Question 1

ข้อได้เปรียบหลักของการใช้ Pipeline ของ scikit-learn แทนการใช้การแปลงด้วยตนเองคืออะไร?

Accepted Answer

Pipeline รับประกันว่าการแปลงเดียวกันจะถูกนำไปใช้อย่างสม่ำเสมอกับทั้งข้อมูล training และ test มันรวมขั้นตอน preprocessing และ modeling ทั้งหมดไว้ในออบเจ็กต์เดียว ซึ่งทำให้โค้ดง่ายขึ้น ป้องกัน data leakage และทำให้การ deploy model ไปยัง production ง่ายขึ้น

Question 2

ควรเรียก method ใดบน Pipeline เพื่อ train ทุกขั้นตอนและทำการทำนาย?

Accepted Answer

method fit_predict ไม่มีอยู่ใน Pipeline สำหรับ regression หรือ classification คุณต้องเรียก fit() ก่อนเพื่อ train pipeline จากนั้นเรียก predict() เพื่อรับการทำนาย หรืออีกทางหนึ่ง สามารถเรียก fit() ตามด้วย predict() แยกกันเพื่อการควบคุมที่มากขึ้น

Question 3

Data leakage ในบริบทของ machine learning คืออะไร?

Accepted Answer

Data leakage เกิดขึ้นเมื่อข้อมูลจาก test set หรือข้อมูลในอนาคตถูกใช้โดยไม่ตั้งใจระหว่างการ training สิ่งนี้สามารถเกิดขึ้นระหว่าง preprocessing (การคำนวณค่าเฉลี่ยจากทั้ง dataset ก่อนการ split) หรือผ่าน feature ที่มี target ทางอ้อม ผลลัพธ์คือประสิทธิภาพสูงเทียมที่ไม่สามารถ generalize ได้

ML Pipelines และการตรวจสอบ

ข้อได้เปรียบหลักของการใช้ Pipeline ของ scikit-learn แทนการใช้การแปลงด้วยตนเองคืออะไร?

คำตอบ

ควรเรียก method ใดบน Pipeline เพื่อ train ทุกขั้นตอนและทำการทำนาย?

คำตอบ

Data leakage ในบริบทของ machine learning คืออะไร?

คำตอบ

บทบาทของ ColumnTransformer ใน scikit-learn คืออะไร?

K-Fold cross-validation คืออะไร?

หัวข้อสัมภาษณ์ Data Science & ML อื่นๆ

พื้นฐาน Python

การเขียนโปรแกรมเชิงวัตถุด้วย Python

โครงสร้างข้อมูล Python

พื้นฐาน Git

พื้นฐาน SQL

พื้นฐาน NumPy

พื้นฐาน Pandas

Jupyter & Google Colab

SQL Joins และคิวรีขั้นสูง

Pandas ขั้นสูง

การแสดงผลข้อมูลด้วย Matplotlib & Seaborn

การแสดงผลแบบโต้ตอบด้วย Plotly

สถิติเชิงพรรณนา

สถิติเชิงอนุมาน

Web Scraping

BigQuery & Cloud Data

Feature Engineering

ML แบบมีผู้สอน: การถดถอย

ML แบบมีผู้สอน: การจำแนกประเภท

Decision Trees และ Ensembles

Unsupervised ML

Time Series และการพยากรณ์

พื้นฐาน Deep Learning

TensorFlow & Keras

CNN และการจำแนกภาพ

RNN และซีเควนซ์

Transformers และ Attention

NLP และ Hugging Face

GenAI และ LangChain

MLOps และการ Deploy

เชี่ยวชาญ Data Science & ML สำหรับการสัมภาษณ์ครั้งถัดไป