологии.
Для ответа на вопрос рекомендуется ознакомиться состатьей.
Укажите подходящие подходы:

• softmax
• self-attention
• n-grams
• hash function

Укажите минусы подхода word2vec

• не обрабатываются слова вне словаря для обучения
• считаются только частоты вхождения слов
• не учитывается морфология слов
• не учитываются соседние слова

Рассмотрим предложение: Задача машинного обучения в случае CBoW состоит в том, чтобы получить такую модель, которая выдаёт для входных признаков в виде указанных слов выходные значения, характеризующие ожидаемое слово.
Укажите слова, которые будут входить в контекст для слова модель при значении окна равного 7.

• CBoW
• которая
• выдает
• получить
• Слово
• признаков
• значения

Предположим, вы обучаете эмбеддинги слов для словаря из 100000 слов. Это означает, что итоговые векторы должны быть 100000-мерными, чтобы захватить все вариации слов из словаря.

• верно
• неверно

Укажите, каким может быть тип связи модели и SKU в реальной жизни

• Ничего из вышеперечисленного
• Многие к одному
• Один к одному
• Один ко многим

Выберите, какие пары запросов-документов указаны верно

• Запросы: модели автомобилей 2020-го года выпуска, документы: автомобильный каталог
• Ничего из вышеперечисленного
• Запросы: ассортимент магазина "Шестёрочка", документы: ассортимент магазина "Всё на дачу"
• Запросы: поисковые запросы пользователей в Google, документы: страницы из интернета

Выберите, что подходит под определение SKU

• 34759205759
• Бананы 1 кг
• iPhone 8S (2017)
• iPhone 7S 64GB красный (FG283Х)

Выберите проблемы, присущие задаче матчинга

• Ничего из указанного
• Опечатки
• Сокращения в названиях
• Отсутствие стандарта формирования названия товара
• Большая схожесть между разными товарами

Примерами мультимодальных моделей являются

• Система ответа на вопрос по картинке
• Встроенный поиск Википедии
• Языковая модель для предсказания оценки по отзыву на IMDB
• Система оценки токсичности мемов и шуток в комментариях
• Система распознавания лиц для отлова преступников

Мультимодальные модели это

• Модели, входные данные для которых распределены согласно Бимодальному (или Мультимодальному в общем случае) распределению
• Модели, предсказания которых распределены согласно Бимодальному (или Мультимодальному в общем случае) распределению
• Модели, умеющие за раз обрабатывать несколько объектов (например, классифицировать целое предложение, состоящее из десятка слов)
• Модели, принимающие на вход данные разной природы и создающие внутри себя совместное скрытое представление

Выберите корректное и полное определение матчинга

• Матчинг - это процесс сбора данных о конкурентах с целью изменения стратегии ведения бизнеса
• Матчинг - это процесс сопоставления товаров в разных онлайн-магазинах с целью сравнения цен
• Матчинг - это процесс сопоставления объектов путём сравнения и расчёта некоторой меры схожести
• Матчинг - это поиск текста документа, ближайшего по смыслу к запросу пользователя

Отличие матчинга от ранжирования

• Матчинг это ручная задача, а ранжирование — автоматизация того же процесса
• В качестве выходного модуля в матчинге, как правило, стоит классификатор
• Матчинг применим к товарам, а ранжирование — к текстовым документам
• Возможность ничего не выдавать в качестве вердикта

Отметьте все варианты, в которых используется матчинг

• Поиск всех вершин в графе с заданным свойством
• Поиск пары кроссовок в интернете (Google/Яндекс)
• Поиск телефона для подруги на день рождения
• Нахождение товаров из вашего магазина "Трубы-и-сантехника" на Яндекс. Маркете
• Нахождение одинаковых картинок в базе изображений (например, ImageNet)

Глобальная ранжирующая модель отличается от ранжирующей модели тем, что

• Глобальная модель способна работать на новых данных
• Они не отличаются, это одно и то же
• Глобальная модель работает хуже, но быстрее
• Глобальная модель ранжирует сразу набор документов

Можно ли решать задачу ранжирования с точки зрения классификации

• Да
• Нет
• Наверное

С точки зрения обучения модели задача (Learning To Rank) является

• Reinforcement Learning задачей
• Unsupervised задачей
• Multiderivative задачей
• Supervised задачей
• Semi-supervised задачей

Дан некоторый объект A и набор объектов x=B,C,D,E. Объект B похож на A на 3 условных единицы. Объект C похож на A на 0.1 условную единицу. Объекты D и E не похожи на объект A. Можно ли назвать x частично упорядоченным множеством?

• Да
• Нет
• Наверное

Дан некоторый объект A и набор объектов x=B,C,D,E. Объект B похож на A на 3 условных единицы. Объект C похож на A на 0.1 условную единицу. Объекты D и E не похожи на объект A. Можно ли назвать x упорядоченным множеством?

• Да
• Нет
• Наверное

Ранжирование — это

• Процесс задания упорядоченного множества
• Процесс определения границ схожести двух объектов
• Процесс определения схожести текстов документов к запросу
• Процесс задания частично упорядоченного множества