Материалы по Data Science

Я если что переехал))
https://t.me/donald_proDUCKt

Я тут решил воскресить канал ,
в ближайшее время появятся посты с созданием франкенштейнов из flutter и ml

А пока вот подборка того из чего я обычно собирал посты :

datascience
datamining
Vk lab
Группа со статьями
Ml
Yandexcloud
База знаний yandex
Mlai

Наткнулся на прикольную штуку https://cables.gl/ можно блоками сделать довольно интересные визуализации и всякие интерактивные интерфейсы

На базе нашего вуза пройдет Слет участников нейроиндустрии. Если вам интересно, можете зарегаться и послушать удаленно https://leader-id.ru/events/381090

Большой и красивый сборник гайдов по визуализациям: как подобрать нужный график в зависимости от количества и типа переменных, какие преимущества и недостатки у различных диаграмм и какой смысл они передают

Тоже митап по рекомендалкам но этот в вк
#ивенты https://team.vk.company/event/957/?utm_source=vkontakte&utm_medium=social&utm_campaign=vkteam&utm_term=stories

https://vk.com/wall-210690350_89
Регистрация
#ивенты

Тут очень поверхностно но чтоб понять идею сойдет
https://neurohive.io/ru/osnovy-data-science/gan-rukovodstvo-dlja-novichkov/

Наш прошлый куратор ведет семинары по pytorch
💡Серия семинаров «Глубокое обучение с Pytorch»💡

На семинарах будет большое количество практики по обучению нейронных сетей и работе с фреймворком Pytorch. По итогам, вы сможете реализовать необходимую архитектуру и научитесь проводить обучение моделей.

Будут разобраны следующие темы:
✅ механизм обучения нейронных сетей и работа Autograd
✅ все этапы процесса обучения моделей
✅ архитектура «Transformer» и некоторые слои из современных статей
✅ логирование и поиск гиперпараметров с помощью Wandb, фреймворк Pytorch Lightning
✅ обучение модели на сервере
✅ запуск модели в контейнере (Docker, Apptainer)
✅ распараллеливание обучения на нескольких видеокартах
✅ запуск обучения на кластере (Slurm)

После каждого семинара будет домашнее задание.
Необходимы минимальные начальные знания: Python, умножение матриц, дифференцирование.

📅Занятия будут проходить по понедельникам с 18:00 по 19:30 (6 пара).

Семинары будет вести выпускник РТУ МИРЭА, сотрудник Центра Когнитивного Моделирования МФТИ Корчемный Александр.

🖇️ Ссылка для записи: https://forms.gle/XNmA4Nv9NFwjdJG87
[Ссылка]
Запись на семинары "Глубокое обучение с Pytorch"
https://forms.gle/XNmA4Nv9NFwjdJG87

Я думаю зарегаться просто чтоб не упустить возможность с офлайн хаком https://tenderhack.ru/msk

Не совсем по теме но вот сайт со всеми алгоритмами

Решил выложить свой конспект с материалами по которым я сейчас пытаюсь придумать что- то для статьи
https://amenable-city-4e4.notion.site/5025d50b2d3f41a3b58592f863fe9bbe

Weekend Reading

For those who are not busy with ICLR rebuttals — you can now have a look at all accepted NeurIPS’22 papers on OpenReview (we will have a review of graph papers at NeurIPS a bit later). Meanwhile, the week brought several cool new works:

Are Defenses for Graph Neural Networks Robust? by Felix Mujkanovic, Simon Geisler, Stephan Günnemann, Aleksandar Bojchevski. Probably THE most comprehensive work of 2022 on adversarial robustness of GNNs.

TuneUp: A Training Strategy for Improving Generalization of Graph Neural Networks by Weihua Hu, Kaidi Cao, Kexin Huang, Edward W Huang, Karthik Subbian, Jure Leskovec. The paper introduces a new self-supervised strategy by asking the model to generalize better on tail nodes of the graph after some synthetic edge dropout. Works in node classification, link prediction, and recsys.

Neural Set Function Extensions: Learning with Discrete Functions in High Dimensions by Nikolaos Karalias, Joshua David Robinson, Andreas Loukas, Stefanie Jegelka. Insightful theoretical work on set functions and discrete learning. Particularly good results on combinatorial optimization problems like max clique and max independent set.

Канал связанный с графами публикует такие weekend reading

https://t.me/dpcp_2022_bot
https://t.me/hackathons_ai
Тут публикуются хакатоны от цифрового прорыва

#датасеты
Обещанный датасет из ВК