А вы знали, что в pandas к датафреймам можно добавлять описание?

Делается это с помощью одной простой команды:

df.style.set_caption(caption)

Полезно, если работаете одновременно с несколькими похожими фреймами или если готовите презентацию в Jupyter. А также может сойти в виде дополнительного комментирования кода.

😻 #python

Вдруг кому до сих пор непонятно

😻 #memes

Огромный пул задачек по теорверу на кубики

Для тех, кто после наших воскресных задач понял, что пора подтягивать теорвер: отличный сборник задач от самых простых к тем, что посложнее

😻 #advice

Доброе рабочее. Поиграем?

Это веб-игра, в которой вы соревнуетесь с ML-алгоритмом: у вас есть 60 секунд, чтобы нарисовать как можно больше слов, пока нейросеть пытается угадать, что вы рисуете в режиме реального времени. Ну что, кому сколько удалось?

*работает в Chrome на ПК

😻 #forfun

У нас тут новый state-of-the-art оптимизатор завезли

Это расширение алгоритма LoRA – ReLoRA. Основная идея, лежащая в основе ReLoRA, заключается в разложении обновлений весов во время обучения на матрицы низкого ранга путем добавления новых обучаемых параметров к исходным весам модели. А для пущей бодрости внутри используется еще несколько техник, такие как перезапуски обучения, сбросы оптимизатора и ступенчатое нарастание скорости.

Эффективность метода возрастает с увеличением масштабов моделей. На модели с 1,3 миллиардами параметров использование памяти уменьшилось на 30%, а производительности обучения увеличилось на 52% по сравнению с обучением с полным рангом. В общем, это что-то на многообещающем.

Код доступен на Github.

😻 #news

Непопулярная альтернатива KMeans – Gaussian Mixture Models (GMM)

KMeans широко используется в качестве алгоритма кластеризации из-за его простоты и эффективности. Но он имеет некоторые недостатки:
– может создавать только круглые кластеры
– не дает вероятностых оценок принадлежности точек кластерам
– не учитывает кластерную дисперсию

Эти ограничения часто делают KMeans неидеальным выбором для кластеризации. И тут на помощь приходит GMM. Он закрывает все недостатки выше (например, может создавать кластеры овальной формы), и о нем можно думать, как о некотором обобщении KMeans.

Эффективность GMM по сравнению с KMeans очевидна на картинке ⏫
- KMeans просто полагается на расстояние и игнорирует распределение каждого кластера
- GMM изучает распределение и обеспечивает лучшую кластеризацию

P.S. Вот ссылка на GMM из sklearn

😻 #train