Написал второй отборочный DANO
Честно, впечатления вообще не очень. По субъективным ощущениям я вообще не получил удовольствия от написания.
Сами задания в большинстве своем просто элементарные. Подставить значения в формулу или соотнести графики с чем то еще.
Но, это же DANO, не может быть все хорошо
Поэтому, когда я перешел к заданиям с датафреймами, оно мне решило показать фокус-покус и начать выкидывать различные ошибки форматирования
Тогда я решил, что сделать мини-анализ какого то датафрейма в экселе будет не так болезненно, и попытался открыть файл в экселе.
Но обнаружил то, что эксель у меня деактивирован. Тогда я попытался конвертировать эксель в csv - и ура, первый файл конвертировался, и я даже смог сделать задание, которое его касается.
Но второй файл опять выкинул ошибку с форматированием, и проблема в том, что в некоторых строках при конвертировании образовалось две запятые, причем не во всех столбцах даже по одной строке
Поэтому я очень долго промучался с этим и в связи с ограниченным временем этапа и наличием других заданием, решил на них забить. Точнее, у меня скорее просто не хватило времени их починить.
Поэтому я очень много баллов потерял на тех заданиях, которые считаю своей сильной стороной, я считаю, не по своей вине. Но в остальном, как я и сказал, задания в большинстве своем элементарные
Честно, впечатления вообще не очень. По субъективным ощущениям я вообще не получил удовольствия от написания.
Сами задания в большинстве своем просто элементарные. Подставить значения в формулу или соотнести графики с чем то еще.
Но, это же DANO, не может быть все хорошо
Поэтому, когда я перешел к заданиям с датафреймами, оно мне решило показать фокус-покус и начать выкидывать различные ошибки форматирования
Тогда я решил, что сделать мини-анализ какого то датафрейма в экселе будет не так болезненно, и попытался открыть файл в экселе.
Но обнаружил то, что эксель у меня деактивирован. Тогда я попытался конвертировать эксель в csv - и ура, первый файл конвертировался, и я даже смог сделать задание, которое его касается.
Но второй файл опять выкинул ошибку с форматированием, и проблема в том, что в некоторых строках при конвертировании образовалось две запятые, причем не во всех столбцах даже по одной строке
Поэтому я очень долго промучался с этим и в связи с ограниченным временем этапа и наличием других заданием, решил на них забить. Точнее, у меня скорее просто не хватило времени их починить.
Поэтому я очень много баллов потерял на тех заданиях, которые считаю своей сильной стороной, я считаю, не по своей вине. Но в остальном, как я и сказал, задания в большинстве своем элементарные
😱7👍5❤3
Хуже я написать не мог.
Буду значит ML хакатоны и олимпы брать.
А так же ботать чтение условий и учиться работать с любыми побитыми файлами, какого формата они не были
Буду значит ML хакатоны и олимпы брать.
А так же ботать чтение условий
🫡5🤷♂4😭2❤1👍1🔥1
Что ж, отходя от DANO, сейчас идет НТО по ИИ, на котором я решил сделать фокус, и немного расскажу о задачах и о своем успехе в них на данный момент:
Индивидуальная задача: Тут все достаточно просто - банальная задача регрессии, где нужно предсказать рейтинг (который по какой-то причине является непрерывной величиной 😁)
Что касается метрики - их тут несколько. За основу берется MAE (Mean Absolute Error) и RMSE (Root Mean Squared Error). После этого конструируется скор: 1 - (0.5 * (RMSE/10) + 0.5 * (MAE/10)). Деление на 10 используется для нормализации, поскольку 10 - это максимально возможный рейтинг.
Также на первом фото вы можете увидеть красиво оформленную метрику с небольшим пояснением.
Командная задача: Тут уже все поинтереснее - это задача ранжирования. Нужно разработать модель, которая сможет правильно упорядочить смешанный список книг-кандидатов по трехуровневой иерархии релевантности:
1. Высшая ценность (2 балла): Книги, которые пользователь действительно прочитал
2. Средняя ценность (1 балл): Книги, которые пользователь добавил в планы, но не прочитал
3. Низшая ценность (0 баллов): "Холодные" кандидаты - книги, с которыми пользователь никогда не взаимодействовал, но которые были добавлены в пул кандидатов на основе рекомендаций базовой модели
Метрика - NDCG@20. На втором фото вы так же можете увидеть пошаговый процесс ее вычисления.
Помимо НТО, я прошел в финал турнира «Решись» от Т-Банка и ЦУ по направлениям «ИИ» и «Бизнес и аналитика», и жду окончательные результаты Innopolis Open по ИИ и ВСоШ по ИИ
Индивидуальная задача: Тут все достаточно просто - банальная задача регрессии, где нужно предсказать рейтинг (который по какой-то причине является непрерывной величиной 😁)
Что касается метрики - их тут несколько. За основу берется MAE (Mean Absolute Error) и RMSE (Root Mean Squared Error). После этого конструируется скор: 1 - (0.5 * (RMSE/10) + 0.5 * (MAE/10)). Деление на 10 используется для нормализации, поскольку 10 - это максимально возможный рейтинг.
Также на первом фото вы можете увидеть красиво оформленную метрику с небольшим пояснением.
Командная задача: Тут уже все поинтереснее - это задача ранжирования. Нужно разработать модель, которая сможет правильно упорядочить смешанный список книг-кандидатов по трехуровневой иерархии релевантности:
1. Высшая ценность (2 балла): Книги, которые пользователь действительно прочитал
2. Средняя ценность (1 балл): Книги, которые пользователь добавил в планы, но не прочитал
3. Низшая ценность (0 баллов): "Холодные" кандидаты - книги, с которыми пользователь никогда не взаимодействовал, но которые были добавлены в пул кандидатов на основе рекомендаций базовой модели
Метрика - NDCG@20. На втором фото вы так же можете увидеть пошаговый процесс ее вычисления.
Помимо НТО, я прошел в финал турнира «Решись» от Т-Банка и ЦУ по направлениям «ИИ» и «Бизнес и аналитика», и жду окончательные результаты Innopolis Open по ИИ и ВСоШ по ИИ
❤9👍6🔥4👎1💋1
Gemini 3 Pro вышла!
Недавно Google выпустили новую флагманскую модельку, которая по бенчмаркам превосходит все текущие, иногда даже в несколько раз. Сам бенчмарки вы можете увидеть на фото. Не топ 1 она только по SWE, и отличие всего в 1 процент. Контекстное окно - 1 миллион токенов. Knowledge cutoff (до какого числа модель имеет информацию) - январь 2025.
Помимо нее, Google также спустя пару дней выпустила новую версию Nano Banana - Nano Banana Pro. Теперь модель размышляет в ходе генерации и может сгенерировать до 3 картинок «под капотом», проверяя их на совпадение с промптом и качеством композиции, чтобы всё было сделано как надо. Пользователю показывается только финальная картинка. А еще, она может искать в интернете, если для генерации нужна актуальная информация.
Недавно Google выпустили новую флагманскую модельку, которая по бенчмаркам превосходит все текущие, иногда даже в несколько раз. Сам бенчмарки вы можете увидеть на фото. Не топ 1 она только по SWE, и отличие всего в 1 процент. Контекстное окно - 1 миллион токенов. Knowledge cutoff (до какого числа модель имеет информацию) - январь 2025.
Помимо нее, Google также спустя пару дней выпустила новую версию Nano Banana - Nano Banana Pro. Теперь модель размышляет в ходе генерации и может сгенерировать до 3 картинок «под капотом», проверяя их на совпадение с промптом и качеством композиции, чтобы всё было сделано как надо. Пользователю показывается только финальная картинка. А еще, она может искать в интернете, если для генерации нужна актуальная информация.
❤7👍4🔥4❤🔥1👎1🤓1
Давненько ничего не писал, но не только потому, что я лентяй, а еще потому что было гигантское количество различных проектов, на которых стоило сделать фокус.
Прям буквально недавно пришли результаты первого этапа прода, и я приятно удивлен.
Результат - 99/100. Не то, чтобы это какой то запредельный балл, учитывая, что первые этапы всегда фришные, но я рад.
Помимо этого, жду результаты второго этапа НТО по ИИ, готовлюсь к муниципальному этапу ВСОШа по ИИ и параллельно решаю kaggle компеты.
Прям буквально недавно пришли результаты первого этапа прода, и я приятно удивлен.
Результат - 99/100. Не то, чтобы это какой то запредельный балл, учитывая, что первые этапы всегда фришные, но я рад.
Помимо этого, жду результаты второго этапа НТО по ИИ, готовлюсь к муниципальному этапу ВСОШа по ИИ и параллельно решаю kaggle компеты.
❤8❤🔥7👏3🤮1🎄1
Перенос дедлайна результатов НТО (*на неопределенный период) be like:
😱2🤮2
Forwarded from Сергей
Вы нас обвесили, обсчитали, подставили, дезинформировали, с пути истинного сбили, надежду убили, нервы оголили, клавишу F5 сломали, сон украли, в заблуждение ввергли и в дураках оставили. Как липку ободрали, зубы заговорили, голову заморочили, мозги запудрили, бдительность усыпили, в тупик загнали и в непонятки ввели. Время потянули, на дедлайн забили, тайминг сорвали, слово не сдержали, в лужу нас посадили. Положили, забили, забыли, потеряли, спрятали, утаили, зажадничали, обделили и жестоко обломали.
❤🔥6🤣6😁3🤮1👀1
Нет сил пока что на лонгриды, но по проходным баллам я в финале НТО по ИИ.
Сегодня днем должны быть официальные списки с участниками финала
Сегодня днем должны быть официальные списки с участниками финала
❤8❤🔥3👍3🤮1
Кто уже в строю:
@oktgu
@usov_nikita
@nxckp8_u
@itbert
Писать - @oktgu
Please open Telegram to view this post
VIEW IN TELEGRAM
❤9❤🔥4👍3🤮1🤗1🎄1
Please open Telegram to view this post
VIEW IN TELEGRAM
🤣13❤7⚡4😁2🤮1
Финал НТО по ИИ пересекается с финалом PROD'a...
❤5😁5🤮2👀1
Mark | AI, Business and Data Science
Ну будто бы в финале Иннополиса по ИИ
В финал проход был халявный, так что выбил такой скор только для поста в канал, получается 😁
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7😁6🤣5🤮1💅1