Некероване ML
K-Means, ієрархічна кластеризація, DBSCAN, PCA, t-SNE, UMAP, silhouette score, elbow method
1У чому головна різниця між керованим і некерованим навчанням?
У чому головна різниця між керованим і некерованим навчанням?
Відповідь
Некероване навчання працює з немаркованими даними, прагнучи виявити приховані структури або патерни без попередньо визначеної цільової змінної. На відміну від керованого навчання, яке прогнозує відоме значення (мітку), некероване навчання досліджує дані, щоб знайти природні групи, зменшити розмірність або виявити аномалії. Такі алгоритми, як K-Means, PCA або DBSCAN, є типовими прикладами некерованого навчання.
2Як працює алгоритм K-Means для розбиття даних?
Як працює алгоритм K-Means для розбиття даних?
Відповідь
K-Means — це ітеративний алгоритм, який розбиває дані на K кластерів. Він випадково ініціалізує K центроїдів, потім чергує два кроки: призначення кожної точки найближчому центроїду (крок призначення) і перерахунок позицій центроїдів як середнього призначених точок (крок оновлення). Алгоритм сходиться, коли призначення більше не змінюються або після максимальної кількості ітерацій.
3Який метод використовувати для визначення оптимальної кількості кластерів K у K-Means?
Який метод використовувати для визначення оптимальної кількості кластерів K у K-Means?
Відповідь
Метод ліктя (elbow method) будує графік інерції (сума квадратів відстаней між кожною точкою та її центроїдом) залежно від K. Точка, де крива утворює лікоть, вказує на оптимальне K, оскільки за нею додавання кластерів більше не покращує інерцію суттєво. Цей метод доповнюється silhouette score для валідації якості кластерів.
Що вимірює silhouette score у контексті кластеризації?
Який діапазон значень silhouette score та як інтерпретувати оцінку 0.7?
+19 питань зі співбесід
Інші теми співбесід Data Science & ML
Основи Python
Об'єктно-орієнтоване програмування Python
Структури даних Python
Основи Git
Основи SQL
Основи NumPy
Основи Pandas
Jupyter & Google Colab
SQL Joins та розширені запити
Просунутий Pandas
Візуалізація з Matplotlib & Seaborn
Інтерактивні візуалізації з Plotly
Описова статистика
Інференційна статистика
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Кероване ML: Регресія
Кероване ML: Класифікація
Дерева рішень та ансамблі
ML Pipelines та валідація
Часові ряди та прогнозування
Основи Deep Learning
TensorFlow & Keras
CNN та класифікація зображень
RNN та послідовності
Transformers та Attention
NLP та Hugging Face
GenAI та LangChain
MLOps та розгортання
Опануй Data Science & ML для наступної співбесіди
Отримай доступ до всіх питань, flashcards, технічних тестів, вправ code review та симуляторів співбесід.
Почни безкоштовно