#нейросети #GPT-2

Код, который пишет себя сам

Мы уже привыкли к тому, что нейросети генерируют картинки, распознают человеческую речь и на основе этого осуществляют различные действия, даже ведут паблик вместо своего хозяина. А как же обстоят дела насчёт программного кода?

Рейтинг: 45

Читать

Сложная, но наглядная статья про машинное обучение. Разбираем один из алгоритмов, основанный на деревьях.

https://v.thecode.media/dpjy4

#лучшее_Код #объяснялово_Код

💥3 advantages and a couple of limitations of PySpark over Pandas
Although the Python-library Pandas is very popular among junior Data Scientists, it is not bound to work with really big data up to 10-12 GB. Although there are tools that can parallelize the work of Pandas, such as Dask, Swift, Ray, etc., this only speeds up the library, but does not address the root causes of the problems, because. Pandas always loads the dateframe into memory.
Therefore, dealing with large amounts of data requires something faster, such as PySpark - the Python API in Apache Spark, a distributed computing framework. Being distributed in its nature, Spark also uses lazy (deferred) evaluations, performing data operations not at the time of their declaration, but at an important call. This invariably sets many memory limits. Unlike PySpark, Pandas sticks to the Eager Execution by executing the reach task as early as possible, while PySpark follows the Lazy Execution, when the task is not elevated until after the action has been completed. PySpark is great for developing scalable applications and guarantees fault tolerance.
However, due to the networking of distributed computing, PySpark estimates a higher speed compared to local Pandas, which is indicative of the throughput of the application. In addition, PySpark remains demanding because all MapReduce tasks depend on RAM, without writing preliminary results to memory disk, unlike classical calculations in Hadoop. Finally, there are not so many specific algorithms for Data Science in PySpark.

💾 Объяснимые модели искусственного интеллекта на Python

Излагаются основы объяснимости и интерпретируемости моделей, обсуждаются методы и системы для интерпретации линейных, нелинейных моделей и моделей временных рядов, используемых в ИИ. Вы узнаете, как алгоритм ИИ принимает решение и как сделать модель ИИ интерпретируемой и объяснимой, ознакомитесь с моделями глубокого обучения на практике.

Автор: Прадипта Мишра
Год: 2022

#books #python #ai #ml #russian

Там на huggingface появилось пространство с text2music

Мелодии вполне годные выходят, генерация быстрая (при условии, что нет очередей и нагрузка не большая).

А если очередь большая, то можно запустить в колабе

📊 8 паттернов проектирования, которые должен знать каждый ML-разработчик

Паттерны проектирования предлагают комплексные решения проблем, с которыми разработчики сталкиваются каждый день. В этой статье мы рассмотрим 8 паттернов проектирования с примерами кода на Python

🔗 Основной сайт
🔗 Зеркало

Python для сложных задач. Наука о данных и машинное обучение.
Дж. Вандер Плас

"Книга "Python Data Science Handbook" - это подробное руководство по самым разным вычислительным и статистическим методам, без которых немыслима любая интенсивная обработка данных, научные исследования и передовые разработки. Читатели, уже имеющие опыт программирования и желающие эффективно использовать Python в сфере Data Science, найдут в этой книге ответы на всевозможные вопросы, например: 1) как мне считать этот формат данных в мой скрипт? 2) Как преобразовать, очистить эти данные и манипулировать ими? 3) Как визуализировать данные такого типа? Как при помощи этих данных разобраться в ситуации, получить ответы на вопросы, построить статистические модели или реализовать машинное обучение?"

​YOLO – алгоритм обнаружения объектов, который разделяет изображения на сетку

Каждая ячейка в сетке отвечает за обнаружение объектов внутри себя

Это один из самых известных алгоритмов обнаружения объектов благодаря своей скорости и точности

⤷ Ссылка на проект

GitHub | #Python #Algorithm

Для извлечения из неструктурированных данных именованных сущностей, таких, как физические и юридические лица, объекты, местоположение, события, предметы, товары, услуги и т.п. при работе с русскими и англоязычными текстами, едва ли не наилучшим решением является Eureka Engine.
♾ http://eurekaengine.ru/ru/demo/

Каталог визуализации данных...
♾ https://datavizcatalogue.com/

Делаем искуственный интеллект, который будет играть в Counter Strike: Global Offensive.
На Python + Tensorflow :3

https://youtu.be/kudbejO_K68