Machinelearning

🏮 tntorch - Tensor Network Learning with PyTorch PyTorch-powered modeling and learning library using tensor networks. Installation: pip install tntorch Github: https://github.com/rballester/tntorch Docs site: http://tntorch.readthedocs.io/ Paper: https://arxiv.org/abs/2206.11128v1 @ai_machinelearning_big_data

В Яндексе идёт набор на стажировку! Хотите поближе познакомиться с командами и выбрать для стажировки именно ту, в которой вам будет интересно? 27 июня приглашаем на наше большое онлайн-мероприятие — Летний фестиваль вакансий ☀️ На фестивале выступят руководители команд из разных подразделений Яндекса, они расскажут о своих задачах и самых свежих стажёрских вакансиях по бэкенду, фронтенду, мобильной разработке, ML, аналитике и DevOps. Вы сможете задать им любые вопросы, а после — подать заявку на стажировку в той команде, которая вам понравилась. А ещё мы впервые покажем, как проходит секция на алгоритмы для стажёров! Регистрируйтесь, чтобы присоединиться: https://clck.ru/rcgcp

💬 Yandex: An Open-source Yet another Language Model 100B YaLM 100B is trained for 2 terabyte of text: dataset the Pile and web-pages, including not only Wikipedia, news articles, and books, but also Github and arxiv.org. Yandex has applied the generative neural networks YaLM in the recent Y1 search update. Now they are already helping to give answers to searches in Yandex and Alice. Github: https://github.com/yandex/YaLM-100B @ai_machinelearning_big_data

Станьте бизнес-аналитиком с Яндекс Практикумом Бизнес-аналитики связывают сферы бизнеса и IT: собирают разные точки зрения, исследуют боли и потребности пользователей, предлагают улучшения. Практикум обучает этому в условиях, близких к реальной работе, с поддержкой от опытных специалистов. Курс подойдёт: * начинающим аналитикам, * IT-специалистам, * студентам профильных специальностей, * новичкам. Вы научитесь: * собирать требования и прогнозировать результаты, * описывать бизнес-процессы, * ставить задачи команде разработки, * прорабатывать сценарии использования продукта. Программа включает: * практику на нашей платформе, * рекомендации от опытных специалистов, * проведение более 20 интервью, * работу в паре с системным аналитиком, * развитие софтскилов, * поддержку от команды сопровождения. Сколько длится курс? 7,5 месяцев. Сколько стоит обучение? При разовой оплате — 112 000 р. Или ежемесячно по 15 400 р. Какой документ я получу в конце курса? Диплом о профессиональной переподготовке — это официальный документ о дополнительном образовании. 1 августа — старт ближайшего потока. Подробности — по ссылке.

📓 MindWare: Efficient Open-source AutoML System. MindWare is an efficient open-source system to help users to automate the process of: 1) data pre-processing, 2) feature engineering, 3) algorithm selection, 4) architecture design, 5) hyper-parameter tuning, and 6) model ensembling. Github: https://github.com/PKU-DAIR/mindware Docs: https://mindware.readthedocs.io/en/latest/ Paper: https://arxiv.org/abs/2206.09423v1 @ai_machinelearning_big_data

Что делать в отсутствие аналогов зарубежного ТОП-BI? Как подготовить данные для любой BI-системы? Как построить и поддерживать модель данных? 🔹Ответы на эти вопросы на вебинаре «Loginom + компоненты BI2BUSINESS как фундамент для внедрения любой BI-сиcтемы». На нем мы расскажем: ❕ Как подготовить данные для BI-систем, чтобы облегчить разработку аналитики ❕Как самостоятельно организовать аналитическое хранилище, если у вас его нет ❕Как построить сложную модель данных, которая подойдет для любой BI-системы Коллаборация Loginom и компонентов BI2BUSINESS поможет внедрить любую отечественную BI, даже если она далека по функционалу от зарубежных продуктов. Когда: 28 июня в 16.00 Формат: Zoom-конференция (презентация + демо + qa) Участие бесплатное, предварительная регистрация доступна по ссылке

🦾 Bi-DexHands: Bimanual Dexterous Manipulation via Reinforcement Learning Bi-DexHands provides a collection of bimanual dexterous manipulations tasks and reinforcement learning algorithms. Github: https://github.com/pku-marl/dexteroushands Isaac Gym: https://developer.nvidia.com/isaac-gym Paper: hhttps://arxiv.org/abs/2206.08686 @ArtificialIntelligencedl

🔥 Weekend Offer для ML- и RecSys-разработчиков RecSys ВКонтакте – это талантливые люди, которые сегодня придумывают идею — а завтра она уже в проде, полезные рекомендации для всех и небездушные технологии. Вместе с Командой VK Клипов и VK Видео вы будете разрабатывать рекомендательные системы для двух крупнейших российских видеосервисов, а с Core ML – заниматься умным ранжированием ленты и подбором интересных публикаций для пользователей, рекомендациями друзей, ранжированием комментариев. Первая встреча: 20 июня — 1 июля. Детальное знакомство: суббота, 2 июля. Финальное собеседование: воскресенье, 3 июля. Ссылка на регистрацию: https://vk.cc/ceq94C

♦️ Color engineering for special images How to improve color encoding of unnatural images. Article Dataset @ai_machinelearning_big_data

⚡️ Тест для продвинутого уровня по Machine Learning Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе - «Machine Learning. Advanced» от OTUS и его партнера — Сбера. 📌 РЕЗУЛЬТАТ ПРОХОЖДЕНИЯ КУРСА: Вы освоите продвинутые приемы машинного обучения, которые позволят вам уверенно себя чувствовать на ведущих Middle/ Senior позициях и справляться даже с нестандартными задачами. 💻 Двухдневный интенсив — Рекомендовать или не рекомендовать, пуcть решает ML!, 11 июля в 18:00 https://otus.pw/K5Tm/ Время прохождения теста ограниченно 20 минут 👉 ПРОЙТИ ТЕСТ https://otus.pw/Pgmq/

📡 NU-Wave — Official PyTorch Implementation Github: https://github.com/mindslab-ai/nuwave Paper: https://arxiv.org/abs/2206.08545v1 Dataset: https://datashare.ed.ac.uk/handle/10283/3443 @ai_machinelearning_big_data

🔊 SoundSpaces 2.0: A Simulation Platform for Visual-Acoustic Learning We introduce SoundSpaces 2.0, a platform for on-the-fly geometry-based audio rendering for 3D environments. Github: https://github.com/facebookresearch/sound-spaces Paper: https://arxiv.org/abs/2206.08312v1 Dataset: https://paperswithcode.com/dataset/librispeech @ai_machinelearning_big_data

"Стань дата-инженером с Яндекс Практикумом Сервис онлайн-обучения цифровым профессиям Яндекс Практикум запускает программу обучения по специальности «Инженер данных». Курс предназначен для студентов с как минимум базовым знанием SQL и Python — перед стартом необходимо пройти тест. Авторы и преподаватели – практикующие эксперты ведущих российских IT-компаний.  Длительность — 6,5  месяцев.  Курс на 75% состоит из практических занятий – по окончании программы в вашем портфолио будет не менее 10 проектов.   Вы научитесь:  - работать с технологиями Python, SQL, Metabase, Airflow, PostgreSQL, MongoDB, ClickHouse, Celery, Kafka, Hadoop, Apache Spark, Spark Streaming и Yandex.Cloud - извлекать, очищать и сохранять данные - создавать и поддерживать хранилища типов Data Warehouse и Data Lake - работать со стриминговой обработкой данных и облаками Претендовать на работу по новой специальности студенты курса смогут уже в ходе обучения – с поиском вакансии помогут специалисты карьерного центра Яндекс Практикум.  Запись на курс открыта, старт занятий для ближайшего потока студентов – 23 мая.  Стоимость курса: 95 000 рублей при разовой оплате, при оплате в рассрочку – 17 000 рублей в месяц.  По завершении программы студенты получат диплом о профессиональной переподготовке.  Запись на бесплатную вводную часть и подробности по ссылке.

✔️ Pythae: Unifying Generative Autoencoders in Python -- A Benchmarking Use Case This library implements some of the most common (Variational) Autoencoder models. Github: https://github.com/clementchadebec/benchmark_VAE Paper: https://arxiv.org/abs/2206.08309v1 Dataset: https://paperswithcode.com/dataset/celeba @ai_machinelearning_big_data

Метавселенные: хайп или наше будущее? Тут понятно и доступно рассказывают про NFT, блокчейн, искусственный интеллект, метавселенные и кибернетику умных устройств.

🖊 StrengthNet Implementation of "StrengthNet: Deep Learning-based Emotion Strength Assessment for Emotional Speech Synthesis" Github: https://github.com/ttslr/strengthnet Paper: https://arxiv.org/abs/2110.03156 MOSNet: https://github.com/lochenchou/MOSNet Dataset: https://paperswithcode.com/dataset/waymo-open-dataset @ai_machinelearning_big_data

Как повысить эффективность логистики с помощью неклассических тестов? Ответ можно найти в последней статье Delivery Club на Хабре. В ней команда операционных аналитиков поделилась тонкостями эксперимента по внедрению switchback A/B-тестов. Вы узнаете об особенностях таких тестов, сути сетевого эффекта, об этапах запуска switchback A/B-эксперимента в логистике и его итогах. Подробнее по ссылке.

🔖 DoWhy | An end-to-end library for causal inference "DoWhy" is a Python library that aims to spark causal thinking and analysis. Github: https://github.com/py-why/dowhy Docs: https://py-why.github.io/dowhy/ Paper: https://arxiv.org/abs/2206.06821v1 Video: https://note.microsoft.com/MSR-Webinar-DoWhy-Library-Registration-On-Demand.html @ai_machinelearning_big_data

Слышали о профессии аналитика данных, но сомневаетесь? Поможем понять, подходит ли вам специальность. → Бесплатный вебинар 17 июня в 19:00 О профессии расскажут эксперты: ◾️ Ирина Ефимова, руководитель продуктовых исследований направления анализа данных в Яндекс Практикуме ◾️ Артем Исакин, руководитель трудоустройства направления анализа данных в Яндекс Практикуме ◾️ Михаил Панфилов, Junior Data Engineer в Dostavista, выпускник Практикума Вы узнаете: — какие аналитики бывают и чем они занимаются; — сложно ли сейчас аналитикам данных найти работу; — нужен ли опыт в IT; — есть ли работа в регионах. — чего работодатели ждут от аналитиков и как этому учат в Практикуме; — как стартовать в профессии, если плохо знаете математику или программирование; А в финале вы ответите на 5 вопросов, чтобы узнать подойдет ли вам профессия. → Зарегистрироваться на вебинар

😲 LIVE- Towards Layer-wise Image Vectorization (CVPR 2022 Oral) New method to progressively generate a SVG that fits the raster image in a layer-wise fashion. Github: https://github.com/picsart-ai-research/live-layerwise-image-vectorization Project: https://ma-xu.github.io/LIVE/ Paper: https://arxiv.org/pdf/2206.04655v1.pdf Colab: https://colab.research.google.com/drive/1s108WmqSVH9MILOjSAu29QyAEjExOWAP?usp=sharing @ai_machinelearning_big_data