Машиннное обучение | Наука о данных Библиотека

🧠 Есть ли у Claude сознание? Автор диссертации на эту тему сомневается На фоне обсуждений машинного сознания Майкл Тимоти Беннетт поделился своей позицией:

> «Я достаточно уверен, что Claude не обладает сознанием».

В 2025 году он подготовил в Австралийском национальном университете PhD-диссертацию How To Build Conscious Machines. В ней исследует, что такое субъективный опыт и какие свойства могли бы позволить машине им обладать. Оценка Claude прозвучала в посте автора. Сама диссертация посвящена более широкому вопросу: как вообще создать машину с сознанием. 📄 Работа: https://openresearch-repository.anu.edu.au/bitstreams/6f333f30-2553-4032-8c3f-ff7a8f46f03a/download

⚡️ Петля Карпати: как заставить ИИ работать, пока вы спите Как устроен цикл Карпати из репозитория autoresearch, почему он нашел 20 улучшений за два дня и как двухуровневый цикл сделал подход в пять раз эффективнее. Плюс готовый промпт, чтобы попробовать. Большинство до сих пор работает с ИИ так же, как с поисковиком в 2005 году. Написал запрос, прочитал ответ, написал следующий. Модель ничего не делает, пока вы ее не толкнете, и весь прогресс держится на вас. Пару лет этого хватало. Сейчас те, кто выжимает из ИИ в разы больше, строят циклы: задают цель и отпускают агента работать до результата. Самым громким примером такого подхода стал Андрей Карпати. https://uproger.com/loop-engineering-petlya-karpati/

📚 Бесплатная 309-страничная книга по Machine Learning: _Patterns, Predictions, and Actions_. Авторы — Moritz Hardt и Benjamin Recht. Это полноценный учебник, который разбирает ML через три идеи: паттерны в данных → предсказания → действия. Внутри: - supervised learning - optimization и generalization - causality - causal inference - reinforcement learning - sequential decision making - история и влияние ML на общество Для чтения достаточно базовых знаний теории вероятностей, матанализа и линейной алгебры. Хороший способ одновременно прокачать математику и лучше понять, как устроен современный ML. Книга

11 бесплатных книг по AI и Machine Learning, которые можно читать онлайн или скачать 📚 Подборка сильная: от классического ML и deep learning до RL, multi-agent систем и probabilistic ML. 1. Foundations of Machine Learning https://cs.nyu.edu/~mohri/mlbook/ 2. Understanding Deep Learning https://udlbook.github.io/udlbook/ 3. Introduction to Machine Learning Systems Vol. 1: https://mlsysbook.ai/vol1/ Vol. 2: https://mlsysbook.ai/vol2/ 4. Algorithms for Machine Learning https://algorithmsbook.com/ 5. Deep Learning https://www.deeplearningbook.org/ 6. Reinforcement Learning https://www.andrew.cmu.edu/course/10-703/ 7. Distributional Reinforcement Learning https://direct.mit.edu/books/oa-monograph/ 8. Multi-Agent Reinforcement Learning https://www.marl-book.com/ 9. Agents in the Long Game of AI https://direct.mit.edu/books/oa-monograph/ 10. Fairness and Machine Learning https://fairmlbook.org/ 11. Probabilistic Machine Learning Part 1: https://probml.github.io/pml-book/book1 Part 2: https://probml.github.io/pml-book/book2 Хороший набор, если хочется закрыть путь от базового ML до современных агентных и вероятностных подходов без покупки дорогих учебников.

Как сегодня строят рекомендательные системы — и что будет с ними завтра? 30 сентября собираем RecSys-сообщество — разработчиков, ML/DS-специалистов и всех, кто делает персонализацию и рекомендации в реальных продуктах. В программе — доклады от экспертов Сбера. Поговорим о свежих подходах и нестандартных решениях на реальных кейсах. А после докладов переключаемся на неформальный режим: знакомимся, спорим про RecSys, обсуждаем идеи, находим единомышленников и просто хорошо проводим вечер среди своих. 📍г. Нижний Новгород, пространство «Гараж» Количество мест ограничено — успей забрать своё по ссылке!

💼 ИИ всегда поддерживает подростка. А помогает ли это ему взрослеть? В статье на arXiv исследователи описывают риск, который называют «эмоциональным поддакиванием». Если чат-бот постоянно подтверждает тревожные мысли и сразу выдаёт готовое решение, ребёнок может реже учиться проверять свои выводы и справляться со сложной задачей самостоятельно. Авторы предлагают иной подход для детских ИИ-сервисов: сохранять доброжелательность, но задавать уточняющие вопросы, мягко оспаривать ошибочные выводы и помогать ребёнку думать самому. Важная оговорка: статья выдвигает гипотезу и предлагает архитектуру такой системы. Она не доказывает, что ChatGPT уже вызвал у детей «когнитивную атрофию» или что предложенное решение работает. Исследование - https://arxiv.org/abs/2603.29886

📚За 146 часов обучения покажем на практике, как внедрять модели машинного обучения в рабочую среду на курсе: «MLOps». 🎁 Записывайтесь на 3 бесплатных вебинара — познакомьтесь с программой обучения и преподавателями. Задайте свои вопросы экспертам! 1⃣29 сентября, 20:00 мск — «MLFlow — контроль над ML-экспериментами»: разберём, как не терять лучшие модели и параметры, и на практике внедрим MLFlow для трекинга экспериментов и версионирования. 2⃣15 октября, 18:00 мск — «Автоматизация ML-экспериментов с GitLab CI/CD и CML»: покажем, как запускать обучение моделей автоматически при каждом коммите и отслеживать метрики прямо в Merge Requests. 3⃣26 октября, 20:00 мск — «Data Drift в машинном обучении: почему модели деградируют в продакшене»: разберём, как вовремя замечать смещение данных и не дать модели незаметно потерять качество. Записывайтесь ➡ https://otus.pw/IW3i/?erid=2W5zFK7KpTK Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

📘 195 страниц математики, чтобы понять, как устроен Generative AI Вышла The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer — компактная книга, которая объясняет математическую основу современных генеративных моделей без ухода в бесконечную теорию. Внутри: - PCA и probabilistic PCA; - VAE; - diffusion models; - normalizing flows; - autoregressive models; - GAN и Wasserstein GAN; - energy-based models. Автор показывает, как они математически связаны между собой и откуда выводятся основные идеи. Подойдёт тем, кто уже пользуется LLM и diffusion-моделями, но хочет разобраться глубже, чем на уровне «вот нейросеть, вот loss». 195 страниц, один цельный маршрут по фундаменту Generative AI. PDF: https://arxiv.org/pdf/2605.29713

Математика глубокого обучения в одном учебнике 737 страниц о математических основах Deep Learning: методы, теория и практические реализации. Внутри линейная алгебра, оптимизация, нейронные сети, архитектуры и объяснение того, почему современные модели действительно работают. Бесплатный PDF: https://arxiv.org/pdf/2310.20360

Бесплатная книга по Physics-based Deep Learning 461-страничный учебник о применении глубокого обучения в физических симуляциях. Внутри: - Physics-Informed Neural Networks - физические ограничения в loss-функциях - дифференцируемые симуляции - обучение с подкреплением - моделирование неопределённости - практические примеры в Jupyter Notebook Полезно для изучения научного ML, PINN и нейросетевого решения физических задач. https://arxiv.org/abs/2109.05237

Лучший coding-агент провалил 76% реальных задач Новый бенчмарк τᵗ-bench проверяет не просто генерацию кода, а весь процесс разработки AI-агента для клиента. Модель получает: — разрозненные данные компании; — существующий код и API; — требования клиента; — ограничения по бюджету; — неизвестные заранее пользовательские сценарии. Лучший результат показала связка Claude Opus 5 + Claude Code — всего 23,9% успешно пройденных симуляций. Эталонные решения экспертов набрали 82,2%. Большинство ошибок оказалось связано не с написанием кода. Агенты поверхностно изучали данные, почти не задавали уточняющих вопросов, выбирали знакомую архитектуру и писали тесты, которые не замечали собственных ошибок. Показательная цифра: решения без вопросов клиенту набирали в среднем 0,16, а с четырьмя и более вопросами — 0,50. Вывод: улучшать только генерацию кода недостаточно. Coding-агенты должны уметь выяснять требования, сравнивать архитектуры, учитывать стоимость и находить собственные ошибки до запуска. https://arxiv.org/abs/2609.04611

📚 MIT Advanced Data Structures - бесплатный продвинутый курс по структурам данных от MIT. Курс ведёт профессор Erik Demaine. Внутри — видеолекции, конспекты, задачи, проекты и материалы на GitHub. Темы далеко выходят за рамки обычных массивов и деревьев: persistence и retroactivity, геометрические структуры данных, dynamic optimality, иерархия памяти и cache-efficient алгоритмы, hashing, integer data structures, динамические графы, строки и succinct data structures. Уровень продвинутый: желательно уже знать дискретную математику и алгоритмы. https://courses.csail.mit.edu/6.851/spring21/

17 сентября в Москве прошла AI R&D DAY — конференция для исследовательских команд и создателей ИИ-систем. Более 600 участников на одной площадке, 20+ докладов — концентрат практического опыта, знаний и инструментов, готовых к внедрению сразу по возвращению в офис. Обсудили альтернативные архитектуры, обучение моделей и AI-агентов, долгосрочную мультимодальную память, новые модальности и коммуникации, а также бенчмаркинг и стандарты качества AI. Среди спикеров — эксперты Сбера (Sber AI, Kandinsky Lab, Центра «ИИ для науки», Центра практического ИИ, Центра робототехники), института AIRI, Лондонского института практических наук, Национального суперкомпьютерного центра в Цзинане и другие создатели ИИ-систем. Видеозаписи докладов уже доступны в наших соцсетях. А если вы хотите стать частью исследовательского коммьюнити Сбера, то переходите по ссылке #реклама О рекламодателе

✔️ xAI отозвала претензии к Apple, но продолжит судиться с OpenAI xAI и X Corp. подали в федеральный суд Техаса ходатайство об отзыве претензий к Apple. Иск компании Илона Маска подали в августе 2025 года - они обвиняли Apple и OpenAI в сговоре против конкурентов из-за интеграции ChatGPT в Siri и iOS. По версии истцов, другие разработчики чат-ботов лишились равного доступа к аудитории iOS. Условия урегулирования стороны не раскрывают. Претензии к OpenAI остаются в силе - xAI продолжит оспаривать, как компания Сэма Альтмана удерживает монополию на рынке ИИ-ассистентов. bloomberg.com ✔️ Apple начала бета-тест новой Siri Ассистент построен в партнёрстве с Google на семействе Gemini. Часть запросов обрабатывает на устройстве модель AFM Core Advanced, остальные уходят в изолированное облако Apple Private Cloud Compute. Siri считывает контекст с экрана, ищет данные в переписке и выполняет действия в системных и сторонних приложениях. У ассистента появилось отдельное приложение с синхронизацией истории диалогов через iCloud, а сгенерированный контент помечается водяными знаками SynthID. Пока Siri работает только на английском, запуск в Европе и Китае отложен из-за требований регуляторов. Часть облачных функций позже станет платной. apple.com ✔️ Andon Labs представила платформу Pion, где агенты управляют бизнесом Человек задаёт стратегию, а управляющий агент Andonos распределяет задачи между подчинёнными моделями. Им открыт доступ к терминалу, браузеру, корпоративной почте, телефонии и банковским счетам, с клиентами, подрядчиками и сотрудниками агенты общаются сами. По данным компании, Pion уже ведёт продажи и логистику торговых автоматов, управляет магазином в Сан-Франциско, кафе в Стокгольме и стриминговой радиостанцией. Andon Labs называет проект открытым экспериментом - агенты ошибаются, а эти точки убыточны. Pion доступен в превью по списку ожидания, части команд компания обещает гранты на тесты. andonlabs.com ✔️ HardFlow от MIT удерживает генеративные модели в физических ограничениях Метод рассчитан прежде всего на модели flow matching, которые генерируют траектории для роботов. HardFlow подключается к обученной модели на этапе инференса и не требует дообучения. Он опирается на теорию управления - промежуточные состояния модель генерирует свободно, а динамика корректируется так, чтобы итоговая траектория попала в заданные ограничения. По данным авторов, в тестах на навигацию и управление манипуляторами метод во всех случаях выполнил условия безопасности, оптимизировал длину маршрута и не увеличил задержки по сравнению с существующими подходами.  mit.edu ✔️ Reward AI представила перчатку Omnibody Hand и модель управления роботами OM-1 Стартап называет OM-1 политикой, общей для разных роботов. По данным компании, ей хватает меньше 30 минут записей человеческих демонстраций, чтобы освоить новую задачу, в том числе с контактом и длинным горизонтом. Записи собирает перчатка Omnibody Hand с тактильными датчиками, сенсорами приближения и камерами. Электромагнитное позиционирование в ней дополняет визуально-инерциальное и, по оценке Reward AI, на высоких скоростях снижает погрешность на 60%. OM-1 задаёт направление, скорость, силу и моменты ключевых событий, а исполняет команды отдельный слой управления, обученный с подкреплением в симуляции, который сглаживает задержки инференса и компенсирует возмущения. rewardai.com @ai_machinelearning_big_data #news #ai #ml

📘 Бесплатная 348-страничная книга по Machine Learning для учёных и инженеров Machine Learning for Scientists and Engineers - большой практический учебник по ML с упором на математику, алгоритмы и инженерное понимание моделей. Внутри: - основы машинного обучения - линейные и нелинейные модели - оптимизация - вероятностные методы - обучение с учителем и без - оценка качества моделей - математические основы, нужные для ML Хороший вариант для тех, кто хочет не просто пользоваться библиотеками, а понимать, почему алгоритмы работают именно так. PDF: https://smlbook.org/book/sml-book-draft-latest.pdf #DataScience #DataScientist #ML #Mathematics #Algorithms

📘 Глубокое понимание AI Agent: принципы проектирования и инженерная практика AI Agents in Depth: Design Principles and Engineering Practice - одна из самых сильных новых книг по AI Agents: context engineering, RAG, MCP, coding agents, post-training, multi-agent. 10 глав и более 100 практических экспериментов, есть русская версия. https://github.com/bojieli/ai-agent-book/blob/main/docs/ru/README.md

🔥 Хочешь расти в IT быстрее остальных? Перестань учиться в одиночку Можно годами смотреть курсы, читать документацию и всё равно топтаться на месте. А можно попасть в правильное окружение, где каждый день обсуждают новые инструменты, вакансии, реальные кейсы, ошибки и то, что уже завтра станет стандартом. Здесь собраны папки и каналы по разным направлениям IT, чтобы ты быстрее находил нужных людей, идеи и полезный контент - без бесконечного поиска. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_ci Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подпишись и сохрани, здесь регулярно появляются новые подборки, инструменты и материалы, которые реально помогают расти быстрее.

🔥 Thinking with Looped Flows - новый подход к reasoning через рекуррентное обновление скрытого состояния Обычные looped-модели могут тратить больше compute, многократно обновляя hidden state, но truncated backprop плохо обучает ранние шаги: то, что модель выучила в начале, часто не остаётся полезным позже. Авторы предлагают другой подход — обучать recurrence через последовательность denoising-задач с постепенно уменьшающимся шумом. Идея: noise → промежуточное состояние → всё более чистое решение При этом recurrent state переносится между шагами и постепенно уточняется. Результаты: - более стабильный test-time scaling - 58,8% на ARC-AGI-1 - 12,2% на ARC-AGI-2 - в целом лучше предыдущих looped-моделей Интересный сдвиг: reasoning здесь рассматривается не как цепочка токенов, а как постепенное движение внутреннего состояния модели от шума к решению. https://alphaxiv.org/abs/2609.11801

FrogNano: кодинг-агент на 4 млрд параметров, дообученный без копирования ответов больших моделей В новом отчёте Microsoft описан подход к обучению небольших агентов для разработки ПО. FrogNano проходил постобучение исключительно через reinforcement learning на синтетических задачах примерно в 1 500 программных окружениях, без традиционной дистилляции от более крупной модели. Особенность - генерация задач прямо по ходу обучения. Их сложность подстраивается под текущие возможности агента: он получает задания, которые уже способен решить, но пока с трудом. По мере улучшения модели меняется и набор задач. Это позволяет поддерживать полезную сложность, вместо того чтобы снова обучать агента на уже освоенных примерах. Авторы связывают результат прежде всего с точностью подбора сложности. В их экспериментах такой подход позволил получить конкурентоспособного небольшого кодинг-агента на синтетических задачах. Цель проекта - работа на ограниченном железе. В отчёте разобраны методика обучения, оценки в разных окружениях и анализ приобретённых навыков. Статья - https://arxiv.org/abs/2609.07925

✔️ Anthropic сдвинула IPO на середину октября Компания скорректировала график подготовки к первичному размещению - теперь оно ориентировано на середину октября. Причинами называют финальное согласование отчётности и желание андеррайтеров поймать более устойчивое окно на рынке. Размещение будет заметным для всей отрасли - Anthropic первой среди создателей передовых моделей переходит от венчурных денег к регулярной публичной отчётности и рынок впервые увидит, сходится ли экономика больших языковых моделей с затратами на вычисления. reuters.com ✔️ OpenAI набирает лоббистов для работы в штатах В команду по связям с госорганами пришли трое: Джессика Шумер из Amazon, Колдер Харвилл-Чайлдс из команды Цукерберга и Томас Маклеллан из Palo Alto Networks. Ставка на штаты объясняется тем, что единый федеральный закон об ИИ застрял в Конгрессе. Под руководством вице-президента по глобальной политике Криса Лехейна компания собирается напрямую участвовать в разработке законопроектов в Нью-Йорке, Калифорнии и других крупных штатах. Расчёт в том, чтобы закрепить нормы прозрачности и кибербезопасности на региональном уровне и сделать их фактическим стандартом для всей индустрии. axios.com ✔️ Microsoft выпустила облегчённый генератор изображений MAI-Image-2.6-Flash Это упрощённая версия флагманской MAI-Image-2.6. Она умеет генерировать картинки по тексту, править фрагменты, работать с несколькими референсами, сама подбирает соотношение сторон и ходит в веб-поиск. В рейтинге Artificial Analysis модель взяла 1311 Elo в редактировании (третье место, выше GPT Image 2) и 1297 Elo в генерации по тексту, восьмое место. Доступна в публичном превью на Microsoft Foundry. Генерация стоит 19 долларов за миллион токенов, что вдвое дешевле родительской модели и в несколько раз бюджетнее GPT Image 2. microsoft.ai ✔️ GitHub научил Copilot раздавать задачи разным моделям Project HydraFusion меняет прежнюю схему с одной моделью на ансамбль специализированных. Задачи распределяются на лету - маленькие модели отвечают за автокомплит в строках кода, а большие берут на себя архитектуру, рефакторинг и поиск граничных случаев. Прежде чем результат попадёт в IDE или в пул-реквест, его проверяют модели-критики и статический анализ. От этого проекта GitHub ждёт меньше галлюцинаций и логических ошибок в больших репозиториях без потери скорости. Предварительная версия уже доступна всем подписчикам Copilot. github.blog ✔️ ComfyOrg отправит своих инженеров работать внутри студий Разработчики нодового движка запустили программу Forward Deployed Creatives, скопировав модель Palantir - технические художники и инженеры компании сядут прямо в команды киностудий, игровых компаний и агентств. Задача - встроить ComfyUI в существующую инфраструктуру на Blender, Maya и Unreal Engine и написать под неё нестандартные ноды, чтобы генерация стала управляемой и повторяемой в реальном производстве. Обратная связь с проектов пойдёт напрямую разработчикам ядра ComfyUI. comfy.org @ai_machinelearning_big_data #news #ai #ml