Data Portal | DS & ML

описание

Всё самое интересное из мира LLM, Data Science и машинного обучения adds: @devmangx Автор: @ScienceLLM

← к каналу @LLMScience

8 366

подписчиков

Охват к подписчикам

7,7%

ERR

Реакции к просмотрам

0,01%

3 на 37 постов

Пересылки к просмотрам

3,40%

868

Постов в день

4,6

всего 39

Где отзываются чаще

доля реакций к просмотрам

22 июн.без подписи0,23%
18:10Python может помочь инженерам-механикам автоматизировать рабочие процессы, анализировать данные и решать сложные инженерные задачи. В этом курсе разбирается Python именно для машиностроения — от базовых концепций программирования до практического применения в инженерных задачах. В программе NumPy, Pandas и Matplotlib, работа с ИИ в инженерных процессах и несколько практических кейсов. https://freecodecamp.org/news/python-for-mechanical-engineering/0,00%
16:10Каждая модель машинного обучения, которую вы когда-либо обучали, в конечном счёте опирается на 62 страницы, написанные ещё в 1933 году. Речь о «Основах теории вероятностей» Колмогорова. Шесть аксиом. На них фактически построена современная теория вероятностей, и всё это умещается в небольшой книге. Особенно забавно сравнивать это со средней статьёй по глубокому обучению, которая может быть длиннее, но при этом ничего не доказывать. Книга бесплатно доступна в подборке Awesome Math Books. https://github.com/valeman/Awesome_Math_Books0,00%
16 авг.Transformers – The Definitive Guide — официальный репозиторий с кодом к книге, построенный вокруг практических Jupyter-ноутбуков для изучения и применения трансформерных моделей. Материал ведёт от базовых принципов до развёртывания через 12 глав. Ноутбуки разбиты по темам, и каждый можно сразу открыть в Google Colab. https://github.com/Nicolepcx/transformers-the-definitive-guide0,00%
16 авг.Отличная серия лекций по аппаратному обеспечению и системам для машинного обучения. Разбирается, как модели машинного обучения переносят на современное железо, оптимизируют и ускоряют — от алгоритмов до эффективного проектирования систем. Хороший материал, чтобы понять, что происходит под капотом современных ИИ-систем.0,00%
15 авг.Генерирует высокодетализированные 3D-формы с помощью масштабируемого диффузионного подхода, который последовательно уточняет грубую геометрию с использованием воксельных методов. Репозиторий UltraShape-1.0 описывает задачу как генерацию высокоточных 3D-форм через масштабируемое геометрическое уточнение. https://github.com/PKU-YuanGroup/UltraShape-1.00,00%
15 авг.«Natural Language Processing and Large Language Models» — новая книга в открытом доступе от Springer, написанная Chengqing Zong, Yang Zhao и Yanjun Ma. Почти 400 страниц с введением в современную обработку естественного языка и большие языковые модели. Внутри: нейросети, распределённые представления, языковые модели, Transformers, BERT, GPT, токенизация, классификация тональности, извлечение информации, суммаризация текста, машинное понимание текста, машинный перевод, ответы на вопросы и RLHF. На мой взгляд, это хороший справочник для тех, кто хочет разобраться в этих темах без слишком высокого порога входа. Я бы сохранил. https://link.springer.com/book/10.1007/978-981-92-0682-70,00%
15 авг.без подписи0,00%
15 авг.«Introduction to Machine Learning» Лорана Юнеса. Если вы уже знакомы с основными концепциями машинного обучения, этот учебник — хороший следующий шаг, чтобы глубже разобраться в лежащей за ними математике или освежить её. В книге разбираются: — оптимизация, SGD и Adam — компромисс смещения и дисперсии — регрессия, SVM и ядерные методы — деревья решений — нейронные сети — графические и генеративные модели — кластеризация — оценки границ обобщающей способности Несмотря на то что книга в первую очередь математическая, по ходу изложения она охватывает и ключевые методы машинного обучения. https://arxiv.org/abs/2409.026680,00%
15 авг.27-миллиардный агент обошёл Claude Opus 4.8 и GPT-5.5 в воспроизведении научных исследований на отложенном наборе задач. Replica превращает воспроизведение научных работ в масштабируемую среду для обучения с подкреплением. Попытка повторить результаты статьи требует того же исследования через гипотезы, эксперименты и поиск недостающих деталей, с которым приходится сталкиваться в реальной науке. Сигнал награды формируется автоматически созданной системой критериев, которая даёт стабильные оценки и хорошо совпадает с человеческой оценкой качества воспроизведения. Получившийся агент Faraday на 27 млрд параметров может использовать агентов для программирования как инструменты. Анализ его траекторий показывает, что он действует более научно и последовательно, а не просто пытается подстроиться под критерии оценки. Авторы считают, что это указывает на возможность обучать долгосрочные научные способности непосредственно в весах модели без необходимости строить вокруг неё сложную агентную инфраструктуру. Статья - https://arxiv.org/abs/2608.133310,00%
15 авг.https://github.com/patchy631/time-to-first-token Это дорожная карта по запуску и обслуживанию инференса LLM, где всё строится вокруг одного сервиса, а не разбросано по отдельным демо. Сначала вы разбираетесь в базовой модели работы системы, затем запускаете модель, подключаете метрики, проводите нагрузочное тестирование с более чем 1000 одновременных запросов и начинаете оптимизацию. В конце у вас остаётся самостоятельно настроенный стек и воспроизводимый бенчмарк, который уже не стыдно опубликовать.0,00%
14 авг.Одно из ЛУЧШИХ видео от data_adventurer. Глубина разбора здесь просто невероятная. Очень хорошо объясняются основы обработки звука — от представления сигнала до спектрограмм и других фундаментальных вещей, на которых потом строятся современные аудио-модели. После этого намного проще понимать, откуда берутся реальные сложности в задачах распознавания речи, шумоподавления и обработки звука, например внутри автомобильного салона. Очень рекомендую посмотреть! https://youtu.be/55QWsm1itKo0,00%