TGViewer
Channel Public Channel
DS & ML | YeaHub

DS & ML | YeaHub

@yeahub_data_science

Теория, подготовка к интервью и курсы для Data Science специалистов

YeaHub — это платформа для IT-специалистов, объединяющая обучение, карьерный рост, развитие и сообщество единомышленников.

Платформа: https://yeahub.ru

Для связи: @ruslan_kuyanets
Subscribers
483
Photos
312
Videos
67
Links
543

Showing posts older than #245 · Back to latest

Older Posts 15 shown
Post #244 109
#полезное
😬 AlphaEvolve: ИИ от DeepMind, который создаёт новые алгоритмы

В мае 2025 года DeepMind представила AlphaEvolve — универсального ИИ-агента, способного самостоятельно разрабатывать и оптимизировать алгоритмы. Это не просто генератор кода: AlphaEvolve сочетает мощь языковых моделей Gemini с эволюционными методами поиска и автоматической проверкой решений.

Что умеет AlphaEvolve?

🔵 Решение сложных математических задач: AlphaEvolve улучшил нижнюю границу числа поцелуев в 11 измерениях с 592 до 593 — впервые за десятилетия :contentReference[oaicite:0]{index=0}.
🔵 Оптимизация алгоритмов умножения матриц: Превзошёл алгоритм Штрассена 1969 года, сократив количество умножений для 4×4 матриц с 49 до 48 :contentReference[oaicite:1]{index=1}.
🔵 Улучшение инфраструктуры Google: Повысил эффективность дата-центров на 1%, оптимизировал дизайн TPU и ускорил обучение моделей Gemini :contentReference[oaicite:2]{index=2}.

Как это работает?

AlphaEvolve использует:

1⃣ Исходный алгоритм и функцию оценки.
2⃣ Языковую модель Gemini, чтобы генерировать варианты решения.
3⃣ Автоматическую проверку для оценки эффективности каждого варианта.
4⃣ Эволюционный цикл: лучшие решения сохраняются и используются для генерации новых.

Такой подход позволяет AlphaEvolve находить решения, которые ранее были недоступны даже экспертам.

Результаты

- В 75% случаев AlphaEvolve воспроизводил известные оптимальные решения.
- В 20% случаев находил новые, более эффективные решения.
- В оставшихся 5% — результаты были хуже известных, что подчёркивает необходимость дальнейших исследований :contentReference[oaicite:3]{index=3}.

Почему это важно?

AlphaEvolve демонстрирует, что ИИ способен не только повторять известные решения, но и создавать новые знания. Это шаг к ИИ, который может активно участвовать в научных открытиях и инженерных разработках.
Подробнее

👉Новости 👉База вопросов
Post #243 82
#полезное
😊 У Microsoft вышел бесплатный курс по MCP для начинающих с 10 практическими лабораторными работами

Изучайте основы MCP на практике с примерами на .NET, Java, TypeScript, JavaScript и Python в среде VS Code. Все структурно и доступно на 40+ языках мира (есть русский, но машинный перевод)
Гитхаб

👉Новости 👉База вопросов
Post #242 83
#Собес #mongoDB
🤔 Что такое шардирование в MongoDB?

Шардирование - это процесс горизонтального разделения данных между несколькими серверами для обеспечения масштабируемости и производительности базы данных. Каждый сервер (или шард) хранит часть данных. MongoDB использует шардирование, чтобы распределять нагрузку и обрабатывать большие обьемы данных.

👉Новости 👉База вопросов
Post #240 95
#полезное
😘 AI-агенты наконец-то могут взаимодействовать с вашим фронтендом

Протокол AG-UI устраняет критически важный разрыв между AI-агентами и фронтенд-приложениями, обеспечивая бесшовное взаимодействие между человеком и агентом.

MCP: от агентов к инструментам
A2A: от агентов к агентам
AG-UI: от агентов к пользователям

Полностью с открытым исходным кодом. Вот официальный репозиторий AG-UI от CopilotKit на GitHub

👉Новости 👉База вопросов
Post #239 82
#Собес #mongoDB
🤔 Какие факторы следует учитывать в процессе разработки схемы MongoDB?

При проектировании схемы в MongoDB важно учитывать потребности пользователей, особенности работы с данными и оптимизацию запросов. Схема должна быть гибкой и подходить для работы с документами, которые часто используются вместе.

👉Новости 👉База вопросов
Post #238 135
#видео
😎 End-to-end проект по машинному обучению

Нашёл годный пошаговый гайд по ML-проекту.

Он начинается с базового EDA и обучает интеграции с MLOps с использованием таких инструментов, как ZenML и MLflow для отслеживания экспериментов и деплоймента.
Смотреть видео

👉Новости 👉База вопросов
  • 👍 1
Post #237 102
#полезное
🛞 DiffusionRenderer (Cosmos): Neural Inverse and Forward Rendering with Video Diffusion Models

Cosmos DiffusionRenderer — это современный фреймворк для нейросетевого de-lighting и re-lighting видео и изображений.

Новый релиз даёт качественный скачок по сравнению с предыдущей версией: ещё более чистое удаление и добавление освещения благодаря архитектуре NVIDIA Cosmos и улучшенному пайплайну обработки данных.

Минимальные требования:
🟠 Python 3.10
🟠 NVIDIA GPU с минимум 16 ГБ VRAM (рекомендуется ≥24 ГБ)
🟠 NVIDIA драйверы и CUDA 12.0+
🟠 Свободно ≥70 ГБ на диске

Проект протестирован на Ubuntu 20.04 и видеокартах NVIDIA A100/A5000.
Гитхаб

👉Новости 👉База вопросов
Post #236 134
#полезное
🤓 Движок RAG для глубокого понимания документов

RAGFlow позволяет создавать корпоративного уровня RAG-воркфлоу для работы со сложными документами с обоснованными цитированиями.

Поддерживает мультимодальное понимание данных, веб-поиск, глубокие исследования и т.д.

Полностью локальный и с открытым исходным кодом, более 55 тысяч звёзд на GitHub
Гитхаб

👉Новости 👉База вопросов
  • ❤ 1
Post #234 130
#полезное
😵‍💫 Как объяснить коэффициенты логистической регрессии без технических деталей

Представим так:

У нас есть модель, которая помогает понять — произойдёт ли какое-то событие. Например: купит ли человек товар, кликнет ли на рекламу или подпишется на рассылку.

Каждый признак (фактор) — это как один из аргументов «за» или «против» исхода. У каждого есть своя «весомость» — коэффициент:
🟠 Если коэффициент положительный — этот фактор повышает шанс, что событие произойдёт.
🟠 Если отрицательный — наоборот, снижает вероятность.
🟠 Чем больше по модулю число — тем сильнее влияние этого фактора.

Чтобы понять, насколько фактор влияет, можно посмотреть на exp(коэффициент) — это показывает, во сколько раз увеличиваются шансы.

Например:
Если exp(коэффициент) = 1.5, это значит: каждый дополнительный «балл» этого признака повышает шансы на 50%.

👉Новости 👉База вопросов
Post #232 112
#книги
😊 MIT выложил в открытый доступ шикарный учебник по компьютерному зрению:
https://visionbook.mit.edu

Foundations of Computer Vision — концентрат базовых концепций CV через призму image processing и ML. Книга написана Торральбой, Исолой и Фрименом — ребята знают, о чём говорят.

Без воды: короткие главы, мощные визуализации, акцент на интуитивное понимание. Отлично зайдёт тем, кто входит в тему, но и опытным спецам будет чем поживиться.

👉Новости 👉База вопросов
Post #231 89
#Собес #mongoDB
🤔 Что такое индексы в MongoDB?

Индексы - это структуры, которые упрощают и ускоряют поиск данных в оллекциях MongoDB. Они позволяют базе данных эффективно находить записи, не сканируя все документы в коллекции.

👉Новости 👉База вопросов
Post #230 104
#полезное
📞 Промт дня: анализ важности признаков после обучения модели

После того как вы обучили модель (особенно если это ансамблевый метод вроде Random Forest или градиентного бустинга), важно понять, какие признаки влияют на предсказания.

Это помогает:
— интерпретировать модель,
— упростить её (feature selection),
— обнаружить «лишние» или дублирующие признаки.

Промт:
Проанализируй важность признаков обученной модели. Выполни следующие шаги:

— Извлеки и отсортируй признаки по степени важности.
— Построй barplot с топ-10 признаками.
— Проверь, есть ли признаки с нулевой или близкой к нулю важностью — возможно, их можно удалить.
— Если модель поддерживает SHAP / permutation importance — добавь соответствующую визуализацию.
— Сформулируй гипотезы: почему те или иные признаки оказались важны? Как это согласуется с предметной областью?


Рекомендованные инструменты:
✅ model.feature_
importances_
— в sklearn-моделях, XGBoost, LightGBM
✅ eli5, shap, sklearn.inspection.permutation_importance — для глубокой интерпретации
✅ seaborn.barplot, matplotlib — для наглядных графиков

👉Новости 👉База вопросов
Post #223 85
#полезное
👨‍💻 ML после релиза: почему модель может сломаться — и как это вовремя заметить

Внедрили модель, подтвердили гипотезу, получили эффект — работа сделана? Увы, нет.

После деплоя начинается настоящее испытание:
🟠 данные меняются,
🟠 поведение пользователей эволюционирует,
🟠 а ваша модель может незаметно терять эффективность.

Must-read для тех, кто работает с ML в продакшене и хочет, чтобы решения были устойчивыми, а не разовыми.

Читайте, делитесь и не забывайте наблюдать за своими моделями: https://proglib.io/sh/fjpFLVWn8Z

👉Новости 👉База вопросов
Older posts →
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →