по умолчанию можно считать, что все вопросы, написанные, скажем за последние 10 лет - написаны профессиональными редакторами.

Это дает прирост?

не знаю )

просто это очень серьёзный датасет, который может даже и поболее данного в задаче и близкий по тематике.

В задаче вопросы от экспертов попроще будут.

Кто-нибудь может помочь с MacOS?

SEAGATE exfat монтируется отчень медленно на mac os

Да, меня на работе заставили перейти  на MacOS

я не хотела

Это в Я людей мучают макосью?

да

не под мак не тру

Так себе гипотеза
Вопросы могут повторяться, я глазами по датасету когда проходился нашел одинаковые по смыслу но разные по описанию немного вопросы

нет, не так себе гипотеза, не говори, чего не знаешь. Большинство вопросов на db.chgk.info  написаны профи, плюс еще протестированы профи. Справедлиовости ради сказать, что иногда бывают начинающие авторы турниров, но если брать вопросы за последние лет десять из базы, то случайных людей в авторах нет в принципе.

И даже начинающие авторы сделали турнир, то над ними как правило стоял профессиональный редактор.

Это да, ни одного туториала я так и не смог запустить

привет, кто-нибудь решал эту задачу? - https://habr.com/ru/company/mailru/blog/415191/
Хотелось бы узнать, если решали последовательность ваших действий

Пока что я вот что сделал

я преобразовал три джейсона в один разряженный вектор, потом категориальную фичу засунул в OneHotEncoder и замерджил два вектора, закинув туда третий столбец с количеством дней до даты (VectorAssembler), когда было получено значение целевой переменной. На выходе имею здоровенный вектор с фичами, но пока не понимаю как использовать масштабирование. И еще меня смущает что на один и тот же cuid у меня разные фичи. Нужно ли каким-либо образом группировать и выбирать самые лучшие?

пока что вот так, если кто хочет код глянуть - https://gist.github.com/kilinochi/ee13de512588dc09324d0a29f8614fce