❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_149

🔠 Какие есть методы SVD?

- Ядерное SVD (Kernelized SVD): Этот метод применяет ядерные функции для нелинейного преобразования данных, что позволяет учесть нелинейные зависимости между пользователями и предметами.

- SVD++, SVD-Bias: Эти вариации SVD учитывают дополнительные факторы, такие как смещение (bias) предметов и пользователей, а также информацию о неявных оценках или взаимодействиях.

- Sparse SVD: Этот метод предназначен для работы с разреженными матрицами взаимодействий, которые часто встречаются в реальных рекомендательных системах. Он учитывает разреженность данных для более эффективной факторизации.

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_150

🔠 Какие еще методы факторизации используются в рекомендательных системах?

Матричная факторизация с ограничениями (Matrix Factorization with Constraints): Этот метод включает в себя введение дополнительных ограничений на факторизованные матрицы, чтобы учесть дополнительную информацию или задачи. Например, можно добавить ограничение на разреженность факторизованных матриц или включить информацию о контексте или времени.

Non-negative Matrix Factorization (NMF): В NMF матрица взаимодействий представляется как произведение двух неотрицательных матриц меньшего размера. Этот метод широко используется при работе с неотрицательными данными, такими как рейтинги или счетчики.

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

🪙🪙🪙https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал. Все начал я вести платный контент. Не дорого, но полезно ))

👨‍💻👨‍💻👨‍💻Провел сравнительный тест Pandas vs Polars и все расписал, посмотреть можно здесь:
⬆️⬆️⬆️https://boosty.to/denoise_lab/donate

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_151

🔠 Какие еще методы факторизации используются в рекомендательных системах?

Probabilistic Matrix Factorization (PMF): PMF моделирует матрицу взаимодействий как вероятностное распределение, используя вероятностные методы и статистическую модель. Он позволяет учесть неопределенность в данных и обеспечивает более гибкую модель.

Factorization Machines (FM): FM являются более общим методом факторизации, который моделирует взаимодействия между пользователями и предметами, а также другие контекстуальные признаки. FM обрабатывает взаимодействия как взаимодействие между парами признаков и использует линейные и нелинейные комбинации этих пар для предсказания рекомендаций.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_152

🔠 Можете ли вы привести примеры применения Probabilistic Matrix Factorization (PMF) в рекомендательных системах?

Рекомендации фильмов: В случае рекомендаций фильмов, PMF может быть использован для моделирования матрицы взаимодействий между пользователями и фильмами. PMF представляет матрицу взаимодействий как вероятностное распределение, где каждый элемент матрицы представляет вероятность взаимодействия между пользователем и фильмом. Затем PMF факторизует эту матрицу на две более низкоразмерные матрицы, представляющие скрытые факторы пользователей и фильмов.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

☄️Ребят напоминаю, все наши соцсети:

🔼Telegramm: https://t.me/DenoiseLAB
🔼TelegrammChat: https://t.me/DenoseLABChat
🔼Profi.ru: https://profi.ru/profile/MironovVO8/
🔼YouTube: https://www.youtube.com/@DenoiseLAB
🔼Business Card: https://taplink.cc/denoiselab
🔼Habr: https://habr.com/ru/users/CrXf_17/
🔼Boosty: https://boosty.to/denoise_lab/donate
🔼Dzen: https://dzen.ru/profile/editor/denoiselabtalk

🤝🤝🤝Ребят всем привет!!!

👍👍👍https://youtu.be/cQmuu0NJvVw - Новое видео не канале, выпуск №7.

⬆️⬆️⬆️На этот раз говорим про One Hot Encoding, что это такое и как он работает.

Очень жизненный мем, но работает точно. Проверил на хакатонах. Первый месяц все идут ровно, ноздря в ноздрю. Потом начинается "разброд и шатание". А какие еще гипотезы проверить, а какие фичи еще накрутить и начинается паника )).

Где взять аналитиков, чтобы накидали идей. В реальном продакшене на серьезной задаче, гипотез проверяется, примерно, под полсотни, перерывается куча статей, данные просеиваются с такой скоростью и такие конвейры строятся, что потом диву даешься как вообще такое можно было найти )).

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_152

🔠 Можете ли вы привести примеры применения Probabilistic Matrix Factorization (PMF) в рекомендательных системах? (Часть_2)

Рекомендации товаров: В контексте электронной коммерции, PMF может быть применен для моделирования матрицы взаимодействий между пользователями и товарами. Это может быть матрица рейтингов, покупок или просмотров товаров. PMF моделирует эту матрицу как вероятностное распределение и факторизует ее на две матрицы более низкого ранга, представляющие скрытые факторы пользователей и товаров. Затем полученные факторизованные представления могут быть использованы для рекомендации новых товаров пользователям на основе вероятностей взаимодействия.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_152

🔠 Можете ли вы привести примеры применения Probabilistic Matrix Factorization (PMF) в рекомендательных системах? (Часть_3)

Рекомендации музыки: PMF может также применяться в рекомендательных системах для рекомендации музыки. Матрица взаимодействий может представлять собой историю прослушивания пользователей или их оценки песен. PMF моделирует эту матрицу как вероятностное распределение и факторизует ее на матрицы меньшего размера, представляющие скрытые факторы пользователей и песен. Затем полученные факторизованные представления могут быть использованы для рекомендации новых песен пользователям на основе вероятностей взаимодействия.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_153

🔠Можете ли вы объяснить, как PMF учитывает неопределенность в данных? (Часть_1)

Probabilistic Matrix Factorization (PMF) учитывает неопределенность в данных, моделируя матрицу взаимодействий между пользователями и элементами (например, рейтингами, покупками или просмотрами) как вероятностное распределение.

В PMF каждый элемент матрицы взаимодействий рассматривается как случайная величина, имеющая определенное распределение вероятности. Обычно для моделирования рейтинговых данных используется распределение нормального (гауссовского) типа. Вероятностное распределение позволяет оценивать, насколько наблюдаемые значения соответствуют модели и учитывает неопределенность в предсказаниях.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_153

🔠Можете ли вы объяснить, как PMF учитывает неопределенность в данных? (Часть_2)

При обучении PMF происходит итеративный процесс, в котором оптимизируются параметры модели, такие как факторизованные представления пользователей и элементов, а также параметры распределения. Процесс максимизации правдоподобия позволяет модели адаптироваться к данным и учесть неопределенность в предсказаниях, учитывая разброс и шум в данных.

Таким образом, PMF моделирует неопределенность в данных, представляя матрицу взаимодействий как вероятностное распределение и используя метод максимального правдоподобия для оптимизации параметров модели. Это позволяет более точно оценивать вероятности взаимодействия и учитывать неопределенность при генерации рекомендаций в рекомендательных системах.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

🌡🌡🌡По долгу службы приходится очень много перебирать материала, искать новые интересные решения и кодить. Всегда заниматься оптимизацией кода и много рефлексировать над ним. И вот в процессе подготовки возникает такая история, что находишь вещи из будущего ))

🔼🔼🔼Год издания 2024!!!, вероятно ребята о чем то знают. Так и хочется сказать ребят, а можно книжку которая будет актуальна лет через 5 ))

😂Новый прикол, я уже проверил, в ChatGPT-4 работает. Машинка откровенно стала "забивать" на пользователя и "выкатывает" только ту часть кода, где надо "пофиксить" ваши баги и недочеты.

Ну, наконец-то нормальный помощник, а не вот это ваше все, щас все будет по шоколаду. А то я уже устал перечитывать целые "простыни" своего кода.

Осталось совсем немного, чтобы он начал говорить:
- Слушай бро, давай завтра, че-то сегодня я не ресурсе ))

⬆️Давай дружок эволюционируй, тебе до настоящего кодера совсем чуть-чуть, осталось немножко ))) ахахаха

🧠P.S. Я "затестил" и другие помогаторы и ты не поверишь там такая же тема: Writesonic, Phind, Poe и т.д.

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

🤝Несколько соображений на тему увольнение ключевых игроков OpenAI...

👉То, что они заявляли на конференции (близость к человеческому интеллекту) по факту не удалось достичь (P.S. И вряд ли получится). Видно было, на презентации как им реально не по себе и парни в панике и откровенном тупике. Поэтому, чтобы Майкрософт остался в "белом" перед инвесторами, нужна была жертва. И эту жертву дали. Более того, количество заявленных вопросов и кома нерешенных проблем так и осталось не решенными:

☄️ Интеграции в корпоративный сектор (местный/международный) - нет/нет (потенциальная утечка данных и корпоративных секретов);
☄️ Тестирование и анализ границ посредством этики Red Team - нет (не могут отловить все баги, так как границы постоянно расширяются, и в целом не совсем понятно, что надо ловить);
☄️ Возросшие затраты на мощности - нет (OpenAI самый дорогой стартап в мире 100 млрд долларов, дешевле только ГазПром 50 млрд долларов);
☄️ Наполнение реальными уникальными идеями, а не темами в стиле "Нарисуй Гомера с пивом" - нет (масса победила, а для эволюции нужны уникальные идеи и промпты);
☄️ Интеграции и основополагающие сторонние разработки - нет (все запили свое, в целом ситуация нормальная, так делали всегда, так как у всех свои пайплайны, и свои инструменты);
☄️ Быстрый сбор данных и потеря обороноспособности страны, которая использует эту игрушку (но тут я думаю без комментариев).
и т.д.

😵А что еще вы думаете напишите в комментариях...

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_154

🔠Можете ли вы объяснить, как происходит оптимизация параметров модели в PMF? (Часть_1)

Формулирование модели: Сначала определяется вероятностная модель для PMF, которая включает предположения о распределении данных и параметры модели. Наиболее распространенное предположение состоит в моделировании рейтинговых данных с использованием нормального (гауссовского) распределения.

Логарифмическая функция правдоподобия: Для оптимизации параметров модели используется логарифмическая функция правдоподобия (log-likelihood function). Эта функция оценивает, насколько хорошо модель соответствует наблюдаемым данным.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

🤝Ребятки, если вам надо изменить голос на записи, вот вам парочка отличных инструментов по данной теме. Какие-то бесплатные какие-то условно-бесплатные. Так что, залетаем тестим и смотрим пригодится ли вам это в вашем продакшене.

✔️ Voice Spice (https://voicespice.com)
✔️ Voice Changer Plus (iOS) (https://apps.apple.com/us/app/voice-changer-plus/id339440515)
✔️ VIPole Secure Messenger (https://www.vipole.com)

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.