📰 Краткая история машинного зрения: от статьи Селфриджа до первых патентов

Когда мы говорим о машинном зрении, чаще всего вспоминаем современные камеры, нейросети и OpenCV. Но всё началось гораздо раньше — с попытки объяснить, как машина может «видеть» мир так же, как человек.

В 1955 году Оливер Селфридж из MIT предложил первый алгоритм распознавания образов и, по сути, задал направление всей области. В статье рассказывается о том, как идеи 50-х превратились в технологии, которые сегодня лежат в основе компьютерного зрения и нейросетей.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 Matplotlib: полное руководство по визуализации данных

В статье представлено пошаговое руководство по работе с Matplotlib — одной из самых популярных библиотек для визуализации данных на Python.

Автор объясняет основы построения графиков, настройку внешнего вида и делится примерами кода, которые помогут быстро освоиться и применять визуализацию в своих проектах.

⛓ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 Черный ящик с мозгами внутри: простое введение в нейросети

В статье даётся базовое представление о том, как работают нейросети: что такое персептрон, как устроены слои, веса и процесс обучения.

Автор объясняет, как эти принципы используются для обработки данных и почему нейросети эффективно решают сложные задачи.

⛓ Читать статью

tags: #статья

➡ Data Scientist | Чат

🔖 Машинное обучение без воды — один учебник, вся математика

Огромный том, в котором собран весь фундамент ML: чистая теория, алгоритмы и математика без лишних слов. Идеально, если хотите глубоко понять, как всё работает.

Внутри:

— Анализ, линал и тервер для прочного фундамента;
— Оптимизация — от SGD до проксимальных методов;
— Линейные модели, SVM, деревья, бустинг, нейросети;
— Генеративка: MCMC, вариационные подходы, графовые модели, GAN;
— PCA, кластеризация, факторный анализ, обучение на многообразиях;
— Теория обобщающей способности моделей и неравенства концентрации.

Ссылка на учебник — здесь.

tags: #полезное

➡ Data Scientist | Чат

📰 Как написать простейшую нейросеть: простыми словами о сложном

В статье простыми шагами показано, как написать с нуля нейросеть, которая учится решать задачу XOR.

Автор объясняет всё без сложной математики: немного кода, запуск, результат и разбор, чтобы быстро понять, как это работает.

⛓ Читать статью

tags: #статья

➡ Data Scientist | Чат

➡ Data Scientist | Чат

🔖 Cursor выпустили часовой курс по нейросетям — бесплатно и по делу

За ~1 час разберут базу работы с LLM и продвинутые приёмы — как создавать собственных агентов, интегрировать разные модели и использовать секретные фишки рабочего процесса. Подойдёт тем, кто хочет быстро перейти от теории к практике.

Что внутри (кратко):

▶️ Основы разработки с нейросетями;
▶️ Создание и оркестрация агентов;
▶️ Работа с разными моделями и их интеграция;
▶️ Практические приёмы и «фишки» продуктивной разработки.

Пройти курс — тут.

tags: #полезное

➡ Data Scientist | Чат

🔖 Машинное обучение — всё, что нужно знать

В видео подробно рассказывается, как работает машинное обучение: от линейной регрессии и деревьев решений до нейросетей и обучения с подкреплением.

Автор показывает этапы построения ML-проекта, объясняет принципы обработки данных и помогает сформировать целостное понимание подходов и задач.

📱 Смотреть на YouTube

tags: #полезное

➡ Data Scientist | Чат

📰 Краткий курс машинного обучения: нейросеть для скоринговой модели

Машинное обучение уже давно стало инструментом не только для исследователей, но и для решения прикладных бизнес-задач.

В этой статье показано, как на практике перейти от классического скоринга к нейросети, способной точнее прогнозировать поведение клиентов.

Что вы узнаете в статье:

▶️ Как подготовить анкетные данные и провести корректный препроцессинг;

▶️ Как построить и обучить простую нейросеть для бинарной классификации;

▶️ Как сравнить качество моделей с помощью метрик accuracy, recall и F1;

▶️ Как интерпретировать веса обученной сети и использовать их в скоринговой формуле.

Подробный разбор для тех, кто хочет увидеть, как теоретические методы машинного обучения применяются в реальных продуктах.

⛓ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 Йошуа Бенджио — первый в мире учёный в ИИ с миллионом цитирований

Один из отцов современного искусственного интеллекта, лауреат премии Тьюринга и соавтор основ глубокого обучения Йошуа Бенджио пробил отметку в 1 000 000 цитирований по данным Google Scholar.

До этого ни один исследователь в области Computer Science и Machine Learning не достигал такого уровня — в целом учёных с такой цитируемостью в мире единицы.

tags: #новости

➡ Data Scientist | Чат

📰 «Мы решили задачу омографов и ударений в русском языке»

Команда Silero представила практическое решение одной из самых сложных задач русского NLP — расстановки ударений и различения омографов.

Авторы разбирают, почему эта задача не сводится к простой классификации, как они собрали датасет и какие проблемы выявили в существующих моделях.

Что вы узнаете в статье:

▶️ Почему задача ударений и омографов до сих пор остаётся вызовом для ML-моделей;

▶️ Как был собран и размечен корпус из 122 млн предложений;

▶️ Какие ошибки допускают существующие библиотеки;

▶️ Как устроена и работает библиотека silero-stress;

▶️ Как подключить модель через PyPI или Torch Hub.

Интересный кейс о том, как применить машинное обучение к реальной языковой задаче и довести её до продакшена.

⛓ Читать статью

tags: #статья

➡ Data Scientist | Чат

🔖 Стэнфорд запустил бесплатный курс по созданию LLM — в нем буквально учат собирать свой GPT

В свежем курсе CME 295 разбирается, как устроены большие языковые модели вроде GPT и Llama, как их тренировать, дообучать и превращать в работающих агентов.

Каждая лекция сопровождается слайдами, шпаргалками и видео. Уже доступны первые четыре — про устройство трансформеров и основы LLM, новые выйдут до 10 декабря.

Забираем — здесь.

tags: #полезное

➡ Data Scientist | Чат