Nvidia показали свою новую нейросеть для разработчиков игр — NeuralVDB позволяет создавать крутую графику практически без нагрузки для компьютер.

В чем суть: нейросеть изучает освещение вокруг персонажа и то, как оно падает на объекты рядом. Всю полученную информацию ИИ сразу применяет в деле, позволяя создавать графонистые керамику, пыль и даже отпечатки пальцев. Самый сок в том, что нейросеть повышает детализацию объектов в 16 раз, при этом нагрузка на вашу бедную видеокарту снижается до 100 раз.

Надеемся, все это смогут нормально оптимизировать.

😻 #news

Компания MosaicML выпустила MPT, модель, аналогичную LLAMA-7b, под открытой лицензией. На широком наборе задач (12 штук) в 6 она лучше оригинальной LLAMA, в половине - чуть хуже. Достигнуто это благодаря огромному и разнообразному набору текстовых данных, а также длительной тренировке - суммарно модель увидела их аж 1 ТРИЛЛИОН (прямо как LLAMA).

Что интересно, так это то, что для модели выпущено сразу 3 версии: одна базовая, вторая дообучена на инструкциях, третья - обучена на чат (с открытых логов от ChatGPT и других датасетов). Дообучение на инструкциях очень важно, оно позволяет выполнять задачи, написанные естественным языком - прямо как это делает ChatGPT.

А еще модели обучены с нуля и их можно коммерчески использовать.

😻 #NN #news

Как визуализировать дерево решений

Ну во-первых, это красиво. Во-вторых, самое прекрасное свойство деревьей решений – интерпретируемость, и визуализировать модель в этом случае очень полезно. Помимо того, что мы видим, как модель будет принимать решение, можно еще и оценить разделимость данных (например, посмотрев на индекс Джини и количество айтемов каждого класса в вершинах). Вот код на примере Ирисов Фишера:

# Load libraries
import pydotplus
from sklearn.tree import DecisionTreeClassifier
from sklearn import datasets
from IPython.display import Image
from sklearn import tree

# Load data
iris = datasets.load_iris()
features = iris.data
target = iris.target

# Create decision tree classifier object
decisiontree = DecisionTreeClassifier(random_state=0)

# Train model
model = decisiontree.fit(features, target)

# Create DOT data
dot_data = tree.export_graphviz(decisiontree,
out_file=None,
feature_names=iris.feature_names,
class_names=iris.target_names)

# Draw graph
graph = pydotplus.graph_from_dot_data(dot_data)

# Show graph
Image(graph.create_png())

😻 #analytics #python #train

Keras уже курит на заднем сидении

😻 #memes

OpenAI выкатили новую модель, генерирующую трехмерные объекты по текстовому описанию

Гифка “машинка, похожая на авокадо” пока выглядит слабовато, но это вполне сильная заявка. Модель называется Shap•E. Авторы опубликовали веса модели и код: https://github.com/openai/shap-e
Ссылка на статью: https://arxiv.org/pdf/2305.02463.pdf

😻 #news

Привет! Мы запускаем ПРЕДЛОЖКУ

Мы всегда внимательно читаем ваши комментарии и пытаемся постоянно совершенствовать канал. А теперь у нас будет еще и специальный бот, куда вы можете присылать свои идеи, пожелания, интересные новости, полноценные посты или даже описание своих проектов: всё, чем вы хотите поделиться и что хотите видеть в канале. Все это будет автоматически попадать прямо в руки нашей редакции, которая будет отбирать все самое сочное 🙂

Чтобы предложить, просто пиши боту @data_secrets_bot (в этом же боте наши редакторы смогут тебе ответить).

С нетерпением ждём ваших писем ✉️

😻 // Data Secrets

Чтение мыслей с помощью языковых моделей и МРТ

Очередной шаг в направлении методов регистрации мыслей сделали учёные из Техасского университета, представив семантический декодер. Они использовали метод функциональной магнитно-резонансной томографии для регистрации активностей головного мозга, а затем с помощью больших языковых моделей транслировали это в образы с помощью текстовых сообщений.

Но есть одно но. Чтобы мысли читались правильно, система должна была подучиться на конкретном пациенте.

😻 #news