This media is not supported in your browser
VIEW IN TELEGRAM
📌 Машинное обучение на рекламных платформах
Для специалистов важно знать практическое применение ML. Например, как устроены механизмы CPA-продвижения на поиске маркеплейса.
Руководитель группы машинного обучения рекламной платформы Александр Воронцов расскажет, как устроено продвижение в поиске Яндекс Маркета, рассмотрит классический tradeoff «качество — покрытие» и покажет, как выглядит размен продуктовых метрик при внедрении в продакшн новых факторов.
Доклад прозвучит 7 сентября на конференции для экспертов ML — Practical ML Conf. Основные темы конференции: Генеративные модели, Research, NLP, Hardware, CV, RecSys, MLOps, Ecomm. Найдётся то, что вам интересно. Регистрация уже началась вот здесь.
@machinelearning_ru
Для специалистов важно знать практическое применение ML. Например, как устроены механизмы CPA-продвижения на поиске маркеплейса.
Руководитель группы машинного обучения рекламной платформы Александр Воронцов расскажет, как устроено продвижение в поиске Яндекс Маркета, рассмотрит классический tradeoff «качество — покрытие» и покажет, как выглядит размен продуктовых метрик при внедрении в продакшн новых факторов.
Доклад прозвучит 7 сентября на конференции для экспертов ML — Practical ML Conf. Основные темы конференции: Генеративные модели, Research, NLP, Hardware, CV, RecSys, MLOps, Ecomm. Найдётся то, что вам интересно. Регистрация уже началась вот здесь.
@machinelearning_ru
🔥2
📋Состояние инфраструктуры данных на 2023 год — ключевые тренды ландшафта MAD от Мэтта Терка
Основные изменения в инфраструктуре данных на 2023 год
Hadoop
Несмотря на то, что некоторые компоненты экосистемы Hadoop до сих пор используются (например, Hive), их популярность снизилась настолько, что эта экосистема больше не попадает в ландшафт индустрии данных, что также подтверждается последними статьями из разряда “Big Data is Dead”.
Data lakes стали относиться к одной категории с Lakehouse
Сюда, среди прочих, относятся следующие инструменты (где это актуально, в скобках также указаны год основания и общий объем финансирования):
• Cloudera (2008, $1041 млн) — корпоративный дата-хаб, построенный на базе Apache Hadoop.
• Databricks (2013, $3497 млн) — их платформа lakehouse используется для сервисов интеграции и аналитики. Эта компания ввела парадигму lakehouse и выступает лидером в этой категории.
• Dremio (2015, $405 млн) — платформа аналитики данных, позволяющая компаниям запрашивать данные с любого источника и ускоряющая аналитическую обработку с помощью инструментов бизнес-аналитики, машинного обучения и клиентов SQL.
• Onehouse (2021, $33 млн) — облачный управляемый сервис формата lakehouse, помогающий создавать озера данных, обрабатывать данные и владеть данными в опенсорсных форматах.
• Azure Data Lake Storage — подобный S3 сервис объектного хранилища, обычно называемый ADLS Gen 2
• Azure HD Insight — аналогичен вышеназванному сервису, но для экосистемы Hadoop.
• GCP Google BigLake — позволяет создавать таблицы BigLake в Google Cloud Storage (GCS), Amazon S3 и ADLS Gen 2 в поддерживаемых открытых форматах файлов, таких как Parquet, ORC и Avro.
• GCP Google Cloud Dataproc — аналогичен сервису выше, но для экосистемы Hadoop.
• AWS Lake Formation — упрощает управление озером данных на базе S3 с интеграцией каталога метаданных Glue, механизма запросов Athena и так далее.
• AWS Amazon EMR — аналогичен сервису выше, но для экосистемы Hadoop.
📌Продолжение
@machinelearning_ru
Основные изменения в инфраструктуре данных на 2023 год
Hadoop
Несмотря на то, что некоторые компоненты экосистемы Hadoop до сих пор используются (например, Hive), их популярность снизилась настолько, что эта экосистема больше не попадает в ландшафт индустрии данных, что также подтверждается последними статьями из разряда “Big Data is Dead”.
Data lakes стали относиться к одной категории с Lakehouse
Сюда, среди прочих, относятся следующие инструменты (где это актуально, в скобках также указаны год основания и общий объем финансирования):
• Cloudera (2008, $1041 млн) — корпоративный дата-хаб, построенный на базе Apache Hadoop.
• Databricks (2013, $3497 млн) — их платформа lakehouse используется для сервисов интеграции и аналитики. Эта компания ввела парадигму lakehouse и выступает лидером в этой категории.
• Dremio (2015, $405 млн) — платформа аналитики данных, позволяющая компаниям запрашивать данные с любого источника и ускоряющая аналитическую обработку с помощью инструментов бизнес-аналитики, машинного обучения и клиентов SQL.
• Onehouse (2021, $33 млн) — облачный управляемый сервис формата lakehouse, помогающий создавать озера данных, обрабатывать данные и владеть данными в опенсорсных форматах.
• Azure Data Lake Storage — подобный S3 сервис объектного хранилища, обычно называемый ADLS Gen 2
• Azure HD Insight — аналогичен вышеназванному сервису, но для экосистемы Hadoop.
• GCP Google BigLake — позволяет создавать таблицы BigLake в Google Cloud Storage (GCS), Amazon S3 и ADLS Gen 2 в поддерживаемых открытых форматах файлов, таких как Parquet, ORC и Avro.
• GCP Google Cloud Dataproc — аналогичен сервису выше, но для экосистемы Hadoop.
• AWS Lake Formation — упрощает управление озером данных на базе S3 с интеграцией каталога метаданных Glue, механизма запросов Athena и так далее.
• AWS Amazon EMR — аналогичен сервису выше, но для экосистемы Hadoop.
📌Продолжение
@machinelearning_ru
👍6❤2🔥1
GPT-3.5 Turbo от OpenAI получил обновление, позволяющее самостоятельно дообучать модель для использования в своих приложениях, что позволит разработчикам возможность максимально раскрыть потенциал GPT-3.5.
Теперь разработки могут делать файнтюнинг параметров модели для совершенствования производительности и точности работы модели в своих сферах применения. Первые тесты показывают, что тонко настроенный GPT-3.5 Turbo соответствует или превосходит базовые метрики GPT-4 для конкретных задач.
На тестах выяснилось, что дообучение позволит компаниям сократить длину запросов при сохранении аналогичной эффективности: тестировщики смогли сократить размер запросов на 90%, внедряя инструкции непосредственно в модель, что ускоряет каждый вызов API и сокращает затраты. Дообученные модели обрабатывают контексты из 4 тыс. токенов, вдвое увеличивая предыдущую емкость, что также ускоряет вызовы и снижает затраты на использование API.
📌 Подробнее
@machinelearning_ru
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8🔥3❤1
🚀Arthur Bench: инструмент для оценки языковых моделей
Arthur Bench содержит метрики для сравнения моделей по точности ответов, легкости их чтения, хеджированию и другим критериям.
Хеджирование является очень актуальной проблемой при использовании языковых моделей в приложениях: модели включают в ответ предложения, указывающие на существующие ограничения их использования («как языковая модель, я не могу…»), что обычно вызывает проблемы.
Bench значительно упрощает ручной анализ моделей.
Можно использовать 100 релевантных конкретной задаче запросов, а инструмент сам сравнит ответы разных моделей между собой и выделит те ответы, которые сильно отличались друг от друга.
@machinelearning_ru
Arthur Bench содержит метрики для сравнения моделей по точности ответов, легкости их чтения, хеджированию и другим критериям.
Хеджирование является очень актуальной проблемой при использовании языковых моделей в приложениях: модели включают в ответ предложения, указывающие на существующие ограничения их использования («как языковая модель, я не могу…»), что обычно вызывает проблемы.
Bench значительно упрощает ручной анализ моделей.
Можно использовать 100 релевантных конкретной задаче запросов, а инструмент сам сравнит ответы разных моделей между собой и выделит те ответы, которые сильно отличались друг от друга.
pip install 'arthur-bench[server]'from arthur_bench.run.testsuite import TestSuite
suite = TestSuite(
"bench_quickstart",
"exact_match",
input_text_list=["What year was FDR elected?", "What is the opposite of down?"],
reference_output_list=["1932", "up"]
)
suite.run("quickstart_run", candidate_output_list=["1932", "up is the opposite of down"])
@machinelearning_ru
🔥5❤3👍3
🔥Google VRDU
Google опубликовали в открытом доступе VRDU – датасет и модель, которая понимает документы.
Модель, которая может автоматически извлекать данные из документов, например, квитанций, страховых полисов и финансовых отчетов, потенциально может значительно повысить эффективность бизнес-процессов, избегая ручной работы, подверженной ошибкам.
Но академические датасеты не в состоянии охватить проблемы, наблюдаемые в реальных примерах использования. Как следствие, академические тесты показывают высокую точность существующих моделей, но плохо работают в реальных приложениях.
Исследователи Google сформулировали список особенностей задачи извлечения содержания из документов. Этот список включает использование различных форматов данных, которые могут являться обязательными или необязательными для заполнения в документе определенного шаблона, а также наличие различных форматов оформления, структур и связей между данными.
Датасет и бенчмарк Google VRDU (Visually-rich Document Understanding) были разработаны с учетом данных особенностей.
Датасет VRDU состоит из документов двух типов: регистрационных форм и форм для покупки рекламы. Датасет содержит более 2 000 документов, таких как счета-фактуры и квитанции. Документы являются текстовыми файлами, полученными путем преобразования в текст с помощью Google Cloud изображений, собранных в открытом доступе в Интернете. Затем документы были размечены вручную для сопоставления значений, встречающихся в данных, с их аннотацией (например, числового значения величины налога с названием поля «Налог»).
▪Github
▪Датасет
@machinelearning_ru
Google опубликовали в открытом доступе VRDU – датасет и модель, которая понимает документы.
Модель, которая может автоматически извлекать данные из документов, например, квитанций, страховых полисов и финансовых отчетов, потенциально может значительно повысить эффективность бизнес-процессов, избегая ручной работы, подверженной ошибкам.
Но академические датасеты не в состоянии охватить проблемы, наблюдаемые в реальных примерах использования. Как следствие, академические тесты показывают высокую точность существующих моделей, но плохо работают в реальных приложениях.
Исследователи Google сформулировали список особенностей задачи извлечения содержания из документов. Этот список включает использование различных форматов данных, которые могут являться обязательными или необязательными для заполнения в документе определенного шаблона, а также наличие различных форматов оформления, структур и связей между данными.
Датасет и бенчмарк Google VRDU (Visually-rich Document Understanding) были разработаны с учетом данных особенностей.
Датасет VRDU состоит из документов двух типов: регистрационных форм и форм для покупки рекламы. Датасет содержит более 2 000 документов, таких как счета-фактуры и квитанции. Документы являются текстовыми файлами, полученными путем преобразования в текст с помощью Google Cloud изображений, собранных в открытом доступе в Интернете. Затем документы были размечены вручную для сопоставления значений, встречающихся в данных, с их аннотацией (например, числового значения величины налога с названием поля «Налог»).
▪Github
▪Датасет
@machinelearning_ru
👍5❤4🔥3
This media is not supported in your browser
VIEW IN TELEGRAM
Это отличный помощник в мгновенном создании и обновлении диаграмм с использованием интуитивных ИИ-команд
Бесплатный сервис предлагает хранение и управление проектами, а также возможности для динамического редактирования.
#ИИ #UML
@machinelearning_ru
Please open Telegram to view this post
VIEW IN TELEGRAM
👍5❤3🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
⚡Shell-AI: Your Intelligent Command-Line Companion
Shell-AI (shai) - это утилита CLI, которая позволяет использовать возможности понимания естественного языка в командной строке. Просто введите на естественном языке то, что вы хотите сделать, и shai предложит однострочные команды, которые реализуют ваш запрос.
▪Github
@machinelearning_ru
Shell-AI (shai) - это утилита CLI, которая позволяет использовать возможности понимания естественного языка в командной строке. Просто введите на естественном языке то, что вы хотите сделать, и shai предложит однострочные команды, которые реализуют ваш запрос.
pip install shell-ai▪Github
@machinelearning_ru
👍8🔥3❤2
🔥1,000,000,000 Parameter Super Resolution AI!
https://www.youtube.com/watch?v=UyoXmHS-KGc
GigaGAN: Scaling up GANs for Text-to-Image Synthesis: https://mingukkang.github.io/GigaGAN/
@machinelearning_ru
https://www.youtube.com/watch?v=UyoXmHS-KGc
GigaGAN: Scaling up GANs for Text-to-Image Synthesis: https://mingukkang.github.io/GigaGAN/
@machinelearning_ru
YouTube
1,000,000,000 Parameter Super Resolution AI!
❤️ Check out Weights & Biases and say hi in their community forum here: https://wandb.me/paperforum
📝 The paper "GigaGAN: Scaling up GANs for Text-to-Image Synthesis" is available here:
https://mingukkang.github.io/GigaGAN/
My latest paper on simulations…
📝 The paper "GigaGAN: Scaling up GANs for Text-to-Image Synthesis" is available here:
https://mingukkang.github.io/GigaGAN/
My latest paper on simulations…
👍6❤2🔥1
1. Introduction to Generative AI - введение в генеративный ИИ Этот курс погрузит вас в основаы генеративного ИИ,
2. Introduction to Large Language Models - в курсе вы узнаете о больших языковых моделях (LLM), которые представляют собой разновидность искусственного интеллекта, способного генерировать текст, переводить языки, писать различные виды креативного контента и информативно отвечать на ваши вопросы.
3. Introduction to Responsible AI - этот курс расскажет вам об этичном и ответственном использовании искусственного интеллекта. Вы узнаете о различных этических проблемах ИИ, таких как предвзятость, конфиденциальность и безопасность. Вы также узнаете о некоторых лучших практиках разработки ИИ.
4. Introduction to Image Generation - этот курс расскажет вам о генерации изображений, разновидности искусственного интеллекта, способного создавать изображения на основе текстовых описаний. Вы узнаете о различных типах алгоритмов генерации изображений, о том, как они работают, и о некоторых из их наиболее распространенных применений.
5. Encoder-Decoder Architecture -
этот курс расскажет вам об архитектуре модели кодера-декодера, которые представляют собой тип архитектуры нейронной сети, широко используемой для задач обработки естественного языка, таких как машинный перевод и резюмирование текста. Вы узнаете о различных компонентах архитектур энкодер-декодер, о том, как они работают, и о некоторых наиболее распространенных областях их применения.
6. Attention Mechanism - В этом курсе вы узнаете о механизме attention - технике, которая используется для повышения производительности нейронных сетей в задачах обработки естественного языка.
7. Transformer Models and BERT Model - В этом курсе вы изучите архитектуру трансформеров, которые представляют собой тип архитектуры нейронной сети, показавшей свою эффективность при решении задач обработки естественного языка.
8. Create Image Captioning Models - Этот курс научит вас создавать модели автоматического описания изображений, которые представляют собой разновидность искусственного интеллекта, способного генерировать подписи к изображениям.
@machinelearning_ru
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10🔥5👍1
🔥Бесплатные сертификационные курсы по анализу данных, которые можно попробовать пройти в 2023 году:
🔸Data Analysis with Python (University of Helsinki)
https://classcentral.com/course/independent-data-analysis-with-python-204189
🔸Google Data Analytics
https://classcentral.com/course/google-data-analytics-36441
🔸Data Analyst Bootcamp
https://classcentral.com/course/youtube-data-analyst-bootcamp-204971
🔸The Analytics Edge (MIT University)
https://classcentral.com/course/mit-opencourseware-the-analytics-edge-spring-2017-40989
🔸Data Analysis with Python: Zero to Pandas
https://classcentral.com/course/jovian-data-analysis-with-python-zero-to-pandas-80422
🔸Data Analyst with Python
https://app.datacamp.com/learn/career-tracks/data-analyst-with-python
🔸Full Excel Data Analysis Basics
https://classcentral.com/course/youtube-full-excel-data-analysis-basics-class-e-dab-data-analysis-bi-made-easy-with-excel-power-tools-10-videos-204970
🔸Julia for Data Analysis
https://manning.com/books/julia-for-data-analysis
🔸Data Analysis with Python
https://classcentral.com/course/freecodecamp-data-analysis-with-python-34066
🔸Data Analysis (Harvard University)
http://pll.harvard.edu/course/data-analysis-life-sciences-4-high-dimensional-data-analysis
🔸PowerBI (Microsoft)
http://learn.microsoft.com/users/collinschedler-0717/collections/m14nt4rdwnwp04
🔸Excel (Microsoft)
http://learn.microsoft.com/training/paths/modern-analytics/
@machinelearning_ru
🔸Data Analysis with Python (University of Helsinki)
https://classcentral.com/course/independent-data-analysis-with-python-204189
🔸Google Data Analytics
https://classcentral.com/course/google-data-analytics-36441
🔸Data Analyst Bootcamp
https://classcentral.com/course/youtube-data-analyst-bootcamp-204971
🔸The Analytics Edge (MIT University)
https://classcentral.com/course/mit-opencourseware-the-analytics-edge-spring-2017-40989
🔸Data Analysis with Python: Zero to Pandas
https://classcentral.com/course/jovian-data-analysis-with-python-zero-to-pandas-80422
🔸Data Analyst with Python
https://app.datacamp.com/learn/career-tracks/data-analyst-with-python
🔸Full Excel Data Analysis Basics
https://classcentral.com/course/youtube-full-excel-data-analysis-basics-class-e-dab-data-analysis-bi-made-easy-with-excel-power-tools-10-videos-204970
🔸Julia for Data Analysis
https://manning.com/books/julia-for-data-analysis
🔸Data Analysis with Python
https://classcentral.com/course/freecodecamp-data-analysis-with-python-34066
🔸Data Analysis (Harvard University)
http://pll.harvard.edu/course/data-analysis-life-sciences-4-high-dimensional-data-analysis
🔸PowerBI (Microsoft)
http://learn.microsoft.com/users/collinschedler-0717/collections/m14nt4rdwnwp04
🔸Excel (Microsoft)
http://learn.microsoft.com/training/paths/modern-analytics/
@machinelearning_ru
👍8❤3🔥3🥰1
🔥 Дайджест полезных материалов из мира : Машинное обучение за неделю
Почитать:
— Пережевывая Матрицу Несоответствий — Confusion Matrix
— Устранение галлюцинаций в LLM
— Раскладываем по полочкам тезисы из видео «Из голоса банка — в фильмы 18+»
— YandexGPT тоже провалил тест на ручник
— Шпаргалка по Seaborn. Делаем матрицы красивыми
— 7 советов, как сделать чат-бота похожим на настоящего человека
— Генерация паспортных данных для обучения моделей
— Классификация грибов методами ML
— Наш опыт внедрения платформы чат-ботов в помощь команде поддержки
— Определение токсичности комментариев с помощью глубокого обучения
— Simple Weather notification project built with python in mobile.
— Why Java Is an Object-Oriented Programming Language?
— Elastic D&D - Week 2 - Streamlit & the Login Page
— Supervised Learning
— Understand the request - response cycle of Django.
— Guide to Data Cleaning and Preparation for Analysis using Pandas library in Python
— Unveiling the Power of the Proxy Design Pattern with a Remote API Example in Python
— "Which job sectors are witnessing a surge in demand for AI and Data Science professionals?"
— Data Science with Python and Java: A Dynamic Duo for Modern Analytics
— Comment ajouter des hyperliens à Excel avec Python
Посмотреть:
🌐 AI in a Minefield: Learning from Poisoned Data - Johnathan Roy Azaria (⏱ 37:07)
🌐 Orchestrating Data Assets instead of Tasks, with Dagster - Sandy Ryza (⏱ 31:06)
Хорошего дня!
@machinelearning_ru
Почитать:
— Пережевывая Матрицу Несоответствий — Confusion Matrix
— Устранение галлюцинаций в LLM
— Раскладываем по полочкам тезисы из видео «Из голоса банка — в фильмы 18+»
— YandexGPT тоже провалил тест на ручник
— Шпаргалка по Seaborn. Делаем матрицы красивыми
— 7 советов, как сделать чат-бота похожим на настоящего человека
— Генерация паспортных данных для обучения моделей
— Классификация грибов методами ML
— Наш опыт внедрения платформы чат-ботов в помощь команде поддержки
— Определение токсичности комментариев с помощью глубокого обучения
— Simple Weather notification project built with python in mobile.
— Why Java Is an Object-Oriented Programming Language?
— Elastic D&D - Week 2 - Streamlit & the Login Page
— Supervised Learning
— Understand the request - response cycle of Django.
— Guide to Data Cleaning and Preparation for Analysis using Pandas library in Python
— Unveiling the Power of the Proxy Design Pattern with a Remote API Example in Python
— "Which job sectors are witnessing a surge in demand for AI and Data Science professionals?"
— Data Science with Python and Java: A Dynamic Duo for Modern Analytics
— Comment ajouter des hyperliens à Excel avec Python
Посмотреть:
🌐 AI in a Minefield: Learning from Poisoned Data - Johnathan Roy Azaria (⏱ 37:07)
🌐 Orchestrating Data Assets instead of Tasks, with Dagster - Sandy Ryza (⏱ 31:06)
Хорошего дня!
@machinelearning_ru
👍5❤2🥰1
🔥 Wow, NVIDIA’s Rendering, But 10X Faster!
https://www.youtube.com/watch?v=TLK3TDDcJFU
@machinelearning_ru
https://www.youtube.com/watch?v=TLK3TDDcJFU
@machinelearning_ru
YouTube
Wow, NVIDIA’s Rendering, But 10X Faster!
❤️ Check out Fully Connected by Weights & Biases: https://wandb.me/papers
📝 The paper "3D Gaussian Splatting for Real-Time Radiance Field Rendering" is available here:
https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/
Unofficial implementation:…
📝 The paper "3D Gaussian Splatting for Real-Time Radiance Field Rendering" is available here:
https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/
Unofficial implementation:…
👍3❤2🔥2
▪Видео
▪Код из видео
▪Упражнения по Numpy
@machinelearning_ru
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👍4🔥1
▪Видео
▪Код из видео
@machinelearning_ru
Please open Telegram to view this post
VIEW IN TELEGRAM
👍5❤2👎1🔥1
Примите участие в AI Challenge - международном конкурсе по искусственному интеллекту для молодежи от Сбера
Это отличная возможность для школьников и выпускников до 18 лет получить знания и навыки в области искусственного интеллекта, а также приобрести друзей со всего мира.
Участники будут соревноваться в пяти направлениях: от медицины до креативных индустрий.
Отбор пройдет в 4 этапа: регистрация, командная работа, финальный этап с защитой перед экспертами и награждение. Призовой фонд разделят победители в каждом направлении.
Зарегистрироваться можно прямо сейчас на сайте конкурса.
Это отличная возможность для школьников и выпускников до 18 лет получить знания и навыки в области искусственного интеллекта, а также приобрести друзей со всего мира.
Участники будут соревноваться в пяти направлениях: от медицины до креативных индустрий.
Отбор пройдет в 4 этапа: регистрация, командная работа, финальный этап с защитой перед экспертами и награждение. Призовой фонд разделят победители в каждом направлении.
Зарегистрироваться можно прямо сейчас на сайте конкурса.
🦙TinyLlama-1.1B
Проект TinyLlama для предварительно обученых моделей Llama 1,1 млрд- 3 трлн. токенов.
TinyLlama использует точно такую же архитектуру и токенизатор, как и в Llama 2. Это означает, что TinyLlama может быть подключена и работать во открытых проектах, построенных на базе Llama. Ее компактность позволяет использовать модель во множестве приложений, с ограниченным объемом вычислений и памяти.
▪Github
@machinelearning_ru
Проект TinyLlama для предварительно обученых моделей Llama 1,1 млрд- 3 трлн. токенов.
TinyLlama использует точно такую же архитектуру и токенизатор, как и в Llama 2. Это означает, что TinyLlama может быть подключена и работать во открытых проектах, построенных на базе Llama. Ее компактность позволяет использовать модель во множестве приложений, с ограниченным объемом вычислений и памяти.
▪Github
@machinelearning_ru
🔥10❤2👍1
🔥 Дайджест полезных материалов из мира Машинного обучения за неделю
Почитать:
— Machine Learning: хорошая подборка книг для начинающего специалиста
— Как понять, что клиента пора реактивировать?
— Книга «Математика в машинном обучении»
— Что нового в Pandas 2.1
— Готовые скрипты Python
— Влад Грозин о PhD в США, философии в Data Science, пузыре рекомендаций и голодающих геймерах
— Руководство по масштабированию MLOps
— Чем мы можем заменить тест Тьюринга
— Как (быстро) сделать русский локальный ChatGPT
— «SAM и тут и сям»: Segment Anything Model в задачах компьютерного зрения (часть 2)
— LLaMa vs GigaChat: может ли опенсорсная модель работать лучше LLM с 13 млрд параметрами?
— YandexGPT 2 — большое обновление языковой модели Яндекса
— Deploying Apps on Render
— Mastering ZIP File Handling in Python: Reading and Creating Zip Archives
— The Minion Game - HackerRank Solution Python
— Iterables and Iterators - HackerRank Solution Python
— Regex Substitution - HackerRank Solution Python
— How to Solve the "No Idea!" Challenge in Python
— 🌐 UN Goals : Education & Gender Equity ⚖️
— Starting my Journey in Open Source
— Created a toggle_state_button with PyQt5
— Accelerating Releases with Pulumi: My Proxy Project Journey
Посмотреть:
🌐 Lightning Interview “Beyond the Code: How AI Is Disrupting the Programmer's Role” (⏱ 58:40)
🌐 Introduction to Generative Art with Stable Diffusion, presented by HP Inc - Hunter Kempf (⏱ 43:48)
🌐 Emerging Approaches to AI Governance: Tech-Led vs Policy-Led - Ilana Golbin (⏱ 44:36)
Хорошего дня!
@machinelearning_ru
Почитать:
— Machine Learning: хорошая подборка книг для начинающего специалиста
— Как понять, что клиента пора реактивировать?
— Книга «Математика в машинном обучении»
— Что нового в Pandas 2.1
— Готовые скрипты Python
— Влад Грозин о PhD в США, философии в Data Science, пузыре рекомендаций и голодающих геймерах
— Руководство по масштабированию MLOps
— Чем мы можем заменить тест Тьюринга
— Как (быстро) сделать русский локальный ChatGPT
— «SAM и тут и сям»: Segment Anything Model в задачах компьютерного зрения (часть 2)
— LLaMa vs GigaChat: может ли опенсорсная модель работать лучше LLM с 13 млрд параметрами?
— YandexGPT 2 — большое обновление языковой модели Яндекса
— Deploying Apps on Render
— Mastering ZIP File Handling in Python: Reading and Creating Zip Archives
— The Minion Game - HackerRank Solution Python
— Iterables and Iterators - HackerRank Solution Python
— Regex Substitution - HackerRank Solution Python
— How to Solve the "No Idea!" Challenge in Python
— 🌐 UN Goals : Education & Gender Equity ⚖️
— Starting my Journey in Open Source
— Created a toggle_state_button with PyQt5
— Accelerating Releases with Pulumi: My Proxy Project Journey
Посмотреть:
🌐 Lightning Interview “Beyond the Code: How AI Is Disrupting the Programmer's Role” (⏱ 58:40)
🌐 Introduction to Generative Art with Stable Diffusion, presented by HP Inc - Hunter Kempf (⏱ 43:48)
🌐 Emerging Approaches to AI Governance: Tech-Led vs Policy-Led - Ilana Golbin (⏱ 44:36)
Хорошего дня!
@machinelearning_ru
👍9❤1