Machinelearning

В июле прошли ИТ-соревнования IT’s Tinkoff Capture the Flag. На нашей памяти это одни из самых необычных соревнований Почему это было круто? ✅ Креативные задания, основанные на трендах массовой культуры и мемах (да, вам не показалось) ✅ 6863 команды из 13 городов России и Беларуси ✅ Офлайн и онлайн формат ✅ Первые соревнования по спортивному хакингу для всех ИТ-спецов Таких заданий еще никто раньше не делал. Вот например: «Галя, у нас отмена», — отчаянно кричит продавщица. Очередь из покупателей уходит за горизонт. «Молодой человек, второй год зову Галю, а ее все нет и нет — вон какая очередь. Может, просто взломаем программу, а?».‎ Разберитесь в магазинном софте и сделайте отмену.‎»‎

⚡Top 100+ Machine Learning Projects for 2023 [with Source Code] В этой статье вы найдете 100+ лучших проектов и идей в области машинного обучения, которые будут полезны как начинающим, так и опытным специалистам. 📌 Projects ai_machinelearning_big_data

👨‍🎓Harvard CS50’s Artificial Intelligence with Python – Full University Course В этом бесплатном курсе Гарвардского университета рассматриваются концепции и алгоритмы, лежащие в основе современного искусственного интеллекта. 🎞 Video 📌 Course resources ai_machinelearning_big_data

✅ SSLRec: A Self-Supervised Learning Library for Recommendation SSLRec, a novel benchmark platform that provides a standardized, flexible, and comprehensive framework for evaluating various SSL-enhanced recommenders. SSLRec - это фреймворк основанный на PyTorch с открытым исходным кодом для рекомендательных систем, усовершенствованных с помощью self-supervised learning. Он удобен в использовании и содержит датасеты код для обработки данных, обучения, тестирования, оценки, а также современные исследовательские модели. SSLRec предлагает широкий набор полезных функций и простой в использовании интерфейс, упрощающий разработку и оценку рекомендательных моделей. 🖥 Github: https://github.com/hkuds/sslrec 📕 Paper: https://arxiv.org/abs/2308.05697v1 ⛓ Models: https://github.com/HKUDS/SSLRec/blob/main/docs/Models.md ☑️ Datasets: https://github.com/HKUDS/SSLRec/blob/main/docs/Models.md ai_machinelearning_big_data

🪄Optimizing a Text-To-Speech model using 🤗 Transformers В этом руководстве показано как можно оптимизировать Bark, модель Text-To-Speech (TTS), на основе трех библиотек из экосистемы Hugging face: Transformers, Optimum и Accelerate. 🤗 Post: https://huggingface.co/blog/optimizing-bark 🖥 Colab: https://colab.research.google.com/github/ylacombe/notebooks/blob/main/Benchmark_Bark_HuggingFace.ipynb ⭐️ Bark: https://huggingface.co/docs/transformers/main/en/model_doc/bark#overview ai_machinelearning_big_data

Присоединяйтесь к TechTrain 2023 Autumn — онлайн-фестивалю, посвященному машинному обучению и искусственному интеллекту. В программе — классическое ML, Computer Vision, NLP, ASR, RecSys, LLMs и MLOps. Обязательно будут обсуждения прикладного использования ML на примере конкретных проектов. Обзор таких тем, как графовые модели, генеративные нейросети, AI в разработке и другое. Участников ждут как актуальные практики применения ML&AI, так и дискуссии со спикерами и экспертами.  Проводит фестиваль JUG Ru Group — организатор крупных технических IT-конференций и митапов для разработчиков. Дата проведения: 30 августа. Читайте подробности и регистрируйтесь бесплатно — на сайте.

🚀 AgentBench: Evaluating LLMs as Agents. AgentBench, a multi-dimensional evolving benchmark that currently consists of 8 distinct environments to assess LLM-as-Agent's reasoning and decision-making abilities in a multi-turn open-ended generation setting. Комплексный бенчмарк для оценки работы LLM агентов. 🖥 Github: https://github.com/thudm/agentbench 📕 Paper: https://arxiv.org/abs/2308.03688v1 ☑️ Dataset: https://paperswithcode.com/dataset/alfworld ai_machinelearning_big_data

👁‍🗨 PyTorch Toolbox for Image Quality Assessment An IQA toolbox with pure python and pytorch. Набор инструментов и датасетов PyTorch для оценки качества изображений, включая LPIPS, FID, NIQE, NRQM(Ma), MUSIQ, NIMA, DBCNN, WaD 🖥 Github: https://github.com/chaofengc/iqa-pytorch 📕 Paper: https://arxiv.org/abs/2308.03060v1 🖥 Colab: https://colab.research.google.com/drive/14J3KoyrjJ6R531DsdOy5Bza5xfeMODi6?usp=sharing ☑️ Dataset: https://paperswithcode.com/dataset/koniq-10k ai_machinelearning_big_data

Хотите работать с большими данными, строить модели для бизнеса и создавать свои сервисы? На курсе Start ML за 7 месяцев вы получите все знания и навыки, необходимые сильному ML-специалисту. Вы научитесь разрабатывать приложения на Python, обучать модели и нейронные сети, а также оценивать их влияние на бизнес с помощью статистики и A/B-тестов — всё под руководством практиков из Яндекс и Raiffeisen. К концу обучения у вас будет готовый сервис по ранжированию и выдаче релевантных постов в социальной сети, о котором вы сможете рассказать будущему работодателю. А ещё наш HR обязательно поможет вам с трудоустройством — в течение трёх месяцев работу находят 84% наших выпускников. Новый поток стартует 10 августа. Также на сайте есть бесплатная демоверсия. [Записаться]

🎲 Anti-Exploration by Random Network Distillation, Tinkoff Research, ICML 2023 We propose a new ensemble-free offline RL algorithm called SAC-RND. We evaluate our method on the D4RL (Fu et al., 2020) benchmark, and show that SAC-RND achieves performance comparable to ensemble-based methods while outperforming ensemble-free approaches. Ученые из Tinkoff Research открыли новый Offline-RL алгоритм, который показывает SOTA-результаты, сравнимые с ансамблевыми моделями (в некоторых случаях даже лучше) и при этом требует до 20 раз меньше времени на обучение. 🖥 Github: https://github.com/tinkoff-ai/sac-rnd 🤓 Paper: https://proceedings.mlr.press/v202/nikulin23a.html ai_machinelearning_big_data

🌉Enhancing Visibility in Nighttime Haze Images Using Guided APSF and Gradient Adaptive Convolution Experiments demonstrate that our method achieves a PSNR of 30.72dB, outperforming state-of-the-art methods by 14 on GTA5 nighttime haze dataset. Модель улучшение видимости ночных изображений, путем подавления свечения и усиления слабоосвещенных областей с помощью функции APSF (Angular Point Spread Function). 🖥 Github: https://github.com/jinyeying/nighttime_dehaze/tree/main 📕 Paper: https://arxiv.org/abs/2308.01738v1 ☑️ Dataset: https://www.dropbox.com/sh/7qzmb3y9akejape/AABYf2ZAqn_5vmPsOPg7KqoMa?dl=0 ai_machinelearning_big_data

🧍‍♂ Reconstructing Three-Dimensional Models of Interacting Humans Tools to process and visualize the IMAR Vision Datasets: CHI3D, FlickrCI3D, HumanSC3D, FlickrSC3D and Fit3D. Наборы инструментов и датасетов для задач 3d реконструкций, сегментации и обнаружения людей. 🖥 Github: https://github.com/sminchisescu-research/imar_vision_datasets_tools 📕 Paper: https://arxiv.org/abs/2308.01854v1 ⭐️ Project: https://ci3d.imar.ro/ ☑️ Dataset: https://paperswithcode.com/dataset/chi3d ai_machinelearning_big_data

✅ LISA: Reasoning Segmentation via Large Language Model New segmentation task -- reasoning segmentation. The task is designed to output a segmentation mask given a complex and implicit query text. LISA раскрывает новые возможности сегментации мультимодальных LLM и позволяет решать сложные задачи рассуждения на знание реального мира. 🖥 Github: https://github.com/dvlab-research/lisa 📕 Paper: https://arxiv.org/abs/2308.00692v2 ☑️ Dataset: https://github.com/dvlab-research/lisa#dataset ai_machinelearning_big_data

Яндекс Практикум ищет авторов на курсы по машинному обучению и  «Математика для анализа данных»  Частичная занятость (2-3 часа в день) Яндекс Практикум — это сервис онлайн-образования, где каждый может освоить современные цифровые профессии.  Задача автора — создавать и улучшать образовательный контент, чтобы обучение было актуальным. Что предстоит делать? Помимо теории нужно будет придумывать квизы, тесты, практические задания, дополняя это примерами из вашей профессиональной  жизни. Почему вам стоит стать автором курса? ● Помощь тысячам людей получить востребованную IT-профессию. ● Прокачка себя и подтверждение своей экспертности. ● Дополнительных доход на удалёнке. Оставьте отклик на сайте, пройдите отбор и станьте проводником в мир IT-профессий 👇 Автор курса  «Математика для анализа данных» Автор курсов по машинному обучению

🦩 OpenFlamingo: An Open-Source Framework for Training Large Autoregressive Vision-Language Models An open-source framework for training large multimodal models. OpenFlamingo - семейство авторегрессионных моделей для обучения LMM в стиле Flamingo с параметрами от 3B до 9B. OpenFlamingo можно использовать для создания подписи к изображению или для создания тейзисов на основе изображения. Преимуществом такого подхода является возможность быстрой адаптации к новым задачам с помощью внутриконтекстного обучения. pip install open-flamingo 🖥 Github: https://github.com/mlfoundations/open_flamingo 📕 Paper: https://arxiv.org/abs/2308.01390 ⭐️ Demo: https://huggingface.co/spaces/openflamingo/OpenFlamingo ☑️ Dataset: https://paperswithcode.com/dataset/flickr30k ai_machinelearning_big_data

Приглашаем на новую конференцию от Яндекса по прикладному ML — Practical ML Conf 2023. Регистрация уже открыта! 7 сентября мы проведём большую конференцию по прикладному Machine Learning, где обсудим все новости, которые происходят в ML-отрасли. Это будет хардовая конференция для экспертов: с глубокими техническими докладами и главными ML-инженерами отрасли. Поговорим о ключевых вопросах индустрии: генеративных моделях, Research, NLP, Hardware, CV, RecSys, MLOps и Ecomm. Обсудим реальное применение ML в бизнесе, поделимся кейсами и их решениями. Вот лишь несколько докладов из нашей программы: 🔸Алексей Морозов, руководитель группы модернизации нейронных сетей, Яндекс Поиск. Расскажет про zero-cost fault tolerance в распределённом глубоком обучении. 🔸Валерий Ильин, руководитель группы разработки компьютерного зрения и бизнес-процессов на роботе, Яндекс Маркет. Объяснит, как устроено компьютерное зрение роботов на складах Маркета. 🔸Андрей Зимовнов, ML-директор, Дзен. Расскажет, как в Дзене переосмыслили item2item-рекомендации. 🔸Александр Ледовский, руководитель команды DS и аналитики в монетизации, Авито. Объяснит, как работают рекламные аукционы и автобиддинг в продуктах продвижения Авито. Зарегистрироваться на участие в конференции и узнать все подробности про доклады и спикеров можно здесь. И подписывайтесь на @Yandex4Developers, там мы скоро начнём рассказывать о программе Practical ML Conf 2023

💼 Introducing Qwen-7B: Open foundation and human-aligned models (of the state-of-the-arts) Qwen-7B outperforms the baseline models of a similar model size, and even outperforms larger models of around 13B parameters, on a series of benchmark datasets. Большая языковая модель на основе трансформеров, которая предварительно обучена на большом объеме данных, включая веб-тексты, книги, кодексы и т.д. По сравнению с моделями аналогичного размера, значительно превосходит конкурентов на ряде эталонных датасетов. Токенизатор модели, основан включаеи более 150 к. токенов. 🖥 Github: https://github.com/QwenLM/Qwen-7B 📕 Paper: https://github.com/QwenLM/Qwen-7B/blob/main/tech_memo.md ☑️ Dataset: https://paperswithcode.com/dataset/mmlu ai_machinelearning_big_data

Как маленькая нейроязыковая модель победила большую облачную Разработчики Яндекс Клавиатуры рассказали, как отказались от n-граммной модели и выбрали нейроязыковую, поделились итоговой архитектурой модели и показали, насколько получился прирост по метрике saved keys в разных группах приложениях. 🔗 Хабр: https://habr.com/ru/companies/yandex/articles/751598/ ai_machinelearning_big_data

⚡️ Improving Pixel-based MIM by Reducing Wasted Modeling Capability A new method that explicitly utilizes low-level features from shallow layers to aid pixel reconstruction. MMPreTrain - это набор инструментов для предварительного обучения с открытым исходным кодом, основанный на PyTorch. Он является частью проекта OpenMMLab. 🖥 Github: https://github.com/open-mmlab/mmpretrain 📕 Paper: https://arxiv.org/abs/2308.00261v1 ⭐️Project: mmpretrain.readthedocs.io/en/latest/ ☑️ Dataset: https://paperswithcode.com/dataset/coco ai_machinelearning_big_data