Big data world

Самый лучший в мире курс по Машинному обучению — Алгоритмы Машинного обучения с нуля

https://habr.com/ru/articles/802459/

7 бесплатных курсов Google, чтобы стать инженером по машинному обучению
Хотите стать инженером ML? Эти бесплатные курсы от Google помогут вам в этом.

https://www.kdnuggets.com/7-free-google-courses-to-become-a-machine-learning-engineer?

Неудивительно, что в этом году конференция разработчиков GTC, проводимая Nvidia в Сан-Хосе, почти полностью посвящена искусственному интеллекту. Но в перерывах между разработками в области искусственного интеллекта Nvidia также сделала несколько важных объявлений в области робототехники .

Во-первых, это Project GR00T (каждая буква и цифра произносятся индивидуально, чтобы не вызывать гнев Диснея), базовая модель гуманоидных роботов . И, во-вторых, Nvidia взяла на себя обязательство стать платиновым членом-основателем Альянса робототехники с открытым исходным кодом. https://nvidianews.nvidia.com/news/foundation-model-isaac-robotics-platform

ScoreHMR представляет новый метод трехмерной реконструкции позы и формы человека, используя возможности диффузионных моделей

https://statho.github.io/ScoreHMR/

Чему я научился, просматривая 900 самых популярных инструментов искусственного интеллекта с открытым исходным кодом

https://huyenchip.com/2024/03/14/ai-oss.html

Визуализируйте свои данные RAG — оцените свою систему генерации с расширенным поиском с помощью Ragas

https://towardsdatascience.com/visualize-your-rag-data-evaluate-your-retrieval-augmented-generation-system-with-ragas-fc2486308557

Кластеризация в ML: от теоретических основ популярных алгоритмов к их реализации с нуля на Python.

Кластеризация — это набор методов без учителя для группировки данных по определённым критериям в так называемые кластеры, что позволяет выявлять сходства и различия между объектами, а также упрощать их анализ и визуализацию. Из-за частичного сходства в постановке задач с классификацией кластеризацию ещё называют unsupervised classification.

В данной статье описан не только принцип работы популярных алгоритмов кластеризации от простых к более продвинутым, но а также представлены их упрощённые реализации с нуля на Python, отражающие основную идею. Помимо этого, в конце каждого раздела указаны дополнительные источники для более глубокого ознакомления.

Читать далее https://habr.com/ru/articles/798331

Код и модели PyTorch для самостоятельного обучения V-JEPA по видео.

V-JEPA — метод, позволяющий научить машины понимать и моделировать физический мир с помощью просмотра видео.

https://github.com/facebookresearch/jepa

Полное руководство по написанию собственных трансформеров

https://towardsdatascience.com/a-complete-guide-to-write-your-own-transformers-29e23f371ddd

Изучите машинное обучение в 2024 году

https://www.freecodecamp.org/news/learn-machine-learning-in-2024

Настоящее предназначение OpenAI SORA: как и зачем симулировать «Матрицу» для ChatGPT

Ну что, уже успели прочитать восхищения небывалым качеством видео от нейросетки SORA у всех блогеров и новостных изданий? А теперь мы вам расскажем то, о чем не написал никто: чего на самом деле пытается добиться OpenAI с помощью этой модели, как связана генерация видео с самоездящими машинами и AGI, а также при чем здесь культовая «Матрица». https://habr.com/ru/articles/794566/

Введение в DSPy: прощайте, подсказки, здравствуйте, программирование!
Как платформа DSPy решает проблему нестабильности в приложениях на основе LLM, заменяя подсказки программированием и компиляцией

https://towardsdatascience.com/intro-to-dspy-goodbye-prompting-hello-programming-4ca1c6ce3eb9

Изучите генеративный искусственный интеллект за 30 часов

https://www.freecodecamp.org/news/learn-generative-ai-in

Сборник бесплатных курсов по изучению науки о данных, инженерии данных, машинного обучения, MLOps и LLMOps.

https://www.kdnuggets.com/collection-of-free-courses-to-learn-data-science-data-engineering-machine-learning-mlops-and-llmops

Визуализация параметров градиентного спуска в Torch

https://towardsdatascience.com/visualizing-gradient-descent-parameters-in-torch-332a63d1e5c5

7 бесплатных курсов Гарвардского университета для развития ваших навыков

https://www.kdnuggets.com/7-free-harvard-university-courses-to-advance-your-skills

Использование теории игр для повышения прозрачности моделей машинного обучения.

Интерпретация современных моделей машинного обучения может быть чрезвычайно сложным делом учитывая, что количество параметров и весовых коэффициентов может идти на тысячи и даже миллионы. Тем не менее это совершенно необходимо, для повышения качества, обеспечения стабильности и предсказуемости работы модели. В этом нам может помочь теория игр, математическая дисциплина позволяющая выделить из сложного взаимодействия факторов модели отдельный вклад каждого в конечное предсказание.

Читать далееhttps://habr.com/ru/articles/795957/

Почему Адам — самый популярный оптимизатор в области глубокого обучения? Давайте разберемся в этом, углубившись в математику и воссоздав алгоритм.

https://towardsdatascience.com/the-math-behind-adam-optimizer-c41407efe59b

T-RAG = RAG + Точная настройка + Обнаружение объектов

https://cobusgreyling.medium.com/t-rag-rag-fine-tuning-entity-detection-9a5aaa01e437

Высококачественные данные — это топливо для современного обучения моделей глубокого обучения данных. Большая часть помеченных данных для конкретной задачи поступает из аннотаций, выполняемых человеком

Многие методы машинного обучения, описанные в этой статье, могут помочь в повышении качества данных, но по сути сбор данных человеком предполагает внимание к деталям и тщательное выполнение. https://lilianweng.github.io/posts/2024-02-05-human-data-quality

3D -объект из 4 картинок (GitHub Repo) Всего лишь четыре изображения, чтобы получить высококачественный 3D-объект

https://github.com/gaussianobject/gaussianobject