Наконец-то появился мощный курс по LLM для тех, кто хочет углубиться в тему 🔥

Вас ждут лекции о промт-инжиниринге, файнтюнинге (как и зачем это делать?), а также о RAG — методе, позволяющем обучить ChatGPT на нужных данных без файнтюна. Кроме того, вы узнаете, как оценивать LLM-модели.

Этот курс уникален: все лекции записаны опытными специалистами из Meta, Anthropic, Mistral и других передовых компаний в сфере ИИ.

Курс включает текстовые саммари, презентации, примеры кода и полезные ссылки на ресурсы.

Требования минимальны: базовые знания в области LLM и понимание ключевых терминов.

Ссылка на курс — здесь

👉 @DataSciencegx | #курсы

👩‍💻 Best-of Machine Learning with Python

Это репозиторий с 920 библиотеками и фреймворками на Python для машинного обучения. Все проекты ранжированы по качеству.

Репозиторий можно использовать как источник инструментов под различные нужды, в частности:

⏩для непосредственно машинного обучения;
⏩для визуализации данных;
⏩для работы с финансовыми, медицинскими и другими особыми данными;
⏩для оптического распознавания символов;
⏩для поиска ближайших элементов в больших наборах данных, основываясь на их векторных представлениях.

🔜 Ссылка на репозиторий

👉 @DataSciencegx | #ресурсы

🤩 Deep Learning Models

Репозиторий с коллекцией моделей и архитектур глубокого обучения. Все они представлены в Jupyter Notebook.

Репо охватывает модели:

— Перцептрон;
— Многослойный перцептрон;
— Свёрточные нейронные сети (AlexNet, LeNet и др.);
— Transformers;
— Генеративно-состязательные сети (GAN);
— Графовые нейронные сети.

🔜 Ссылка на репозиторий

👉 @DataSciencegx | #ресурсы

Основы инженерии данных: как создавать надёжные системы обработки данных

Автор: Д. Рис, М. Хоусли
Год: 2024

📂 Скачать книгу

👉 @DataSciencegx | #книги

Бесплатные материалы с теорией и практикой математики для Data Science

Авторы из Amazon написали целый раздел по математике для сайта d2l.ai. Там есть про:

⏩векторы и линейные преобразования;
⏩спектральное разложение матрицы;
⏩дифференциальное исчисление;
⏩анализ функций многих переменных;
⏩интегральное исчисление;
⏩метод максимального правдоподобия;
⏩распределения;
⏩статистику;
⏩теорию информации.

Материал изложен на английском, но зато хорошо структурирован и сопровождается всеми необходимыми формулами и примерами кода.

Крутой бонус – можно выбрать диалект, на котором вам будут показываться примеры – PyTorch, Keras или MXNET.

🔜 Изучить всё можно по этой ссылке

👉 @DataSciencegx | #ресурсы

Отличные визуальные объяснения ключевых концепций и алгоритмов машинного обучения

MLU-Explain — проект Amazon, созданный для упрощения изучения теоретических и практических основ машинного обучения

Каждая из представленных тем сопровождается доступными объяснениями и интерактивными графиками:
⏩Нейронные сети
⏩Equality of odds
⏩Логистическая регрессия
⏩Линейная регрессия
⏩Обучение с подкреплением
⏩Случайный лес и др.

🔜 Перейти на сайт

👉 @DataSciencegx | #ресурсы

Базовая математика для искусственного интеллекта

Автор: Нельсон Хала
Год: 2024

⬇️ Скачать книгу

👉 @DataSciencegx | #книги

Теоретические основы популярных алгоритмов машинного обучения и их реализация с нуля на Python

Автор «Хабра» Егор Захаренко составил список собственных статей с описанием популярных алгоритмов классического машинного обучения. К каждой статье прилагается код на Python.

Обучение с учителем

⏩ Линейная регрессия и её модификации
⏩ Логистическая и Softmax-регрессии
⏩ Линейный дискриминантный анализ (LDA)
⏩ Наивный байесовский классификатор
⏩ Метод опорных векторов (SVM)
⏩ Метод K-ближайших соседей (KNN)
⏩ Дерево решений (CART)
⏩ Бэггинг и случайный лес
⏩ Алгоритмы AdaBoost (SAMME & R2)
⏩ Градиентный бустинг и его модификации
⏩ Стекинг и блендинг

Обучение без учителя

⏩ Метод главных компонент (PCA)
⏩ Популярные алгоритмы кластеризации

🔜 Ноутбуки с алгоритмами можно скачать на Kaggle и GitHub.

👉 @DataSciencegx | #ресурсы

Расширенная аналитика с PySpark: Практические примеры анализа больших наборов данных с использованием Python и Spark

Автор: Акаш Тандон, Сэнди Райза, Ури Ласерсон
Год: 2023

⬇️ Скачать книгу

👉 @DataSciencegx | #книги

🔥 Практическое видео по работе с базовым набором DS-инструментов

Видео с введением в основные библиотеки и инструменты для науки о данных и машинного обучения. Предназначено для начинающих.

Таймкоды:
⏩ Программирование на Python
⏩ Анализ данных с Pandas
⏩ Анализ данных с NumPy
⏩ Визуализация данных с Matplotlib
⏩ Визуализация данных с Seaborn
⏩ Визуализация данных с Plotly
⏩ Проект по анализу данных
⏩ Машинное обучение со Scikit-learn
⏩ Проект по машинному обучению

🔜 Ссылка на ролик

👉 @DataSciencegx | #курсы

Python для data science

Автор: Васильев Ю.
Год: 2023

⬇️ Скачать книгу

👉 @DataSciencegx | #книги

🔥 Почти 1000 опенсорсных LLM-инструментов

На этом сайте каждые 6 часов обновляется llama-police — список инструментов на основе больших языковых моделей (LLM) с открытым исходным кодом. В таблице перечислены репозитории таких проектов, их краткое описание, количество контрибьюторов, звёзд и т.д.

🔜 Большинство из проектов также можно найти в cool-llm-repos на GitHub.

🔜 Ссылка на сайт

👉 @DataSciencegx | #ресурсы

Глубокое обучение с fastai и PyTorch. Минимум формул, минимум кода, максимум эффективности

Автор: Гуггер Сильвейн, Ховард Джереми
Год: 2022

⬇️ Скачать книгу

👉 @DataSciencegx | #книги

🔥 Бесплатный курс по компьютерному зрению от Hugging Face

Этот курс предлагает пошаговое введение в основы компьютерного зрения, включая как теорию, так и практические занятия. В нём можно найти следующие темы:

⏩Основы компьютерного зрения;
⏩Свёрточные нейронные сети;
⏩Визуальные трансформеры;
⏩Генеративные модели;
⏩Обработка видео;
⏩Машинное 3D-зрение, визуализация сцен и реконструкция;
⏩Zero-shot зрение (позволяет компьютерам распределять объекты по классам, которые они раньше не видели);
⏩Этические аспекты компьютерного зрения.

🔜 Ссылка на курс

👉 @DataSciencegx | #курсы

⚡️ Awesome Machine Learning — фреймворки и библиотеки для ML

Репозиторий содержащий подборку полезных ресурсов, библиотек и инструментов для изучения и работы с машинным обучением (ML).

🔜 Ссылка на репозиторий Awesome Machine Learning

👉 @DataSciencegx | #ресурсы

🔢 Калькулятор для расчёта необходимого размера выборки для A/B тестов

Реддитор поделился сайтом, который сделал, чтобы облегчить себе жизнь.

Калькулятор может:
⏩работать с разными пропорциями распределения групп (например, 20/80),
⏩поддерживать более двух тестируемых групп помимо,
⏩выбирать между односторонним и двусторонним статистическим тестом.

🔜 Ссылка на калькулятор

👉 @DataSciencegx | #ресурсы

Профессор Том Йет создал Google Sheets, в котором предлагает вам самостоятельно вычислить архитектуру Transformer

В таблице представлены все матрицы, составляющие систему, и ваша задача — вычислить результирующие матрицы. Ответы, указанные прописными буквами, можно скрыть для самопроверки.

Также автор делится полезными материалами для лучшего понимания архитектуры Transformer.

👉 @DataSciencegx | #ресурсы