📱 Подборка видео по PyTorch и нейросетям

Это не полноценный курс с единой программой, а собранная в одном плейлисте коллекция из девяти отдельных видео по PyTorch и нейросетям.

Внутри материалы разного уровня и формата, которые подойдут для выборочного изучения тем, практики и общего понимания направления.

Что здесь есть:

🏮 Вводные видео по PyTorch и основам нейросетей;

🏮 Практические разборы с написанием кода и примерами проектов;

🏮 Материалы по компьютерному зрению и работе с медицинскими изображениями;

🏮 Примеры создания чат-ботов и моделей на PyTorch;

🏮 Разборы больших языковых моделей и генеративных нейросетей;

🏮 Примеры обучения агентов и задач с подкреплением;

🏮 Видео от разных авторов без общей учебной логики.

Подборка подойдёт тем, кто уже знаком с Python и хочет выборочно изучать PyTorch без строгого учебного плана — забираем здесь.

tags: #полезное

➡ Data Scientist | Чат

🔖 NVIDIA выпустила понятный гайд по fine-tuning LLM с Unsloth

Это вводный материал для тех, кто хочет быстро разобраться, как дообучать модели без лишней теории и экспериментов вслепую.

Внутри разбирают:

▶️ Подходы к обучению LoRA, FFT и RL и когда что применять

▶️ Зачем вообще делать fine-tuning и какие задачи он реально решает

▶️ Сколько данных и VRAM требуется на практике

▶️ Как обучать локально на DGX Spark, RTX-видеокартах и других конфигурациях

Хорошо подойдет, чтобы быстро разобраться, как дообучать LLM под свои задачи — читаем тут.

tags: #полезное

➡ Data Scientist | Чат

📰 Отслеживание людей в реальном времени с Ultralytics YOLO 11

В гайде разбирается, как с помощью Ultralytics YOLO11 реализовать устойчивый трекинг людей на видео с сохранением уникальных ID между кадрами.

Материал показывает, как эта модель применяется на практике — от анализа толп до построения интеллектуальных систем видеонаблюдения.

Что вы узнаете в статье:

▶️ Как YOLO11 присваивает и сохраняет ID объектов при трекинге

▶️ Какие алгоритмы используются для отслеживания перемещения между кадрами

▶️ Как применять модель для подсчёта людей и анализа плотности толпы

▶️ В каких задачах видеонаблюдения такой подход наиболее эффективен

▶️ Какие ограничения и требования есть у real-time трекинга

Статья даст практическое понимание того, как использовать YOLO11 для построения систем реального времени с отслеживанием людей.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 LLM в науке. Используем LLM в анализе эксперимента

Можно ли доверить анализ научного эксперимента самой нейросети? В этой статье исследователь проверяет влияние LLM на креативность студентов — и заодно использует LLM для обработки данных, расчётов и проверки гипотез.

Автор подробно разбирает, как большие языковые модели справляются с научными задачами, где они ошибаются, и почему даже самые точные вычисления могут давать ложные выводы без человеческого контроля.

Что вы узнаете в статье:

▶️ Как LLM помогла провести реальный эксперимент о влиянии искусственного интеллекта на креативность студентов;

▶️ Какие метрики — беглость, гибкость, оригинальность — использовались для анализа данных;

▶️ Почему ИИ не повышает, но и не снижает креативность, а меняет сам подход к генерации идей;

▶️ Как LLM действует как фильтр, убирая банальные ответы и усиливая сильных участников;

▶️ Почему доверять вычислениям нейросети без проверки опасно даже в академической среде.

В статье показано, как LLM может стать мощным инструментом научного анализа — но только при критичном подходе и осознанном контроле исследователя.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

Ошибочка вышла

➡ Data Scientist | #memes

➡ Data Scientist | #memes

📱 Pycaret: кратко про low-code библиотеку для ML

В статье рассматривается, как использовать PyCaret для создания, обучения и внедрения моделей машинного обучения с минимальным количеством кода.

Автор описывает основные модули библиотеки, демонстрируя их возможности с примерами кода.

⛓ Читать статью

tags: #статья

➡ Data Scientist | Чат

🔥 Шпаргалка по алгоритмам в Machine Learning

На шпаргалке изображены 10 алгоритмов и их временная сложность — удобно, чтобы всегда держать под рукой.

tags: #шпаргалка

➡️ Data Scientist | Чат

🔖 Как связаны диаграммы Вороного и параболоиды

Диаграмму Вороного можно получить через геометрическую интерпретацию в 3D. Для каждой точки xᵢ строится поверхность yᵢ(x) = D(xᵢ, x), где D — функция расстояния.

Диаграмма Вороного возникает как вертикальная проекция нижней оболочки всех этих поверхностей.

Если выбрать расстояние D(x, x′) = ‖x − x′‖², то поверхности yᵢ становятся параболоидами. В этом случае их нижняя оболочка образует плоские границы, а ячейки диаграммы Вороного получаются с линейными рёбрами.

Именно поэтому при квадратичном расстоянии диаграммы Вороного выглядят «прямыми», несмотря на параболическую природу построения.

tags: #полезное

➡ Data Scientist | Чат

🔖 Коллекция современных агентных систем

Редкий и действительно полезный репозиторий с разбором 17 примеров архитектур агентных систем — от минимальных прототипов до комплексных мультиагентных оркестраторов.

Внутри:

▶️ Готовые ноутбуки с реализациями;
▶️ Примеры взаимодействия агентов и маршрутизации задач;
▶️ Сравнение подходов к планированию, памяти и инструментам;
▶️ Практические советы по построению собственных систем.

Отличный способ быстро разобраться, как устроены современные AI-агенты, забираем — здесь.

tags: #полезное

➡ Data Scientist | Чат

📰 Локальные LLM модели: обзор и тестирование

Большие языковые модели перестали быть только облачными сервисами — сегодня многие из них можно запускать прямо на обычном ПК.

В статье собран практический обзор популярных локальных моделей и результаты их тестирования в реальных сценариях.

Что внутри:

▶️ В чем преимущества локальных LLM по сравнению с облачными: конфиденциальность, доступность, бесплатный API, корпоративные сценарии;

▶️ Как работать с Ollama: загрузка моделей, запуск через чат и API, управление через терминал;

▶️ Сравнительное тестирование моделей (Mistral, Llama 3.1, Qwen, Gemma, GPT-OSS, DeepSeek) на задачах фактологии, математики, кода и текста;

▶️ Результаты по скорости и точности: где локальные модели справляются лучше, а где уступают облачным;

▶️ Практические выводы — для каких задач подходят быстрые «легкие» модели, а где уместны более крупные и «думающие» варианты.

Материал будет полезен тем, кто хочет разобраться в локальных альтернативах ChatGPT и протестировать их в боевых условиях.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 Сила оттенков серого: компьютерное зрение с нуля

В мире CV все обсуждают нейросети, OpenCV и готовые пайплайны, но почти никто не задумывается, что стоит под капотом этих инструментов.

Автор решил отбросить все зависимости и собрать компьютерное зрение «с нуля» — только на пикселях, свёртках и минимальном C-коде.

Что вы узнаете из статьи:

▶️ Как устроены операции над пикселями и свёртки для размытия, резкости и выделения границ;

▶️ Как работают thresholding (фиксированный, Otsu, адаптивный) и морфология;

▶️ Как находить blob, центры масс, ограничивающие прямоугольники и контуры;

▶️ Как реализованы FAST и ORB: углы, ориентация и бинарные дескрипторы;

▶️ Как работают LBP-каскады для распознавания лиц без глубинных сетей.

Интересный обзор, который показывает, как из простых операций над пикселями вырастает полноценное компьютерное зрение.

➡️ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 Основы обучения и тестирования моделей нейросетей

Cтатья объясняет, как устроены процессы обучения и тестирования моделей. Разбирается, почему важно правильно делить данные, какие ошибки чаще всего допускают новички и как от этого зависит точность прогноза.

➡ Ссылка на статью

tags: #статья

➡️ Data Scientist | Чат

🔖 Нашли отличный PDF-гайд по AI-агентам — компактно, понятно и с иллюстрациями

Внутри собрано всё, что нужно, чтобы разобраться в теме с нуля и перейти к практике:

▶️ Как работают агенты и чем они отличаются от LLM и RAG;
▶️ Ключевые паттерны и архитектура агентных систем;
▶️ Основные компоненты и логика их взаимодействия;
▶️ Как создавать собственные инструменты через MCP;
▶️ 12 практических мини-проектов для самостоятельной сборки.

Забираем гайд — тут.

tags: #полезное

➡ Data Scientist | Чат

🔖 Полный курс по аналитике данных на Python

Нашли хороший курс из 7 модулей, где учат работать с данными на всех этапах — от сбора и обработки до визуализации и построения моделей.

Много практики, реальные кейсы и финальные проекты, которые можно добавить в портфолио.

Отличный вариант, чтобы уверенно войти в аналитику данных и добавить Data Science в свой стек, ссылка — тут.

tags: #полезное

➡ Data Scientist | Чат

📰 Промптинг и суеверия. Что (не) надо добавлять к запросу в ChatGPT

Вокруг промптинга давно крутятся советы вроде «добавь эту фразу — и модель станет умнее».

Однако исследование в статье показывает: большинство таких приписок бесполезны или дают эффект только в узких случаях.

Что вы узнаете в статье:

▶️ Работает ли приём «давай думать пошагово» и почему его эффект уменьшается в новых моделях

▶️ Когда эмоциональные добавки помогают креативности, а когда они бесполезны

▶️ Что происходит с качеством ответа, если упоминать срочность или обещать «чаевые»

▶️ Как вежливость и тон общения влияют на результат диалога с моделью

▶️ Какие приёмы реально повышают качество ответа и делают промпт более эффективным

Итог: эффективность промпта зависит не от красивых приписок, а от того, насколько ясно и конкретно поставлена задача.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

🗂 Подборка материалов для реализации ML-алгоритмов

Делимся репозиторием с Google Colab-ноутбуками, где показано, как шаг за шагом реализовать классические алгоритмы машинного обучения с нуля.

Каждый ноутбук — это не только код, но и разбор идей: от линейной регрессии и деревьев решений до градиентного бустинга и нейросетей.

➡ Ссылка на GitHub

tags: #полезное

➡ Data Scientist | Чат