Для поиска направлений, которые нельзя менять, алгоритм собирает информацию о поведении сети на старых данных.
Какая математическая структура анализируется для определения базиса «неприкосновенного» подпространства?
Какая математическая структура анализируется для определения базиса «неприкосновенного» подпространства?
Anonymous Quiz
57%
Матрица Якобиана, посчитанная на репрезентативной выборке из старой задачи
16%
Матрица смежности графа вычислений PyTorch
13%
Диагональ матрицы ошибок (Confusion Matrix) финального классификатора
10%
Скалярное произведение вектора таргета на вектор предсказаний
4%
Не знаю
🤩1
Как применяется принцип ортогональности при обучении нескольких LoRA-адаптеров под разные задачи на одной базовой модели?
Anonymous Quiz
15%
Адаптеры обучаются последовательно, полностью заменяя веса друг друга
8%
Каждый адаптер принудительно квантуется в формат INT2 с ортогональной маской
69%
Матрицы весов разных адаптеров заставляют быть ортогональными друг другу
1%
Ортогональность применяется только к токенам знаков препинания на инференсе
7%
Не знаю
👍2
🚀 Уже завтра стартует новый поток курса «ИИ-агенты»!
Мы собрали мощнейший состав преподавателей. Учить вас проектировать архитектуру и собирать продакшн-агентов будут инженеры и исследователи из топовых IT-компаний.
Старт уже завтра!
Сомневаетесь, подойдет ли вам программа и подача? Начните с бесплатного демо-урока!
Всего за 2 часа вы заглянете под капот ИИ-агента, поймете, чем мышление модели отличается от ее ответа, и научите систему чинить собственный код. Это идеальный способ протестировать нашу платформу перед покупкой.
🔗 Пройти демо-урок и занять место на курсе
Мы собрали мощнейший состав преподавателей. Учить вас проектировать архитектуру и собирать продакшн-агентов будут инженеры и исследователи из топовых IT-компаний.
Старт уже завтра!
Сомневаетесь, подойдет ли вам программа и подача? Начните с бесплатного демо-урока!
Всего за 2 часа вы заглянете под капот ИИ-агента, поймете, чем мышление модели отличается от ее ответа, и научите систему чинить собственный код. Это идеальный способ протестировать нашу платформу перед покупкой.
🔗 Пройти демо-урок и занять место на курсе
Представь два распределения вероятностей, которые не пересекаются. Мы хотим сдвинуть одно распределение к другому с помощью градиентного спуска.
Как ведут себя градиенты KL-дивергенции и метрики Васерштейна в такой ситуации?
Как ведут себя градиенты KL-дивергенции и метрики Васерштейна в такой ситуации?
Anonymous Quiz
31%
Градиент KL-дивергенции равен нулю, метрика Васерштейна дает стабильный, линейный градиент
33%
Градиент Васерштейна равен нулю, а KL-дивергенция дает идеальный вектор сдвига
21%
Обе метрики дают абсолютно идентичные градиенты при любых сдвигах
6%
Градиенты обеих метрик улетают в бесконечность, вызывая ошибку вычислений
9%
Не знаю
👍3
🔥 Стартуем СЕГОДНЯ! Новый поток курса «Разработка ИИ-агентов» открыт
По этому поводу мы решили выложить закрытую запись одного из уроков из программы. Найти её в поиске YouTube нельзя — она доступна только по ссылке и всем, кто будет на курсе.
Внутри глубокий разбор LLM от Алексея Яндутова (Senior ML-инженер, развивал ответы «Алисы» и «Нейро» в Яндексе). Учимся получать точный результат без галлюцинаций.
Что внутри урока:
После просмотра вы поймете, когда хватает промпт-инжиниринга, а когда нужен RAG или fine-tuning.
👉Смотреть закрытый урок на YouTube
Понравился урок? Переходите на новый уровень! Оставляйте заявку на курс, чтобы научиться проектировать надежные автономные системы. Обучение началось, но вы еще успеваете присоединиться.
🔗 Занять место на курсе
По этому поводу мы решили выложить закрытую запись одного из уроков из программы. Найти её в поиске YouTube нельзя — она доступна только по ссылке и всем, кто будет на курсе.
Внутри глубокий разбор LLM от Алексея Яндутова (Senior ML-инженер, развивал ответы «Алисы» и «Нейро» в Яндексе). Учимся получать точный результат без галлюцинаций.
Что внутри урока:
- Устройство LLM.
- Рабочие шаблоны промптов (Persona, Chain-of-Thought и др.).
- Разбор реального кейса Яндекса. Как автоматизировать разметку, обойти качество людей на 5% и срезать косты на 60%.
После просмотра вы поймете, когда хватает промпт-инжиниринга, а когда нужен RAG или fine-tuning.
👉Смотреть закрытый урок на YouTube
Понравился урок? Переходите на новый уровень! Оставляйте заявку на курс, чтобы научиться проектировать надежные автономные системы. Обучение началось, но вы еще успеваете присоединиться.
🔗 Занять место на курсе
Какую двойственную оптимизационную задачу решает метод Information Bottleneck?
Anonymous Quiz
5%
Он требует максимизировать скорость инференса, одновременно минимизируя энергопотребление GPU
59%
Он заставляет Y минимизировать взаимную информацию с X, но максимизировать взаимную информацию с T
16%
Он требует, чтобы количество нейронов на каждом последующем слое уменьшалось ровно в два раза
14%
Он оптимизирует баланс между объемом оперативной памяти и размером батча
6%
Не знаю
❤4
🔥 Курс «Разработка ИИ-агентов» стартовал, но вы еще успеваете присоединиться!
Мы только начали, а первый практический воркшоп пройдет только 23 июля. До этого времени вы спокойно успеете изучить материалы и нагнать группу.
💼 Главная фишка: финальный проект в портфолио:
🎁 Упомяните менеджеру специальное предложение «3 курса по цене 1»: Берете VIP-тариф — получаете курс «Разработка ИИ-агентов», хардкорный «AgentOps» и ещё один курс на выбор. Выгода 129.000 ₽!
Двери потока вот-вот закроются окончательно. Успейте забрать стек курсов и начать работу над реальным проектом
🔗 Занять место и забрать 3 курса
Мы только начали, а первый практический воркшоп пройдет только 23 июля. До этого времени вы спокойно успеете изучить материалы и нагнать группу.
💼 Главная фишка: финальный проект в портфолио:
В финальном проекте вы сможете выбрать один из двух вариантов: реализовать свою идею или решить задачу от партнера курса — крупной российской финтех-компании. Вы будете работать с датасетом, построенным по реальным сценариям, получите бизнес-контекст и продовые ограничения. В результате соберете AI-агента, который станет сильным проектом для портфолио.
🎁 Упомяните менеджеру специальное предложение «3 курса по цене 1»: Берете VIP-тариф — получаете курс «Разработка ИИ-агентов», хардкорный «AgentOps» и ещё один курс на выбор. Выгода 129.000 ₽!
Двери потока вот-вот закроются окончательно. Успейте забрать стек курсов и начать работу над реальным проектом
🔗 Занять место и забрать 3 курса
Forwarded from Proglib.academy | IT-курсы
Самое интересное, что разница здесь не столько в модели
На живом демо покажем, как один и тот же запрос работает без агентной системы и с ней
Please open Telegram to view this post
VIEW IN TELEGRAM
Stochastic Weight Averaging (SWA) — это чрезвычайно простая, но мощная модификация процесса обучения.
Какую операцию выполняет SWA с весами модели на финальном этапе обучения?
Какую операцию выполняет SWA с весами модели на финальном этапе обучения?
Anonymous Quiz
5%
Он умножает матрицу весов на её транспонированную копию для снижения размерности
2%
Он заменяет все веса на их логарифмические значения
15%
Он случайным образом обнуляет 50% весов на каждом шаге
74%
Он усредняет веса модели, сохранённые на нескольких эпохах обучения с высокой скоростью обучения
3%
Не знаю
❤1
Большинство методов калибровки требуют выполнения жестких условий на распределение данных.
Какое минимальное допущение о данных требуется Конформному предсказанию для обеспечения строгой математической гарантии точности?
Какое минимальное допущение о данных требуется Конформному предсказанию для обеспечения строгой математической гарантии точности?
Anonymous Quiz
53%
Данные должны быть строго распределены по нормальному (гауссовскому) закону
16%
Данные должны обладать свойством равнораспределенности
14%
Матрица признаков должна быть строго квадратной и ортогональной
14%
В данных должны полностью отсутствовать пропуски и категориальные признаки
2%
Не знаю
❤1
Конформная регрессия предсказывает цену акций. После периода стабильности начинается сильная волатильность. Как сохранить ошибку 5%?
Anonymous Quiz
4%
Сузит интервалы до 0
65%
Резко расширит интервалы, сохранив гарантию 5%
19%
Всегда предскажет среднее
4%
Выдаст OOM
8%
Не знаю
У Proglib Academy вышел пост о том, на каком опыте построен новый курс по AI для разработчиков
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Proglib.academy | IT-курсы
Курс «ИИ для разработчиков» ведут практики из ведущих российских IT-компаний
В ближайшее время познакомим вас с каждым преподавателем. Программа курса — по ссылке
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
Чем nn.CrossEntropyLoss отличается от подачи в неё softmax-выходов?
Anonymous Quiz
7%
Требует softmax на входе
23%
Работает только с бинарной классификацией
61%
Ожидает сырые логиты — softmax применяется внутри
6%
Требует one-hot метки
3%
Не знаю
❤1
Forwarded from Proglib.academy | IT-курсы
Для человека это естественная часть работы. У Claude Code этого контекста по умолчанию нет — только задача и инструкции, которые ему дали.
Поэтому в большой команде недостаточно просто выбрать хорошую модель.❗️ Нужно ещё объяснить ей, как у вас устроена разработка: какие подходы приняты, что обязательно проверять и по каким правилам принимать решения.
GenAI Data Platform, и с этой проблемой сталкивался не раз
Покажет живое демо, разберём, как встроить AI в процесс разработки так, чтобы он реально помогал, а не добавлял ещё один повод для споров на ревью.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Почему бустинг над деревьями работает в пространствах высокой размерности, где KNN теряет эффективность?
Anonymous Quiz
2%
Переводит признаки в комплексные числа
87%
На каждом сплите выбирает самый информативный признак
1%
Использует только нулевые признаки
9%
Перед каждым сплитом применяет PCA
2%
Не знаю
❤1👍1
Несмотря на красивую математику, спектральную кластеризацию редко применяют в лоб на датасетах из миллионов объектов.
Какое главное вычислительное ограничение мешает применять точную спектральную кластеризацию к Big Data?
Какое главное вычислительное ограничение мешает применять точную спектральную кластеризацию к Big Data?
Anonymous Quiz
2%
Алгоритм работает только с текстами и не поддерживает числовые признаки
19%
Метод всегда сходится к разным результатам при повторных запусках
22%
Спектральная кластеризация требует наличия размеченных целевых меток
54%
Это крайне тяжело для огромных выборок
3%
Не знаю
👍1
Курс для тех, кто хочет перестать просто «пользоваться AI» и начать выстраивать с ним нормальный процесс разработки 🥳
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Proglib.academy | IT-курсы
Это просто станет частью профессии. А вот умение встроить AI в процесс разработки так, чтобы он действительно ускорял работу команды, останется конкурентным преимуществом
До конца июля действует специальная цена — 59 990 ₽ вместо 79 990 ₽
Please open Telegram to view this post
VIEW IN TELEGRAM
Для нелинейного разделения SVM использует ядерный трюк K(x,x′).
Что именно вычисляет функция ядра K(x,x′) без явного перевода объектов в пространственную размерность высочайшей степени?
Что именно вычисляет функция ядра K(x,x′) без явного перевода объектов в пространственную размерность высочайшей степени?
Anonymous Quiz
60%
Скалярное произведение в новом пространстве
2%
Среднее арифметическое признаков
20%
Векторное произведение векторов
15%
Определитель матрицы весов
2%
Не знаю
👍1