Data, Stories and Languages
описание
Канал о ML/AI, изучении иностранных языков, книгах и жизни. Контакт с автором https://t.me/Erlemar Персональный сайт: https://andlukyane.com/ Рекламу не публикую Забустить канал можно тут: https://t.me/boost/datastorieslanguages
3 569
подписчиков
Охват к подписчикам
94,8%
ERR
Реакции к просмотрам
0,49%
548 на 41 постов
Пересылки к просмотрам
1,06%
1 194
Постов в день
1,3
всего 43
Где отзываются чаще
доля реакций к просмотрам- 11:59Language learning after 10 years Сегодня мне пришло уведомление, что кто-то на реддите оставил комментарий к моему сообщению 10-летней давности. Настоящий некропостинг! Это был июнь 2016 года, за пару месяцев до моего ухода из ERP-консалтинга. На сабреддите по Anki обсуждали кто как использует этот софт для изучения языков. Тогда я написал, что у меня есть колоды по трём языкам, с вот таким количеством карточек: - English - 1492 - Spanish - 5397 - Japanese - 5900 Для добавления карточек с испанским языком использовал программу Learning With Text. Японский слова в основном добавлял при чтении visual novels. Прошло десять лет. Что иронично, вскоре после этого поста мне пришлось прекратить языки лет на 5, поскольку много времени и сил уходило на изучение ML и всего связанного с ним. Но всё равно есть явный прогресс в языках: - Английский - твёрдый уровень C2 (я сдавал официальный тест перед переездом в Англию). Карточек особо не добавилось - Испанский - 12к карточек. Могу болтать с носителями языка из разных стран, читать книги, слушать аудиокниги - так что около C1. - Немецкий - 13к карточек. Читаю без проблем, аудиокниги тоже могу слушать (например, недавно слушал перевод Властелина Колец). Но говорить сложновато (давно практики не было) и грамматика хромает. Наверное разговорный B1, а по чтению/пониманию - B2. Потихоньку стараюсь закрывать гэпы знаний - Японский - 9.5к карточек. В японском у меня самый маленький прогресс. Читать книги со словарём могу, в остальном - сложно. Планирую занятья им после шлифовки немецкого. С инструментами/софтом тоже интересно. Learning With Text довольно устарел и, казалось, вообще помер. Но вот сегодня из любопытства посмотрел - на моё удивление, программа жива и выглядит современно. Но я давно перешёл на readlang для чтения на ноуте и на Kindle в остальное время. В наше время существует огромное количество ресурсов и инструментов для изучения языков. Вопрос лишь в том, где найти время. #languages3,81%
- 14 авг.Чатботы моей молодости Сегодня пятница, так что немного ностальгии. Я вспомнил как в 2018 году делал телеграм чат-бота после прохождения какого-то курса. Я 3 недели мучительно писал код на Keras и тренировал модель. Бот мог выполнять несколько команд и что-то нечленораздельно отвечать на свободные вопросы. За 8 лет был пройден огромный путь3,33%
- 14 авг.Openai Computer History "Computer History turns your activity across apps and websites into memories and a timeline that ChatGPT and Codex can reference. You can ask natural questions about recent work, pick up where you left off, understand patterns in how you work, and turn repeated workflows into skills or automations." https://learn.chatgpt.com/docs/customization/computer-history #ai2,14%
- 15 авг.Talk: breaking into machine learning - recording Пару дне назад я уже писал, что я буду делать доклад для пакистанских студентов. В общем получилось так, что на него зарегистрировалось 450+ человек, несмотря на то, что это был праздник - день независимости. Встреча была в google meets, но там лимит в 100 человек, так что все желащие не влезли. В результате делали трансляцию в linkedin, запись можно посмотреть тут https://www.linkedin.com/events/liveaugust147494045235434594306/ Вопросы были в основном про карьеру - как её начинать, что делать в текущей ситуации с засилием AI, как вкатываться в сферу и так далее. Думаю, скоро напишу блогпост про это, чтобы мысли были не только в записи. Сам доклад шёл 40 минут, потом я ещё 40 минут отвечал на вопросы. #career #ai #datascience2,00%
- 10 авг.Xgboost - test of time award1,94%
- 12 авг.🤟 DeepMind SL2T: мультиязычная модель перевода жестового языка в текст 📌 TL;DR DeepMind представила SL2T — модель перевода жестового языка в текст, которая работает на потребительских устройствах (Pixel 11, Gboard, Live Transcribe). Ключевые особенности: приватность через pose-ландмарки (не сырое видео), обучение на 100K+ часов данных по 50+ жестовым языкам, и прямой перевод landmarks → text без промежуточных глоссов. На бенчмарке FLEURS-ASL модель достигает 70 BLEURT (zero-shot), значительно обгоняя предыдущие SOTA (около 50). 🧠 Зачем? Большинство систем распознавания жестового языка до сих пор в стадии RnD-исследований: либо они требуют разметку глоссов (искусственных текстовых представлений жестов), либо работали только с одним языком и обрабатывали сырое видео, что по мнению авторов создает риск безопасности (спорный поинт). Можно ли создать единую модель, которая (1) масштабируется на десятки жестовых языков, (2) работает в реальном времени на устройстве, (3) защищает приватность пользователей и (4) не требует промежуточных аннотаций? Ответ — да. 🗂️ Как устроена SL2T Пайплайн обработки: [Камера] → MediaPipe Holistic (on-device) → Pose landmarks (x, y coords) → [Server] → SL2T Model → Text Ключевые выводы: 1) Мультиязычность улучшает качество на 50+ языках, помогает модели выявлять общие структуры, что улучшает метрики даже на редких языках; 2) Отказ от глоссов: прямой перевод позволяет модели учиться на нелинейных аспектах жестового языка (мимика, пространственные отношения), которые глоссы не передают; 3) Качество растёт с объёмом данных — нет искусственного потолка из-за ограниченного словаря глоссов. 🧪 Ограничения и открытые вопросы — Покрытие языков: пока только американский ЖЯ в продуктах; остальные 50+ языков — в исследовательской фазе — Бенчмарки обычно собраны на чистых данных; реальная вариативность (освещение, ракурсы, скорость жестов) могут сильно влиять на качество — Не-мануальные компоненты: хотя модель теоретически способна их учитывать, но тема не изучена достаточно хорошо — Культурная адаптация: жестовые языки тесно связаны с культурным контекстом. А как модель адаптируется к региональным вариациям внутри одного языка? Проблема диалектов остается открытой. 🔗Ссылка: Google DeepMind Blog, 2026 #signlanguage1,79%
- 7 июн. 2025 г.без подписи1,62%
- 10 авг.🌸Релизим Muse Glimmer 30B 🌸 Впервые за долгое время, наконец-то релизим большой командой новую открытую LLM от Meta Superintelligence Labs. Веса под Apache 2.0! 🌸Что это за модель: — 30B dense модель, дистиллированная версия Muse Spark для локального инференса на 1 GPU — юз-кейсы: OpenClaw, MCP, и агентные тулзы — общие способности (ризонинг, знания, кодинг) тоже на высоком уровне для модели такого размера. — очень быстрый инференс: 233 токена/сек на 5090 благодаря DFlash spec decoding — по ключевым способностям — агентные воркфлоу, swe bench, ризонинг — лучше Qwen 3.6 и Gemma 4 31B — есть мультимодальный инпут (картинки и видео) — больше 100 языков в претрейне — контекст 131к токенов — есть perception encoder (1.8B) в дополнение к модели Пожалуйста, скачивайте, пользуйтесь, — и ждите тех репорт и доки! На неделе постараемся выпустить инференс у партнёров и доки по деплою на llama.cpp, ExecuTorch, MLX. 🟣Блогпост https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model 🟣 Веса https://huggingface.co/meta-models/Muse-Glimmer-30B 🟣Доки: (пока что такие же как у Muse Spark) https://dev.meta.ai/docs/cookbook1,52%
- 17 июл.Time Series with PyTorch — Graeme Davidson, Lei Ma Мне прислали очередную книжку от Packt на прочтение и ревью - на этот раз про time series forecasting на PyTorch. Тема мне близкая: временные ряды — одна из самых сложных для меня областей ML, и при этом большинство книг по deep learning относятся к ним как к чему-то второстепенному после CV и NLP. Книга идёт начинает с базовых вещей (что делает временные ряды сложными, как правильно оценивать модели, PyTorch с нуля), демонстрирует современные архитектуры (RNN, transformers, N-BEATS, N-HiTS, foundation models, diffusion) и выходит за пределы точечного прогноза — классификация, кластеризация, anomaly detection, self-supervised learning. Мне понравилось, что тема правильного качества моделей разбирается в деталях: например, показывают как заведомо худшая модель выигрывает по MAPE, и есть целая глава про data leakage. Отдельно порадовали объяснения через физику: один из авторов физик, и он объясняет RNN через качели на детской площадке, а diffusion — через каплю чернил, которая расплывается в воде, пока не превратится в гауссиану. Ещё мне понравилось, что примеры построены вокруг соревнования M5 на Kaggle. Я в нём когда-то участвовал и зафейлился, так что было интересно посмотреть на разные модели и подходы к оценке на данных, с которыми в своё время намучился. Из минусов — про time series foundation models (Lag-Llama, TabPFN, Chronos, TimeGPT) рассказывают, но не запускают их на практике, а это как раз то, что хотелось бы попробовать руками. Amazon Author's website Code Мои обзоры: Personal blog Medium #bookreview1,36%
- 13 авг.Talk: breaking into machine learning Так уж получилось, что завтра я буду делать доклад для пакистанских студентов о карьере Формочка для регистрации https://docs.google.com/forms/d/e/1FAIpQLSf2IdKIuZ9o2tDiMq-Fjfe6efKzTj4w43JMOekHrME5fTtCZg/viewform #career1,29%
- 17 сент. 2025 г.без подписи1,25%
- 27 маябез подписи1,19%