Аналитика данных, Дата Сеанс
@workakkk - по всем вопросам
Post #179
1.63K
🔥 Руководство по инженерии ИИ – как начать карьеру и преуспеть в качестве инженера ИИ!
🔗 Ссылка: *клик*
🔗 Ссылка: *клик*
- 👍 3
Channel Public Channel
АН Аналитик данных
@dataanlitics
- Subscribers
- 6.25K
- Photos
- 258
- Videos
- 37
- Links
- 238
Showing posts older than #180 · Back to latest
Older Posts 17 shown
Post #178
1.71K
🔥 ACU — тщательно подобранный список ресурсов, посвященных AI-агентам для взаимодействия с компьютерными системами!
🌟 В него входят исследования, проекты, фреймворки и инструменты, которые описывают, как автономные программы могут выполнять задачи через клики, нажатия клавиш, вызовы API и другие действия.
🖥 Github
🌟 В него входят исследования, проекты, фреймворки и инструменты, которые описывают, как автономные программы могут выполнять задачи через клики, нажатия клавиш, вызовы API и другие действия.
🖥 Github
Post #177
1.87K
🎓 Введение в статистическую теорию машинного обучения
📌 Видео
📌 Урок 1 / Урок2 / Урок3 / Урок4 / Урок5 / Урок 6
📌 Colab
📌Полный курс
YouTube Введение в статистическую теорию машинного обучения! Статистика в машинном обучении
Машинное обучение (Machine Learning) представляет собой метод обучения компьютерных систем, основанный на статистических моделях и логических операциях
🔥 https://t.me/+mweO6x5UIXJjMTJi - мой телеграм канал, где собрана вся… 📌 Видео
📌 Урок 1 / Урок2 / Урок3 / Урок4 / Урок5 / Урок 6
📌 Colab
📌Полный курс
- 👍 2
Post #176
1.59K
Ваши данные - ваша сила
- ❤ 3
- 👍 2
Post #175
2.04K
💥 Подборка годных ML плейлистов для
Обучения
1. Caltech CS156: Обучение на данных: https://youtube.com/playlist?list=PLD63A284B7615313A
2. Stanford CS229: Machine Learning: https://youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU
3. Прикладное машинное обучение: https://youtube.com/playlist?list=PLAqhIrjkxbuWI23v9cThsA9GvCAUhRvKZ
4. Введение в машинное обучение (Тюбинген): https://youtube.com/playlist?list=PL05umP7R6ij35ShKLDqccJSDntugY4FQT
5. Лекция по машинному обучению (Стефан Хармелинг): https://youtube.com/playlist?list=PLzrCXlf6ypbxS5OYOY3EN_0u2fDuIT6Gt
@dataanlitics
Обучения
1. Caltech CS156: Обучение на данных: https://youtube.com/playlist?list=PLD63A284B7615313A
2. Stanford CS229: Machine Learning: https://youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU
3. Прикладное машинное обучение: https://youtube.com/playlist?list=PLAqhIrjkxbuWI23v9cThsA9GvCAUhRvKZ
4. Введение в машинное обучение (Тюбинген): https://youtube.com/playlist?list=PL05umP7R6ij35ShKLDqccJSDntugY4FQT
5. Лекция по машинному обучению (Стефан Хармелинг): https://youtube.com/playlist?list=PLzrCXlf6ypbxS5OYOY3EN_0u2fDuIT6Gt
@dataanlitics
- 🔥 3
- 👍 2
- ❤ 1
Post #174
2K
🔥 Курс по изучению Mistral AI с JavaScript!
💡 Научитесь создавать интеллектуальные приложения с использованием моделей Mistral AI с открытым исходным кодом. Этот курс охватывает все: от создания чата до расширенных вариантов использования, таких как RAG и вызов функций.
🕞 Продолжительность: 1:24:04
🔗 Ссылка: *клик*
#курс #machinelearning #javascript
💡 Научитесь создавать интеллектуальные приложения с использованием моделей Mistral AI с открытым исходным кодом. Этот курс охватывает все: от создания чата до расширенных вариантов использования, таких как RAG и вызов функций.
🕞 Продолжительность: 1:24:04
🔗 Ссылка: *клик*
#курс #machinelearning #javascript
- 🔥 4
- ❤ 2
- 👍 2
Post #173
2.2K
Post #172
2.22K
⚡️ Тензорное разложении и его применении в машинном обучении. Урок 4
📌 Видео
📌 Урок 1 / Урок2 / Урок3
📌 Colab
YouTube Тензорное разложении и его применении в машинном обучении. Урок 4 🔥 https://t.me/+mweO6x5UIXJjMTJi - мой авторский телеграм канал, где собрана вся база по ИИ и машинному обучению, разбор кода и лучшие уроки для вас, подписывайтесь!
🔥 https://t.me/addlist/2Ls-snqEeytkMDgy - для всех кто любит машинное обучение я собрал… 📌 Видео
📌 Урок 1 / Урок2 / Урок3
📌 Colab
- 👍 3
Post #171
2.05K
Свежий мини-курс по работе с моделями типа O1 и другими «reasoning»-моделями.
Это официальный гайд по промптингу, созданный в сотрудничестве с OpenAI и ключевым разработчиком Колином Джарвисом (главой подразделения решений в области искусственного интеллекта).
Курс научит вас новым важным техникам для модификации запросов, выполнения планов, генерации кода, рассуждений и многого другого.
Он поможет улучшить ответы нейросети O1, ведь стандартные методы промпт-инжиниринга зачастую приводят к ухудшению качества ответов.
Гайды разработаны при участии OpenAI, поэтому им можно доверять:
https://www.deeplearning.ai/short-courses/reasoning-with-o1/
Это официальный гайд по промптингу, созданный в сотрудничестве с OpenAI и ключевым разработчиком Колином Джарвисом (главой подразделения решений в области искусственного интеллекта).
Курс научит вас новым важным техникам для модификации запросов, выполнения планов, генерации кода, рассуждений и многого другого.
Он поможет улучшить ответы нейросети O1, ведь стандартные методы промпт-инжиниринга зачастую приводят к ухудшению качества ответов.
Гайды разработаны при участии OpenAI, поэтому им можно доверять:
https://www.deeplearning.ai/short-courses/reasoning-with-o1/
- ❤ 1
- 👍 1
Post #170
2.45K
Post #169
2.19K
Post #168
2.09K
Машинное обучение на JavaScript
Заняться машинным обучением можно даже, если вы не знакомы с Python. Для этого у JS есть библиотека
В этом уроке вы познакомитесь с основами использования
#javascript #ml #видео
Заняться машинным обучением можно даже, если вы не знакомы с Python. Для этого у JS есть библиотека
ml5.js, которая построена на основе TensorFlow.js.В этом уроке вы познакомитесь с основами использования
ml5.js для создания интерактивных и интеллектуальных веб-приложений. Ролик подойдёт даже тем, у кого ещё нет опыта работы с машинным обучением.#javascript #ml #видео
Post #167
1.87K
Forwarded from Machinelearning
📎 ML в медицине: дайджест за 1 - 7 декабря 2024 г.
▶️Модели, бенчмарки и датасеты
🔘SOAR: бенчмарк для оценки LLM в задачах аннотации типов клеток.
Тест, который проверяет, насколько хорошо модели могут понимать и анализировать сложные данные о клетках.
🔘Повышение точности диагностики рентгенограмм грудной клетки с помощью анализа направления взгляда врачей.
Система 2-х нейросетей, которая помогает диагностировать заболевания по рентгенограммам грудной клетки и предсказывает, на какие области изображения врачи обращают внимание.
🔘EchoONE: унифицированная модель для сегментации множества плоскостей эхокардиографии.
Модель, которая помогает врачам более точно анализировать снимки сердца, сделанные с помощью ультразвука, даже если снимки сделаны под разными углами.
▶️Фреймворки и методологии
🔘RARE: RAG-ризонинг.
Метод для улучшения способности рассуждать и давать точные ответы, используя комбинацию генерации и поиска информации для обогащения своих знаний.
🔘STORM: cтратегия организации модальностей для классификации редких событий.
Алгоритм, который помогает выбрать лучшие источники информации для решения сложных медицинских задач.
🔘TransFair: прогноз прогрессирования глазных заболеваний.
Модель классификации, которая помогает сделать прогнозы о глазных заболеваниях более справедливыми и точными.
🔘PePR: оценка эффективности моделей с учетом потребления ресурсов.
Показатель, который помогает оценить, насколько эффективно модель использует ресурсы.
🔘Оценка качества рентгенологических заключений с помощью сопоставления клинических данных с изображением.
Метод оценки качества автоматически сгенерированных рентгенологических отчетов, который учитывает точность описания патологических изменений, их локализации и степени выраженности.
▶️Медицинские LLM-приложения
🔘MedChain: LLM-агент и бенчмарк для принятия клинических решений.
Набор данных и система для имитации реальной клинической практики, где каждый случай включает подробную информацию о пациенте и требует активного сбора информации и принятия решений на основе предыдущих шагов.
🔘QG-Summ: автореферирование медицинских записей с самоконтролем, управляемое запросами.
Метод, который помогает создавать краткие и точные отчеты о состоянии пациентов в электронных медкартах, используя запросы, связанные с пациентом, для руководства процессом.
🔘CLINICSUM: генерация медицинских заключений из диалогов врача и пациента.
Фреймворк, который может автоматически создавать медицинские заключения на основе разговоров между врачом и пациентом, используя специальную архитектуру.
▶️Исследования и обзоры
*️⃣Проблемы производительности LLM для здравоохранения с учетом демографической справедливости.
Исследование проблемы демографической предвзятости популярных современных LLM в различных медицинских задачах.
*️⃣Применение эмбединг-моделей для классификации медицинских текстов.
Статья о том, как использовать эмбединги для классификации медицинских текстов без необходимости обучения на медицинских данных.
*️⃣BlockMedCare: блокчейн, ИИ и IoT для здравоохранения будущего.
Концепция системы для безопасного и эффективного управления электронными медицинскими картами, позволяя пациентам, врачам и администраторам взаимодействовать с системой на различных устройствах.
🔜 Читать полный дайджест
🔜Telegraph
@ai_machinelearning_big_data
▶️Модели, бенчмарки и датасеты
🔘SOAR: бенчмарк для оценки LLM в задачах аннотации типов клеток.
Тест, который проверяет, насколько хорошо модели могут понимать и анализировать сложные данные о клетках.
🔘Повышение точности диагностики рентгенограмм грудной клетки с помощью анализа направления взгляда врачей.
Система 2-х нейросетей, которая помогает диагностировать заболевания по рентгенограммам грудной клетки и предсказывает, на какие области изображения врачи обращают внимание.
🔘EchoONE: унифицированная модель для сегментации множества плоскостей эхокардиографии.
Модель, которая помогает врачам более точно анализировать снимки сердца, сделанные с помощью ультразвука, даже если снимки сделаны под разными углами.
▶️Фреймворки и методологии
🔘RARE: RAG-ризонинг.
Метод для улучшения способности рассуждать и давать точные ответы, используя комбинацию генерации и поиска информации для обогащения своих знаний.
🔘STORM: cтратегия организации модальностей для классификации редких событий.
Алгоритм, который помогает выбрать лучшие источники информации для решения сложных медицинских задач.
🔘TransFair: прогноз прогрессирования глазных заболеваний.
Модель классификации, которая помогает сделать прогнозы о глазных заболеваниях более справедливыми и точными.
🔘PePR: оценка эффективности моделей с учетом потребления ресурсов.
Показатель, который помогает оценить, насколько эффективно модель использует ресурсы.
🔘Оценка качества рентгенологических заключений с помощью сопоставления клинических данных с изображением.
Метод оценки качества автоматически сгенерированных рентгенологических отчетов, который учитывает точность описания патологических изменений, их локализации и степени выраженности.
▶️Медицинские LLM-приложения
🔘MedChain: LLM-агент и бенчмарк для принятия клинических решений.
Набор данных и система для имитации реальной клинической практики, где каждый случай включает подробную информацию о пациенте и требует активного сбора информации и принятия решений на основе предыдущих шагов.
🔘QG-Summ: автореферирование медицинских записей с самоконтролем, управляемое запросами.
Метод, который помогает создавать краткие и точные отчеты о состоянии пациентов в электронных медкартах, используя запросы, связанные с пациентом, для руководства процессом.
🔘CLINICSUM: генерация медицинских заключений из диалогов врача и пациента.
Фреймворк, который может автоматически создавать медицинские заключения на основе разговоров между врачом и пациентом, используя специальную архитектуру.
▶️Исследования и обзоры
*️⃣Проблемы производительности LLM для здравоохранения с учетом демографической справедливости.
Исследование проблемы демографической предвзятости популярных современных LLM в различных медицинских задачах.
*️⃣Применение эмбединг-моделей для классификации медицинских текстов.
Статья о том, как использовать эмбединги для классификации медицинских текстов без необходимости обучения на медицинских данных.
*️⃣BlockMedCare: блокчейн, ИИ и IoT для здравоохранения будущего.
Концепция системы для безопасного и эффективного управления электронными медицинскими картами, позволяя пациентам, врачам и администраторам взаимодействовать с системой на различных устройствах.
🔜 Читать полный дайджест
🔜Telegraph
@ai_machinelearning_big_data
- 👍 4
- ❤ 1
Post #166
1.77K
🔥 Создание ИИ-генератора изображений с помощью Python!
🌟 Узнайте, как генерировать изображения AI бесплатно с помощью Google Collab и локально на вашем компьютере. Изучите различные модели и подсказки для создания высококачественных изображений без усилий.
🕞 Продолжительность: 17:19
🔗 Ссылка: *клик*
#курс #python
@dataanlitics
🌟 Узнайте, как генерировать изображения AI бесплатно с помощью Google Collab и локально на вашем компьютере. Изучите различные модели и подсказки для создания высококачественных изображений без усилий.
🕞 Продолжительность: 17:19
🔗 Ссылка: *клик*
#курс #python
@dataanlitics
- 👍 4
- ❤ 1
- 🔥 1
Post #162
1.96K
⚡️ Cotype Nano - русскоязычная SLM от МТС.
MTS AI опубликовала в открытый доступ легковесную модель генерации текста C otype Nano и ее квантованные вариации.
Cotype Nano построена на базе Qwen2.5-1.5B и обучалась методом SFT на датасете объемом 1 млн. инструкций из областей: математика, программирование, обобщение текста и текстовые диалоги. В создании датасета использовалась большая модель Cotype Pro 32k.
На первой стадии обучался слой MLP с LoRa на датасетах по математике и программированию. На второй стадии обучалась вся модель на инструктивных датасетах. Завершающим этапом стал alignment (DPO) на отдельно сгенерированном датасете.
Оценка модели проводилась автоматическим side-by-side с gpt-3.5-turbo и gpt-4 на внутреннем датасете и в бенчмарках RuGeneralArena, где Cotype-Nano показала лучший результат в своей весовой категории.
▶️Набор моделей:
🟢Cotype-Nano - 1.54 млрд. параметров;
🟠Cotype‑Nano-4bit - 403 млн. параметров, квантованная методом AWQ версия;
🟠Cotype‑Nano‑CPU - оптимизированная с помощью openVINO версия под CPU Intel;
🟠Cotype Nano GGUF - 1.54 млрд параметров, две версии в разрядности 16-bit (3. 09 Gb) и 8-bit (1.65 GB) под llama.cpp.
📌Лицензирование: Apache 2.0 License.
🟡Статья на Habr
🟡Набор моделей на HF
@dataanlitics
#AI #ML #SLM #RuLLM #MTSAI
MTS AI опубликовала в открытый доступ легковесную модель генерации текста C otype Nano и ее квантованные вариации.
Cotype Nano построена на базе Qwen2.5-1.5B и обучалась методом SFT на датасете объемом 1 млн. инструкций из областей: математика, программирование, обобщение текста и текстовые диалоги. В создании датасета использовалась большая модель Cotype Pro 32k.
На первой стадии обучался слой MLP с LoRa на датасетах по математике и программированию. На второй стадии обучалась вся модель на инструктивных датасетах. Завершающим этапом стал alignment (DPO) на отдельно сгенерированном датасете.
Оценка модели проводилась автоматическим side-by-side с gpt-3.5-turbo и gpt-4 на внутреннем датасете и в бенчмарках RuGeneralArena, где Cotype-Nano показала лучший результат в своей весовой категории.
▶️Набор моделей:
🟢Cotype-Nano - 1.54 млрд. параметров;
🟠Cotype‑Nano-4bit - 403 млн. параметров, квантованная методом AWQ версия;
🟠Cotype‑Nano‑CPU - оптимизированная с помощью openVINO версия под CPU Intel;
🟠Cotype Nano GGUF - 1.54 млрд параметров, две версии в разрядности 16-bit (3. 09 Gb) и 8-bit (1.65 GB) под llama.cpp.
📌Лицензирование: Apache 2.0 License.
🟡Статья на Habr
🟡Набор моделей на HF
@dataanlitics
#AI #ML #SLM #RuLLM #MTSAI
- 👍 5
- ❤ 2
Post #161
1.66K
Forwarded from Machinelearning
🌟 Hymba-1.5B: Базовая и инструктивная модели от NVIDIA.
Hymba-1.5B-Base имеет embedding size 1600, 25 attention heads, MLP 5504, 32 слоя, 16 состояний SSM, 3 слоя полного внимания, остальные - внимания со скользящим окном.
В отличие от стандартного трансформера, каждый слой внимания в Hymba имеет гибридную комбинацию стандартных attention heads и Mamba heads в параллельном исполнении. Hymba использует технологии Grouped-Query Attention (GQA) и Rotary Position Embeddings (RoPE).
Hymba обучалась на 1.5 трлн токенах в 2 этапа предварительного обучения и 3 этапами посттренининга.
Hymba-1.5B-Instruct - файнтон Hymba-1.5B-Base на комбинации открытых наборов данных инструкций и собранных собственными силами синтетических датасетов.
Эта модель настраивалась с помощью SFT и DPO и способна как в математические рассуждения и вызов функций, так и в ролевые сценарии.
⚠️ В Hymba-1.5B-Instruct используется кастомный шаблон промпта, который был интегрирован в токенизатор и может быть применен с помощью
▶️Пример инференса Hymba-1.5B-Base:
📌 Лицензирование: NVIDIA Open Model License Agreement
🟡Набор моделей на HF
@ai_machinelearning_big_data
#AI #ML #SLM #Hymba #Nvidia
Hymba-1.5B-Base имеет embedding size 1600, 25 attention heads, MLP 5504, 32 слоя, 16 состояний SSM, 3 слоя полного внимания, остальные - внимания со скользящим окном.
В отличие от стандартного трансформера, каждый слой внимания в Hymba имеет гибридную комбинацию стандартных attention heads и Mamba heads в параллельном исполнении. Hymba использует технологии Grouped-Query Attention (GQA) и Rotary Position Embeddings (RoPE).
Hymba обучалась на 1.5 трлн токенах в 2 этапа предварительного обучения и 3 этапами посттренининга.
Hymba-1.5B-Instruct - файнтон Hymba-1.5B-Base на комбинации открытых наборов данных инструкций и собранных собственными силами синтетических датасетов.
Эта модель настраивалась с помощью SFT и DPO и способна как в математические рассуждения и вызов функций, так и в ролевые сценарии.
⚠️ В Hymba-1.5B-Instruct используется кастомный шаблон промпта, который был интегрирован в токенизатор и может быть применен с помощью
tokenizer.apply_chat_template.▶️Пример инференса Hymba-1.5B-Base:
from transformers import LlamaTokenizer, AutoModelForCausalLM, AutoTokenizer, AutoModel
import torch
# Load the tokenizer and model
repo_name = "nvidia/Hymba-1.5B-Base"
tokenizer = AutoTokenizer.from_pretrained(repo_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(repo_name, trust_remote_code=True)
model = model.cuda().to(torch.bfloat16)
# Chat with Hymba
prompt = input()
inputs = tokenizer(prompt, return_tensors="pt").to('cuda')
outputs = model.generate(**inputs, max_length=64, do_sample=False, temperature=0.7, use_cache=True)
response = tokenizer.decode(outputs[0][inputs['input_ids'].shape[1]:], skip_special_tokens=True)
print(f"Model response: {response}")
📌 Лицензирование: NVIDIA Open Model License Agreement
🟡Набор моделей на HF
@ai_machinelearning_big_data
#AI #ML #SLM #Hymba #Nvidia
- 👍 2
Post #160
1.76K
👩💻 Курс по анализу и визуализации данных на Python с астрономическими данными!
💡 Этот курс — путешествие по вселенной анализа и визуализации данных, специально разработанный для астрономических данных. Курс охватывает все: от основ программирования на Python до продвинутых методов обработки изображений.
🕞 Продолжительность: 6:31:57
🔗 Ссылка: *клик*
#курс #python #dataanalysis
@dataanlitics
💡 Этот курс — путешествие по вселенной анализа и визуализации данных, специально разработанный для астрономических данных. Курс охватывает все: от основ программирования на Python до продвинутых методов обработки изображений.
🕞 Продолжительность: 6:31:57
🔗 Ссылка: *клик*
#курс #python #dataanalysis
@dataanlitics
- 👍 7
- ❤ 1