🔖 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

📌 Чат для общения:

https://t.me/+jX2tOe_lff40NDNh

Здесь вы можете обсудить любые вопросы и пообщаться друг с другом в приятной атмосфере!

🔖 Гарвард выпустил ультрабазу по ML — новый учебник, посвящённый инженерным аспектам и построению нейросетей с нуля. В книге аж больше 2500 страниц.

Авторы подробно разбирают, как проектировать, оптимизировать и поддерживать ML-системы на всех этапах — от подготовки данных до продакшена.

Отдельный акцент сделан на связке алгоритмов, данных и аппаратных ресурсов, чтобы модели оставались стабильными под нагрузкой.

Онлайн-учебник лежит — здесь.
Репозиторий — тут.

tags: #полезное

➡ Data Scientist | Чат

🔖 100 Days of ML Code — пошаговое погружение в машинное обучение

Автор репозитория собрал план на 100 дней, где каждый день посвящён отдельной теме — от базовой математики и статистики до нейронных сетей и продакшен-пайплайнов.

Всё сопровождается кодом, краткими объяснениями и примерами в Jupyter.

Что внутри:

▶️ Подробный 100-дневный план изучения ML с ежедневными задачами;

▶️ Конспекты по теории и математике для машинного обучения;

▶️ Практические ноутбуки с реализациями алгоритмов на Python;

▶️ Темы — от регрессии и SVM до нейронных сетей и NLP;

▶️ Материалы для повторения и закрепления на каждом этапе.

Отличный старт для тех, кто хочет системно освоить ML с нуля и без платных курсов.

Забираем — здесь.

tags: #полезное

➡ Data Scientist | Чат

🔖 Бесплатный курс по глубокому обучению

Нашли мощный курс, где показывают, как применять нейросети на практике — от базовых алгоритмов до реальных проектов.

После прохождения вы сможете:

▶️ Применять алгоритмы машинного обучения на практике;

▶️ Строить нейросети для задач компьютерного зрения на Python;

▶️ Подключать модели к проектам — от телеграм-ботов до web-демо.

Доступно два уровня сложности: базовый курс и продвинутый курс, поэтому подойдёт и новичкам, и тем, кто уже разбирается в теме.

tags: #полезное

➡ Data Scientist | Чат

🔖 40 методов NumPy, которые покрывают 95% задач

Удобная шпаргалка для тех, кто работает с анализом данных и ML.

Здесь собраны основные функции для:

▶️ Создания и изменения массивов;
▶️ Математических операций;
▶️ Работы с матрицами и векторами;
▶️ Сортировки и поиска значений.

Сохраните себе — пригодится при работе с NumPy.

tags: #полезное

➡ Data Scientist | Чат

Машинное обучение глазами новичка в Data Science

➡ Data Scientist | #memes

📰 ML глазами практика и препода. Часть 1: новая парадигма знаний или всё-таки хайп?

Машинное обучение уже не просто технология, а способ мышления, меняющий саму логику разработки — от программирования через правила к обучению на данных.

В статье — взгляд опытного датасаентиста на то, как ML перестраивает инженерные процессы, культуру команд и границы между исследованием, продуктом и этикой.

⛓ Читать статью

tags: #статья

➡ Data Scientist | Чат

Как владельцы Макбуков в модной кофейне видят твой Lenovo ThinkPad:

➡ Data Scientist | #memes

🔖 PyTorch для новичков: вся база по тензорам в одном месте

Сборник базовых приёмов работы с тензорами в PyTorch — для тех, кто начинает знакомство с фреймворком и хочет быстро освоить его основы.

Что внутри:

▶️ Что такое тензоры и зачем они нужны

▶️ Инициализация тензоров: нули, единицы, рандом, похожие по размеру

▶️ Преобразование типов и переход между NumPy и PyTorch

▶️ Арифметика, логические операции, сравнение тензоров

▶️ Матричное умножение и батчевые вычисления

▶️ Broadcasting, view(), reshape(), изменение размерностей

▶️ Индексация и срезы: как обращаться к частям тензора

▶️ Ноутбук с примерами кода

Хороший стартовый материал, чтобы понять механику тензоров до перехода к моделям и обучению.

⛓ Ссылка на GitHub

tags: #полезное

➡ Data Scientist | Чат

🔖 Шпаргалка по Python

Делимся годной шпаргалкой, которая выручает, когда нужно быстро освежить синтаксис в памяти.

В этой краткой шпаргалке охвачено всё самое важное — можно распечатать и держать под рукой.

tags: #полезное #шпаргалка

➡ Data Scientist | Чат