Machinelearning

🌟 Вебинар AI-агенты на практике: глубоко и по существу ML инженер из Сбера проведет проведет открытый урок, посвящённый введению в AI-агентов. На выбинаре: ▶️Вам объяснят, что представляют собой агенты и чем они отличаются от LLM и чат-ботов. ▶️Разберут внутреннего устройства агентов. ▶️Расскажут об актуальных тенденций и значимых разработках в этой области. ▶️Проведут анализ возможностей и ограничений применения агентов в бизнесе. 🟡Практическая часть вебинара посвящена разработке собственного агента на LangGraph. Спикеры: 🟢Фёдор Азаров, ML-инженер Sber CIB; 🟢Александр Лыков, к.ф.-м.н. и руководитель ШВМ. Вебинар пройдет 26 марта в 18:15. Регистрируйтесь здесь 🟡А еще много полезного мл-контента и больше информации о вебинаре можно найти в Telegram-канале ШВМ.

Gemini 2.5 Pro теперь №1 в таблице лидеров Арены - это самый большой скачок в истории (+40 пт против Grok-3/GPT-4.5)! 🏆 Gemini 2.5 Pro #1 почти во ВСЕХ категориях, модель показывает результаты на уровне с Grok-3/GPT-4.5 в категориях «Hard Prompts» и «Coding», опредив всех остальных, заняв лидирующие позиции 🏇🏆 @ai_machinelearning_big_data #google #Gemini #areana

А вот и Gemini 2.5 Pro Experimental — самая интеллектуальная модель Google Без оптимизаций Gemini 2.5 Pro Experimental лидирует в таких математических и научных бнчмарках GPQA и AIME 2025. Модель опередила на бенчмарках Sonnet 3.5. 🌌 Мультимодальный контекст до 1 миллиона токенов — анализ текста, изображений, видео, аудио и PDF. 🛠️ Поддерживае: вызовы функций, структурированный вывод, поиск Google, запуск кода. Кроме того, модель набрала 18,8 % баллов на последнем экзамене человечества. 2.5 Pro уже появился у пользователей Advanced в GeminiApp. Просто выберите его в выпадающем списке моделей на десктопных и мобильных приложениях. Скоро она также будет доступна на GoogleCloud. 💡 Содержит актуальные знания до января 2025 года. 🚀 Лимиты: 2 RPM, 50 запросов в день (бесплатно). https://blog.google/technology/google-deepmind/gemini-model-thinking-updates-march-2025/#gemini-2-5-pro Модель доступна в GoogleAI Studio → http://ai.dev @ai_machinelearning_big_data #google #Gemini

🖥 Некоторые реддиторы пишут, что уже получили доступ к Gemini 2.5 Pro, а пока мы ждем анонса, Google выкатили набор новых ИИ-моделей: TxGemma для ускорения разработки лекарств и проведения научных исследований в медицине: 🌟 TxGemma – это набор открытых моделей на базе Gemma, способных обрабатывать как обычный текст, так и структурированную медицинскую информацию (молекулы, химические соединения, белки). 🟢Модели доступны в трёх размерах: 2B, 9B и 27B. Каждый размер включает версию «predict», специально адаптированную для узких задач из Therapeutic Data Commons, например, для предсказания токсичности молекулы. Крупнейшая модель TxGemma (версия 27B predict) демонстрирует впечатляющие результаты. Она не только превосходит или примерно равна предыдущей SOTA(Tx-LLM) почти по всем задачам, но и соперничает или обходит многие модели, специально разработанные для узких медицинских областей. ✅ HF: https://huggingface.co/collections/google/txgemma-release-67dd92e931c857d15e4d1e87 #google #Gemma #drugdiscovery

Яндекс открывает новый сезон Тренировок по ML Смотрите лекции, решайте задачи, поднимайтесь в рейтинге. В третьем сезоне Тренировки по ML сосредоточатся на теме Computer Vision. Вас ждут 4 темы с контестами по 10 задач. Вы изучите не только классические методы компьютерного зрения, но и генеративные модели, локальные дескрипторы изображений, детекцию, сегментацию, контрастное предобучение и многое другое. Лучшие участники получат сертификат о прохождении Тренировок (нужно решить 20 из 40 задач), возможность пройти пробное техническое собеседование в Яндекс, проходку на топовый гик-фест о старте карьеры в IT Young Con и не только. Участники, которые хорошо себя проявят, получат возможность пройти ускоренный отбор на стажировку или сразу в штат компании. Подать заявку на Тренировки можно здесь.

🌟 Diffusion-4K – это новый инструмент для синтеза изображений в 4K. Модель text-to-image генерирует фотореалистичные изображения с высоким уровнем детализации и точно следует заданным промптам. Алгоритм синтеза изображений в рамках Diffusion-4K работает следующим образом:​ 🟢Обучение модели: Используется латентная диффузионная модель, такая как SD3-2B или Flux-12B, которая предварительно обучена на изображениях более низкого разрешения.​ 🟢Wavelet-based дообучение: Модель дообучается на 4K-изображениях с применением вейвлет-преобразования. Wavelet-based Fine-tuning – это метод, который использует вейвлет-преобразование для разложения данных (например, изображений) на составляющие с разными частотными характеристиками, после чего проводится дополнительное обучение модели с акцентом на восстановление высокочастотных деталей. Это позволяет модели фокусироваться на высокочастотных компонентах изображения, улучшая детализацию и качество синтезируемых изображений.​ 🟢Генерация изображений: После дообучения модель способна генерировать фотореалистичные 4K-изображения на основе текстовых описаний, обеспечивая высокую точность и соответствие заданным текстовым промптам.​ Алгоритм сочетает в себе предварительное обучение на низких разрешениях и специализированное дообучение на высококачественных 4K-изображениях и позволяет получать качественные генерации на выходе. Также разработчики выложили Aesthetic-4K – датасет на 10.2 GB отобранных вручную изображений с описаниями к ним, сгенерированными GPT-4o. 🟢 Github 🟢 Flux wavelet 🟢 Dataset 🟢 Статья @ai_machinelearning_big_data #ml #ai #4k #imagegenerator

🌟 NVIDIA выкатили MambaVision на Hugging Face — мощную гибридную модель, объединяющую Mamba и Transformers для задач компьютерного зрения. 🔹 Главные особенности: ▪ SOTA-производительность: превосходит существующие модели по точности (Top-1) и скорости обработки на ImageNet-1K. ▪ Гибридная архитектура: сочетает Mamba (State Space Models, SSMs) и архитектуру трансформеров, улучшая эффективность обработки изображений. ▪ Подходит для задач классификации изображений, извлечения признаков и других задач CV. MambaVision подойдет вам для автоматического анализа изображений, фильтрации данных и интеграции в AI-системы для компьютерного зрения. ✔️ MambaVision-L3-256-21K: https://huggingface.co/nvidia/MambaVision-L3-512-21K #nvidia #mamba #computervision

Скорее залетай в канал Лидеров цифровой трансформации, где скоро мы анонсируем старт самого масштабного международного хакатона страны. Также ты найдешь самые актуальные новости из мира ИТ, лучшие предложения от партнеров, полезные материалы для прокачки твоих скиллов. Ещё тебя ждёт супер-активное комьюнити, где ты сможешь найти единомышленников, крутые вакансии и многое другое.

✔️ Ant Group использует китайские чипы для снижения стоимости обучения моделей на 20% Ant Group успешно использовала хардверные решения от Alibaba и Huawei для обучения своих моделей, что позволило сократить затраты примерно на 20%. Результаты тестов показали, что китайские чипы сопоставимы по производительности с Nvidia H800. Хотя Ant Group пока полностью не отказывается от Nvidia для разработки ИИ, ее последние разработки в основном полагаются на альтернативные решения - AMD и чипы китайского производства. Это свидетельствует о том, что китайские компании ускоряют локализацию технологий искусственного интеллекта, чтобы сократить затраты и уменьшить зависимость от американских чипов. bloomberg.com ✔️ В Италии запущена первая в мире газета, созданная ChatGPT. Итальянская газета Il Foglio начала месячный эксперимент, опубликовав первый в мире газетный выпуск, сгенерированный искусственным интеллектом. Цель эксперимента - изучить влияние ИИ на журналистику, используя ChatGPT для создания контента. Редактор газеты Клаудио Сераса заявил, что ИИ использовался на всех этапах создания - от написания текстов и заголовков до цитат и резюме, при этом журналисты редакции участвуют в создании промптов для ИИ и проверке сгенерированных текстов. asianfin.com ✔️ ARC Prize запускает бенчмарк ARC-AGI-2 с призовым фондом в 1 миллион долларов. Команда ARC Prize запустила 2 этап бенчмарка ARC-AGI-2 для оценки «гибкости мышления» ИИ через задачи, которые человек решает за секунды, а алгоритмы — с трудом. Как и в прошлой версии, система проверяет способность к обобщению знаний, но теперь барьер выше: на нем базовые LLM набирают 0%, а продвинутые — меньше 4%. Призовой фонд бенчмарка -1 млн. долларов, главный приз получит разработка, которая сможет превысить 85% выполнения бенчмарка. Решение задач ARC-AGI-2 требует интуиции и адаптивности — того, что в людях заложено природой. «Это не тест на эрудицию, а проверка умения мыслить вне данных», — поясняют разработчики. arcprize.org ✔️ Поисковая система Atlantic позволит проверить, использовалась ли ваша работа для обучения моделей. Компания The Atlantic разработала поисковый инструмент, позволяющий пользователям проверить, не фигурирует ли их работа в LibGen - архиве книг, научных работ и статей, который, как сообщается, использовался для обучения популярных языковых моделей. Согласно судебным документам, набор данных LibGen использовался для обучения моделей Llama. OpenAI уже публично сообщила, что контент LibGen не включен в текущие версии ChatGPT или в API OpenAI. Другие компании, занимающиеся разработкой ИИ, пока не комментировали, использование LibGen в своем обучении. theatlantic.com ✔️ OceanDS: 1,8 млрд. данных об океане стали основой первой океанографической LLM. Китайская модель OceanDS, созданная для морских исследований, опирается на уникальную базу из 1,8 млрд токенов данных. В неё вошли оцифрованные научные работы, книги и отчёты — всё, что касается океана. По тестам OceanDS обходит топовые LLM в точности ответов на профильные запросы — разрыв достигает 25%. Это первый в мире ИИ, заточенный под океанографию. Уже сейчас его тестируют в управлении природными ресурсами Китая, а в будущем — внедрят в другие отрасли. news.cgtn.com @ai_machinelearning_big_data #AI #ML #Research #NLP

📌 72B слишком много для VLM? А 7B параметров недостаточно! QWEN только что выпустили новую модель на 32B параметров, Qwen2.5-VL-32B-Instruct. Эта модель представляет собой значительный прогресс для своего размера. И что самое лучшее, она лицензирована Apache 2. Модель выдает более подробные и структурированный ответы. 💡 Детальное понимание: превосходные возможности анализа изображений и визуальной логической дедукции. 📊 Превосходит сопоставимые модели, такие как Mistral-Small-3.1-24B и Gemma-3-27B-IT. 🚀 В нескольких тестах даже превосходит более крупный Qwen2-VL-72B-Instruct. Еще один крутой релиз понедельника! 🟢Блог: https://qwenlm.github.io/blog/qwen2.5-vl-32b/ 🟢Попробовать: https://chat.qwen.ai ВЧ: https://huggingface.co/Qwen/Qwen2.5-VL-32B-Instruct 🟢Модель: https://modelscope.cn/models/Qwen/Qwen2.5-VL-32B-Instruct @ai_machinelearning_big_data #AI #ML #LLM #Dataset #HuggingFace

💊 Свежее видео с роботами, выполняющими настоящие клинические работы. Для этого гуманоидного робота UnitreeRobotics G1 была разработана компексная система двуручного управления, включающая в себя систему отслеживание позы, продвинутые настройки захвата движений и контроллер для безопасного и точного манипулирования медицинскими инструментами. Робот тестируется для семи различных медицинских процедур, включая физические осмотры, экстренные вмешательства, точные задачи, требующие мелкой моторики и др. 🤖 Очень скоро роботизированные врачи заполнят больницы На видео робот управляется оператором дистанционно, автономность это следующий этап развития! В будущем у каждого будет свой личный врач 💉 #robotics #engineering #technology #robots

⚡️ DeepSeek V3 strikes again! На HF Появилась новая версия DeepSeek v3. Еще Deepseek обновили свое приложение. Страданиям OPENAI не будет конца 😂 ~700GB, Лицензирование: mit, тестим тут. Вы можете запустить его на компьютере M3 Mac Studio с 512 ГБ памяти, ( ~10 000 долларов) если используете квантованную версию на 352 ГБ через MLX. 🟡 HF :https://huggingface.co/deepseek-ai/DeepSeek-V3-0324/tree/main @ai_machinelearning_big_data #deepseek

🔥 LayerAnimate — метод, позволяющий управлять отдельными слоями видео, меняя элементы переднего и заднего плана. В отличие от существующих методов, которые рассматривают анимацию как единое целое, LayerAnimate предоставляет точечный контроль над каждым слоем, что делает процесс генераций более гибким и управляемым. ❓ Как это работает? LayerAnimate решает проблему ограниченности данных, с помощью конвейера обработки данных, включающего: 🟢Автоматизированную сегментацию элементов для разделения анимации на слои. 🟢Иерархическое слияние состояний движения для упрощения управления кадрами сцены. 🟢Улучшение согласованности движения для создания плавных и реалистичных анимаций. Модель позволяет переключаться между различными статическими изображениями или динамическими видео без влияния на анимацию переднего плана. Особенно интересно выглядит image-video с использованием скетча, вместо текстового описания с данными о движении, можно использовать набросок с траекторией движения сцены и получить готовую сцену. Мастхэв для тех, кто работает с анимацией. Больше примеров можно посмотреть здесь. 🟡Github 🟡Статья 🟡Проект @ai_machinelearning_big_data #videogenerator #video #ai #ml #opensource

📌 Набор датасетов по программированию от HF. HuggingFace, воодушевившись победой модели OlympicCoder над Sonnet 3.7 в бенчмарках LiveCodeBench и в заданиях Международной олимпиады по информатике 2024 года, опубликовал набор датасетов для предварительного обучения и тонкой настройки LLM в задачах генерации кода: 🟢Stack-Edu - 125 млрд. токенов образовательного кода на 15 языках программирования, отфильтрованных из The Stack v2 🟢GitHub Issues - 11 млрд. токенов из GitHub Issues 🟢Kaggle Notebooks - 2 млрд. токенов ноутбуков Kaggle по анализу данных 🟢CodeForces problems - 10 тыс. уникальных задач из сервиса CodeForces, 3 тыс из которых не были включены в массив обучения, использовавшийся DeepMind 🟢CodeForces problems DeepSeek-R1 - 8,69 Gb отфильтрованных трассировок рассуждений по задачам CodeForces 🟢International Olympiad in Informatics: Problem statements dataset (2020 - 2024) - уникальный набор из заданий Олимпиады по программированию, разбитый на подзадачи так, чтобы каждый запрос соответствовал решению этих подзадач 🟢International Olympiad in Informatics: Problem - DeepSeek-R1 CoT dataset (2020 - 2023) - 11 тыс трассировок рассуждений, выполненных DeepSeek-R1 в ходе решения заданий Олимпиады по программированию @ai_machinelearning_big_data #AI #ML #LLM #Dataset #HuggingFace

🌟 MWS запускает новый продукт — MWS Container Platform, которая объединяет в себе передовые технологии Kubernetes, DevOps и AI. Это корпоративное решение для централизованного управления Kubernetes-кластерами, предназначенное для работы в локальных, облачных и гибридных средах Основные моменты: ▶️ Автоматизация ключевых процессов: развертывание, обновление, масштабирование и контроль работы кластеров, что на 40% снижает нагрузку на ИТ-команды ▶️ Встроенные инструменты DevOps на 70% ускоряют выпуск новых приложений и упрощают их эксплуатацию ▶️ Service Mesh на базе Istio обеспечивает полную наблюдаемость за микросервисами ▶️ Поддержка работы с GPU, включая их виртуализацию и балансировку нагрузки, что позволяет повысить эффективность использования GPU на 75% ▶️ Набор готовых инструментов для построения конвейеров MLOps и LLMOps MWS Container Platform упрощает ежедневные задачи администрирования инфраструктуры, ускоряет выпуск новых продуктов и не дает погрязнуть в технической рутине. 🟡Посмотреть #devops #AI #Kubernetes

🌟 Sonata: алгоритм самообучения для получения надежных представлений точечных данных в 3D. Sonata — самообучающийся алгоритм для работы с облаками точек, опубликованный в рамках CVPR 2025, который решает проблему склонности моделей «цепляться» за простые геометрические подсказки, игнорируя семантику объектов. Это явление, названное «геометрическим сокращением», мешало 3D-решениям распознавать сложные сцены без тонкой настройки. В отличие от конкурентов, Sonata использует принципиально новую архитектуру: вместо U-Net с декодером здесь работает только энкодер Point Transformer V3. Это снижает риск «геометрических ловушек» и увеличивает каналы для анализа с 96 до 512, что критично для семантики. Алгоритм учится через самодистилляцию: модель-«студент» анализирует замаскированные фрагменты сцен, а модель-«учитель» стабилизирует обучение на целых сценах. Чтобы избежать шаблонного вывода, координаты замаскированных точек сильно искажают сильнее (σ=0.01), а сложность задач растёт постепенно — маски увеличиваются с 10 см до 40 см за первые 5% обучения.

Студент — основная модель, которая активно обучается. Она анализирует сложные виды данных: например, сцены с 70% замаскированных точек или крошечные фрагменты (5% от всей сцены). Её параметры обновляются через обратное распространение ошибки. Учитель — «замороженная» версия студента, чьи веса обновляются не через градиенты, а через экспоненциальное скользящее среднее (EMA). Он обрабатывает полные, немодифицированные сцены и служит стабильным ориентиром для студента.

Эти решения позволили собрать гигантский датасет из 140 тыс. 3D-сцен (в 86 раз больше существующих аналогов) и достичь рекордов: точность Sonata при линейном анализе на ScanNet выросла в 3,3 раза (с 21,8% до 72,5%), а с 1% данных метод почти вдвое обгоняет конкурентов. Интеграция с 2D-моделью DINOv2 добавила детализации — комбинированный подход достиг 75,9%. При этом Sonata тратит меньше ресурсов: даже на компактных архитектурах она достигает SOTA-показателей в семантической сегментации помещений и уличных сцен. Код проекта доступен на GitHub, а визуализации показывают, как алгоритм «видит» многоэтажные здания, различая комнаты и этажи без подсказок. 📌Лицензирование: Apache 2.0 License. 🟡Страница проекта 🟡Arxiv 🖥GitHub @ai_machinelearning_big_data #AI #ML #3D #Robotics #Sonata

🧍 LHM: новая модель Alibaba для генерации 3D из единственного изображения. Этот ИИ может превратить ЛЮБОЕ изображение в полный рост в анимированных 3D-персонажей за считанные секунды. 🟢Основные моменты работы модели: Выделение признаков: Из входного изображения извлекаются токены, описывающие как общую структуру тела, так и детали лица (с помощью схемы многоуровневого кодирования для головы). 🟢Мультимодальный трансформер: С помощью архитектуры трансформера происходит объединение 3D-геометрических токенов тела с визуальными токенами изображения. Механизм внимания позволяет сохранять геометрию одежды и текстурные детали. 🟢Декодирование в 3D: После слияния токенов модель быстро (в режиме feed-forward) декодирует их в параметры 3D-гaуссового распределения, которые задают форму и внешний вид анимируемого 3D-аватара. ⚡️ Модель выдает очень приличные генерации, видео выглядит плавно и естественно, особенно анимация лица и рук. Установка: git clone git@github.com:aigc3d/LHM.git cd LHM 📌Лицензирование: Apache 2.0 License. 🟡Github 🟡Проект 🟡Демка (периодически отваливается из-за наплыва пользователей) 🟡Статья 🟡Видео @ai_machinelearning_big_data #ml #opensource #3dgenerator #Alibaba

⚡️ Цены на профессиональную линейку Nvidia RTX Pro Blackwell. Американский ритейлер Connections опубликовал цены на серию RTX Pro Blackwell от Nvidia. Флагманская модель RTX Pro 6000 стоит 8565 долларов, это на 26% дороже предыдущего поколения RTX 6000 Ada. В прайсе также перечислены еще невыпущенные модели RTX Pro 4000/4500/5000: 🟢RTX Pro 5000 — 4569 долларов; 🟢RTX Pro 4500 — 2623 доллара; 🟢RTX Pro 4000 — 1546 долларов. Цены, традиционно для американского ритейла, указаны до налогов, которые в каждом штате разные. @ai_machinelearning_big_data #news #ai #ml

📌Ученые обнаружили сходство между мозгом человека и нейросетями в принципах обработки языка. Совместное исследование Google Research, Принстонского университета, NYU и Еврейского университета в Иерусалиме нашло параллели в обработке естественного языка человеческим мозгом и большими языковыми моделями. Используя внутричерепные электроды, ученые зафиксировали нейронную активность во время спонтанных диалогов и сравнили ее с внутренними представлениями модели Whisper, разработанной для преобразования речи в текст. Оказалось, что речевые эмбеддинги Whisper коррелируют с активностью в слуховых зонах мозга, а языковые — с областями, ответственными за семантику. Эксперименты подтвердили догадки: при восприятии речи сначала активируется верхняя височная извилина (STG), обрабатывающая акустические сигналы, а через несколько сотен миллисекунд включается зона Брока (IFG), связанная с декодированием смысла. При воспроизведении речи последовательность обратная: IFG активируется за 500 мс до артикуляции, затем моторная кора планирует движение, а после произнесения слова STG «проверяет» результат. Эти паттерны совпали с динамикой эмбедингов Whisper, хотя модель не обучалась на нейробиологических данных. Другое интересное совпадение - мозг и LLM используют предсказание следующего слова как ключевую стратегию. Как показали опыты, слушатель бессознательно предугадывает следующие слова, а ошибка предсказания вызывает «нейронное удивление» — механизм, аналогичный обучению с подкреплением в ML. Но архитектурные механизмы у мозга и LLM разные: трансформеры обрабатывают сотни слов параллельно, тогда как мозг анализирует информацию последовательно. Несмотря на общую «мягкую иерархию» обработки (например, смешение семантических и акустических признаков в IFG и STG), биологические структуры мозга принципиально отличаются от нейронных сетей. Исследователи подчеркивают: языковые модели (типа ChatGPT) не понимают, как люди общаются в реальной жизни (например, не чувствуют эмоций или культурных особенностей), и не учатся так, как это делает мозг человека с детства. Однако их эмбединги оказались очень полезными для изучения того, как мозг обрабатывает речь. Ученые надеются, что эти открытия помогут создать нейросети, которые смогут обучаться как люди — медленно, шаг за шагом. А пока Whisper, неожиданно стал «зеркалом» принципов нашего мышления. Кто знает, может, через пару лет ИИ начнёт шутить с нами за чашкой кофе — как друг или коллега по работе. 🟡Статья 🟡Исследование @ai_machinelearning_big_data #AI #ML #Research #NLP

🤖 Modern Robotics Course: Открытый курс по современной робототехнике. Курс содержит лекции, учебные заметки, алгоритмы и практические задания, что позволяет последовательно изучать тему – от основ кинематики до сложных вопросов управления и планирования роботов. 🌟 Что внутри? ▪ Лекции: От основ робототехники, математики и физики до пространственных преобразований, обратной кинематике и более продвинутым концепциям . ▪ Практика: Примеры кода на Python и C++ для управления роботами. ▪Симуляторы: Интеграция с стимуляторами Gazebo и ROS ( операционная система для робото) для тестирования алгоритмов. ▪Задания: Реальные практические задачи (например, управление манипулятором робота). 🌟 Для кого? ▪ Начинающие робототехники: Освоить кинематику, динамику, управление. ▪ Программисты: Интегрировать алгоритмы в ROS, Gazebo, Python/C++. ▪ Инженеры: Возможность Научиться разрабатывать автономные системы и манипуляторы. ▪Технологические энтузиасты С курсом у вас будет возможность проектировать роботов, не имея железа под рукой (через симуляторы). ✔️ Готовые решения: Внутри вы найдете библиотеки для работы с преобразованиями, датчиками, движением. ✔️Карьера в робототехнике: Курс даст возможность получить базовые навыки, востребованные в Bosch, Boston Dynamics, Tesla. ⭐️ Преимущества перед другими открытыми курсами 🟠 Акцент на практике: Минимум абстракций — максимум кода. 🟠Совместимость с ROS: Стандарт для промышленной робототехники. 🟠 Современные алгоритмы: Не только классика, но и нейросетевые подходы. ➡️ Cовет: Для погружения в курс, вам поможет книга Robotics, Vision and Control: Fundamental Algorithms in Python, Peter Corke, вот ее репозиторий с примерами кода. P.S. А для тех, кто любит формат «сделай сам»: Курс научит вас собирать робота виртуально, а потом переносить решения на реальные устройства. 🤖💡 ✔️ Github ✔️ Введение в курс ✔️Видео лекции #course #ai #ml #robots #education #курс #робототехника