🔍 Model Explorer — визуализация архитектуры языковых моделей (LLM)

Этот инструмент помогает понимать, отлаживать и оптимизировать модели машинного обучения. Он позволяет визуализировать большие графы в интуитивной иерархической форме. Впрочем, как отмечают создатели Model Explorer, инструмент хорошо работает и для небольших моделей. Помимо прочего, это можно использовать и для подготовки презентаций (просто посмотрите на прикреплённое к посту видео).

🔗 Ссылка на GitHub-репозиторий Model Explorer
🔗 Читать о возможностях инструмента подробнее

🤔 Как попасть в Data Science, если у вас нет выдающегося резюме?

Старший специалист Elsevier и автор Telegram-канала New Yorko Times Юрий Кашницкий дал несколько рекомендаций начинающим дата-сайентистам. Как же найти работу, если у вас нет/мало опыта?

▪️По мнению Кашницкого, самый простой способ — попробовать попасть в отрасль через знакомых.
▪️Если нетворкинг и общение с людьми — не ваше, то следует постараться набрать хоть какой-то опыт хоть где-то. Кашницкий советует искать сторонние доступные проекты. Например, у Hugging Face есть подобные. К ним может подключиться любой желающий. Кроме того, можно найти команду для прикладного проекта в рамках курса (например, подобное было в курсе ods.ai по MLOps).
▪️Если у вас нет опыта именно в Data Science, но есть опыт в разработке или аналитике, то можно попробовать поучаствовать в DS-проектах на текущей работе.
▪️Кашницкий также рекомендует хорошо оформить резюме.

По его мнению, в поиске работы не помогут набивание титулов типа Kaggle Competitions Master и получение множества сертификатов.

⭐🎤 Как не облажаться с докладом на IT-конференции

Готовитесь к докладу на IT-конференции? Не хотите оказаться в роли «того самого» докладчика, на которого все жалуются в кулуарах? Узнайте, как не облажаться и сделать свой доклад полезным и запоминающимся.

🔗 Читать статью
🔗 Зеркало

🧠 Придумали новый язык для параллельных вычислений

Его назвали Bend, и как пишут создатели, он очень похож на Python. С помощью Bend можно писать код для выполнения на многоядерных CPU/GPU без необходимости быть экспертом в C/CUDA и параллельных вычислениях.

В Bend есть такие штуки как неограниченная рекурсия, ветвления, алгебраические типы данных и пр.

🔗 Прочесть о языке подробнее можно на страничке проекта в GitHub

💬 Как вы считаете: нужно ли уметь писать алгоритмы машинного обучения с нуля, чтобы считаться хорошим дата-сайентистом?

👾 — да
❤️ — необязательно

#интерактив

🧑‍💻 Статьи для IT: как объяснять и распространять значимые идеи

Напоминаем, что у нас есть бесплатный курс для всех, кто хочет научиться интересно писать — о программировании и в целом.

Что: семь модулей, посвященных написанию, редактированию, иллюстрированию и распространению публикаций.

Для кого: для авторов, копирайтеров и просто программистов, которые хотят научиться интересно рассказывать о своих проектах.

👉Материалы регулярно дополняются, обновляются и корректируются. А еще мы отвечаем на все учебные вопросы в комментариях курса.

💻🚀🏰 Как мы создали ИИ-стартап на хакатоне выходного дня в Германии

Инженер ПО рассказал нам о своих выходных на хакатоне в Кельне, где с командой пытался создать AI-стартап всего за два дня. Участники прошли путь от подачи идей в пятницу вечером до демонстрации работающего приложения к воскресенью.

В качестве бонуса автор привёл список основных пунктов, которые необходимо выполнить для создания стартапа.

🔗 Читать статью
🔗 Зеркало

🖥️🔤 Транскрибация видео и создание субтитров с помощью Whisper, FFmpeg и Python

Следуя нашему пошаговому руководству, вы сможете автоматически транскрибировать аудио и добавлять субтитры к своим видео всего за несколько минут.

🔗 Читать руководство
🔗 Зеркало

🧡💛 Туториал по продвинутому использованию Google Colab

Автор туториала — один из инженеров машинного обучения Google. Он расскажет, как использовать:
▪️секреты;
▪️кастомные сниппеты;
▪️Colab AI;
▪️кастомные VM;
▪️kitty mode.

🔗 Ссылка на туториал

📊 SQL в Jupyter-ноутбуках

Инструмент JupySQL предлагает расширения к магической команде %%sql. Он позволяет:

▫️выполнять SQL-запросы непосредственно в Jupyter-ноутбуке;
▫️легко конвертировать результаты в датафреймы Pandas;
▫️удобно организовать большие SQL-запросы, разбивая их на управляемые части;
▫️строить графики из больших наборов данных с эффективным управлением памятью.

🔗 Ссылка на GitHub-репозиторий JupySQL
🔗 Ссылка на документацию