🎙Подкаст с Владом через 3 часа!

Подключайтесь онлайн, встречаемся здесь в 18:00 МСК🔔

PS успейте задать свой вопрос Владу в гугл-форме

Телеграм-бот с OpenAI API

OpenAI открыли доступ по API к ChatGPT. Теперь каждый разработчик с зарубежной картой может создать свое приложение с GPT-3.5-turbo внутри.

Недавно мы писали про статью Галины на медиуме. В ней Галя рассказала как создать тг-бота с нейросетью внутри. А теперь Галя дополнила статью туториалом по написанию бота с ChatGPT. Из этого туториала вы узнаете:
- сколько стоит API;
- как поддерживать контекст беседы в ChatGPT;
- как контролировать расход токенов при поддержке контекста;
- какие есть роли в чате с GPT и как их использовать;
- а также получите код и комментарии к нему.

Все это в новой статье от Гали на медиуме: https://medium.com/@galperovich/put-chatgpt-right-into-your-messenger-build-a-telegram-bot-with-the-new-official-openai-api-84f7c005de7f

​​Интерпретация моделей компьютерного зрения

Иногда полезно увидеть, на что сеть обращает внимание при предсказании. Это помогает больше доверять системам на её основе, находить скрытые от нас закономерности в датасете и причины ошибок сети.

Из новой статьи вы узнаете, как работает Grad-CAM — самый популярный метод интерпретации моделей в компьютерном зрении. Появилось много усовершенствований этого метода, но если вы понимаете Grad-CAM, то быстро поймете и остальные.

Читайте статью по ссылке, чтобы понять, на что смотрит ваша нейросеть: https://deepschool-pro.notion.site/7d646c21becf4cf38941c6d7af2ae2db

🎙Онлайн-подкаст с Андреем Шадриковым

В четверг, 9 марта, в 18:00 МСК

Коротко об Андрее:
- руководит исследованиями в компании verigram.ai;
- большую часть карьеры посвятил задачам биометрии;
- команда Андрея занимает 8 место на датасете wild в главном бенчмарке по верификации лиц от NIST;
- преподает блок по распознаванию лиц на нашем курсе;
- помогает с организацией митапов и выступает на них (примеры выступлений Андрея: BeeTech, Sberloga, Samsung AI Campus)

На подкасте мы поговорим про:
- верификацию лиц — какие основные сложности встречаются в этой задаче и как их решать (в рамках NDA, конечно же);
- рынок DS в Казахстане — чем он отличается от российского и достаточно ли там задач/кадров;
- как лидить команду — опыт Андрея и советы молодым тимлидам;
- нетворкинг — зачем инженеру расширять круг знакомств.

В конце встречи вы сможете задать Андрею свои вопросы из онлайн-зала. Или оставляйте вопросы в гугл-форме – некоторые из них мы зададим во время подкаста.

Встречаемся здесь в четверг, 9 марта, в 18:00 МСК 🔔

Дорогие девушки, с праздником!🌸

Не знаем какое соотношение в индустрии, но в нашем канале девушки составляют всего лишь 10%.

Пусть вас никогда не смущает такой дисбаланс, чувствуйте себя свободно в любых коллективах, реализовывайте любые желания и достигайте самых дерзких целей!

🎙Подкаст с Андреем через 3 часа!

Подключайтесь онлайн, встречаемся здесь в 18:00 МСК🔔

💬Сообщение для чата

Комментарии к этому посту можно использовать вместо чата для стрима.

Вот-вот начнем :)

CleanLab

Чистые данные — залог хороших метрик :) Но чистить разметку зачастую сложно, долго и скучно. В новой статье расскажем о библиотеке CleanLab, которая поможет вам в чистке аннотаций для задачи классификации. Мы покажем, как быстро прикрутить ее к своим проектам и поделимся личным опытом использования библиотеки на боевых задачах.

Из новой статьи вы узнаете:
- как найти сэмплы со спорными метками;
- как оценить качество меток вашего датасета;
- как найти пересекающиеся классы, и что можно с ними сделать.

Читайте наш новый гайд и делайте ваши данные чище: https://deepschool-pro.notion.site/CleanLab-586bc69c23bb429fb2476982fe74a420

​​Марк Страхов

Продолжаем знакомить вас с нашими авторами. В прошлый раз мы рассказали о Ксюше, а теперь знакомим с историей Марка:

"Я учился в одной группе с Ксюшей в Кубанском Государственном Университете. Будучи студентом, думал, что мое будущее - продавать апельсинки на рынке в Анапе, однако судьба сложилось иначе. На последнем курсе бакалавриата у нас была дисциплина «Введение в искусственный интеллект», где можно было получить самоэкзамен, если сделать какую-нибудь нейросеть. Сдавать лабораторные и зачеты на прологе мне не улыбалось, поэтому мы с другом обучили сеть, которая обыгрывает преподавателя в реверси. Так я и попал в мир ML\AI.

Мое первое место работы, как и у Ксюши, — лаборатория робототехники Кубанского университета. Основная задача — детектирование объектов (привет, мой родной darknet и darknet detector train…), по мелочи классификация/сегментация и работа со звуком.
После 3 лет в лабе, я перешел в стартап из области AI for Skin Care, где работаю последние 2 года. Задач очень много: от классификации до абстрактных автомл-пайплайнов на AzureML’e, чтобы тимлид радовался и нажимал на кнопочки в UI."

В комментариях к этому посту вы можете пообщаться с Марком и задать ему свои вопросы)

Посты, которые Марк написал в нашем канале:
- CleanLab
- Что такое attention?
- Прогресс развития механизма внимания в CV
- Типы механизмов внимания
- Channel Attention
- Self-attention в Computer Vision
- Visual Transformer (ViT)

Если вам нравятся посты Марка и Ксении, дайте ребятам огня, им будет приятно🔥

Covariance shift и Adversarial validation

Смещение в тестовых данных относительно трейна — проблема каждого DS-специалиста. Но иногда ее можно обернуть в свою пользу. Например, во время ML-соревнований :)

В новой статье мы расскажем:
- как проверить, похож ли трейн на тест;
- как можно попробовать улучшить метрики в соревнованиях, используя data leak;
- как понять, актуальна ли наша модель в проде.

Читайте по ссылке: https://deepschool-pro.notion.site/Covariance-shift-Adversarial-validation-32fab6caa55e48eeb5dd2fbe4164378c

​​Матчинг гистограмм

В новой статье разберем и покажем один из методов доменной адаптации. С его помощью вы сможете быстро и дешево расширить датасет.

В статье пройдемся по основным этапам алгоритма, чтобы вы разобрались, как одна картинка приобретает черты другой при помощи матчинга гистограмм.

Читайте подробнее по ссылке: https://deepschool-pro.notion.site/884b0a10c9ac4b97b03fc1e23b4cface