Machinelearning

🗣 HierSpeech++: Bridging the Gap between Semantic and Acoustic Representation by Hierarchical Variational Inference for Zero-shot Speech Synthesis Синтез речи на основе больших языковых моделей получил широкое распространение. Однако такие модели требуют большого объема данных и обладают теми же недостатками, что и предыдущие авторегрессионные модели речи, включая низкую скорость вывода и плохое качетсво речи. В данной работе прелставлен HierSpeech++, быстрый и надежный синтезатор речи для преобразования текста в речь (TTS) и голоса (VC). Данная модель синтеза речи позволяют значительно повысить надежность и выразительность синтетической речи. Кроме того, значительно улучшено естественность и сходство с диктором синтетической речи даже в сценариях синтеза речи с нулевым результатом. 🖥 Code: https://github.com/sh-lee-prml/hierspeechpp 🦾 Checkpoint: https://drive.google.com/drive/folders/1-L_90BlCkbPyKWWHTUjt5Fsu3kz0du0w?usp=sharing ⚡️ Demo: https://sh-lee-prml.github.io/HierSpeechpp-demo/ 📚 Paper: https://arxiv.org/abs/2311.12454v1 🔗 Dataset: https://paperswithcode.com/dataset/libri-light @ai_machinelearning_big_data

🤖 Российская художница написала картину совместно с Kandinsky Мария Суворова использовала ИИ для создания картин, уделив особое внимание логическому расположению цвета и тона. Такая методика предполагает установление баланса тона, цвета и динамики, что похоже на очень сложный аналитический процесс. Суворова говорит, что для работы с Kandinsky нужно соединить два полюса, создавая эскиз по методу Матисса и постепенно дополнять его абстрактным видением. Плоды ее творчества человека и искусственного интеллекта представила галерея «МастАРТ» на международной конференции AI Journey. @ai_machinelearning_big_data

Что происходит в образовании с приходом AI? Как найти работу в сфере IT и какие навыки для этого нужны? Можно ли их получить в университете? Узнайте на четвёртой конференции Yet another Conference on Education от Яндекса. Посмотреть записи конференции и получить инсайды от экспертов из IT можно прямо сейчас. Горячая ссылка с пылу с жару ждет тебя.

⭐️ Karpathy just uploaded what could be the best Intro to Large Language Models. Обязательно к просмотру. Карпатый только что выложил, возможно, лучшее введение в большие языковые модели. В лекции продолжительностью 1 час рассматривается абсолютно все: обучение, вывод, взлом, тонкая настройка и многое другое. 🔗 Смотреть здесь: https://youtube.com/watch?v=zjkBMFhNj_g 🔗 Слайды: https://drive.google.com/file/d/1pxx_ZI7O-Nwl7ZLNk5hI3WzAsTLwvNU7/view ai_machinelearning_big_data

Где ML-специалисту попрактиковаться перед собеседованием или подглядеть лучшие практики решения своих задач? На Симуляторе ML вы не просто прокачаете отдельные навыки, а поймёте, как сводить бизнес-задачи к задачам машинного обучения — всё как на настоящей работе. Вы научитесь: - Понимать, какие у бизнеса есть проблемы и какими метриками их можно измерить - Проводить А/В-тесты, чтобы подтверждать прирост метрик - Формулировать задачу для модели - Выбирать подходящую модель и обучать её - Организовывать процесс доставки данных для модели - Оборачивать модель в сервис и деплоить его После симулятора вы точно найдете применение знаниям в работе или сможете успешно пройти собеседование на позицию в сфере Machine Learning и приносить пользу бизнесу уже с первых дней. До конца ноября в karpovꓸcourses действуют скидки до 27%, успейте купить подписку на Симулятор по самой выгодной цене! [Начать учиться]

Новый фреймворк файнтюнинга ЛЛМ Higgsfield AI выпустил бета версию фулл-стек легковесного фреймворка для тренировки больших моделей. Пользователи загружают датасет через веб интерфейс и получают модель, которая тренируется на их серверах. Доступны любые модели llama/mistral. Метод оплаты не требуется. Лучше всего работает с десктопным Chrome. Попробовать запустить новую видео диффузию: https://higgsfield.ai/stable-diffusion Зафайнтюнить ЛЛМ: https://higgsfield.ai/profile/submit Github фреймворк который позволяет оркестрировать несколько ГПУ нод без необходимости менеджить Slurm/Kubernetes: https://github.com/higgsfield-ai/higgsfield ai_machinelearning_big_data

Хотите начать увлекательный путь в мир машинного обучения и искусственного интеллекта? Газпромбанк.Тех совместно с Финтех Хабом Банка России запускает прием заявок на программу «Машинное обучение LITE: базовый уровень» — для тех, кто только начинает осваивать машинное обучение. Что предстоит изучать? Основы и методы ML, математику, Python и нейронные сети. Программа состоит из двух модулей: - Теоретический модуль пройдет с 21 января по 16 февраля 2024 года - Практический модуль пройдет с 26 февраля по 10 марта 2024 года для тех, кто показал высокие результаты по итогу первого модуля Чтобы стать участником, подайте заявку на сайте программы до 17 января 2024 года — https://vk.cc/csyWZU Реклама Банк ГПБ (АО), ИНН: 7744001497

🐬 ShareGPT4V:Improving Large Multi-Modal Models with Better Captions 🔥 Масштабный набор данных,содержащий изображения и тексты. 🔥 1,2 млн высококачественных подписей к ихображениям для предварительного обучения. 🔥 Программа для создания описания изображений, приближающаяся по возможностям к GPT4-Vision. 🔥 Большая мультимодальная модель, ShareGPT4V-7B 🖥 Code: https://github.com/InternLM/InternLM-XComposer/tree/main/projects/ShareGPT4V 🦾 Project: https://sharegpt4v.github.io/ ⚡️ Demo: https://huggingface.co/spaces/Lin-Chen/ShareGPT4V-7B 📚 Paper: https://arxiv.org/pdf/2311.12793.pdf 🔗 Dataset: https://huggingface.co/datasets/Lin-Chen/ShareGPT4V @ai_machinelearning_big_data

💸 На AI Journey авторы лучшей статьи про искусственный интеллект получили 1 млн рублей Сбер наградил группу исследователей из Университета Иннополис и МФТИ в составе Михаила Рудакова, Александра Безносикова, Ярослава Холодова и Александра Гасникова — они получили 1 млн рублей за свою статью «Техники сжатия активаций слоёв и градиентов для распределённого обучения моделей искусственного интеллекта». Её и еще 37 работ других претендентов опубликуют в научном сборнике международной конференции AI Journey — «Путешествие в мир искусственного интеллекта». Всего для участия в отборе прислали более 270 заявок. «Лучшую статью члены экспертной комиссии отобрали в силу её высокой научной ценности, огромного фундаментального и прикладного значения. Я поздравляю победителей и надеюсь, что они продолжат свои исследования в этом важном направлении», — рассказал первый заместитель председателя правления Сбера Александр Ведяхин. @ai_machinelearning_big_data

🪄 InternLM-XComposer Multi-Objective Reinforcement Learning algorithms implementations. MORL-Baselines - это библиотека алгоритмов многоцелевого обучения с подкреплением (MORL). Данный репозиторий содержит рабочие реализации алгоритмов MORL в PyTorch. 🖥 Code: https://github.com/lucasalegre/morl-baselines 🦾 Project: lucasalegre.github.io/morl-baselines 🖥 Colab: https://colab.research.google.com/drive/1ByjuUp8-CJeh1giPOACqPGiglPxDnlSq?usp=sharing 📚 Paper: https://arxiv.org/abs/2311.12495v1 🔗 Dataset: https://paperswithcode.com/dataset/mo-gymnasium @ai_machinelearning_big_data

Trino: как перехать с Vertica, и как устроен его оптимизатор запросов? Расскажут эксперты компаний Avito и CedrusData на онлайн-митапе при поддержке JUG Ru Group. 🗓 24 ноября в 18:00 (МСК, GMT+3) В программе: ✔ Дмитрий Рейман — «Как пересесть на Trino после Vertica» Реальный кейс Авито по переводу аналитической платформы с Vertica на Trino с сохранением UX конечных пользователей. ✔ Владимир Озеров — «Архитектура и проблемы оптимизатора Trino» Посмотрим, какие особенности архитектуры позволяют Trino быть эффективным. Где он неэффективен и какие улучшения возможны. ➡️ Регистрация на Timepad. Ссылку на трансляцию отправят вам за 1 час до начала митапа. Реклама. ООО "КВЕРИФАЙ ЛАБС"

Stability AI is releasing Stable Video Diffusion! 🔥 Stability AI выпустили опенсорс модель image-to-video. Это новая модель преобразования изображения в видео, которая позволяет получить 14-25 кадров с разрешением 576x1024 при наличии контекстного кадра такого же размера. 🖥 Code: https://github.com/Stability-AI/generative-models 🦾 Announcement: https://stability.ai/news/stable-video-diffusion-open-ai-video-model 📚 Paper: https://stability.ai/research/stable-video-diffusion-scaling-latent-video-diffusion-models-to-large-datasets 🔗 Weights: https://github.com/Stability-AI/generative-models @ai_machinelearning_big_data

❗️ Какие инструменты нужны для эффективного машинного обучения? 👉 Узнайте на бесплатном открытом уроке «Bagging, Random Forest, стекинг - ансамбли моделей для решения ML-задач» от OTUS и Марии Тихоновой – Senior Data Scientist в «SberDevices» и преподавателя ВШЭ. 🔹 На вебинаре узнаете, как применять ансамбли моделей для решения задач ML и изучите основные подходы к ансамблированию моделей 🔹 Разберем методы ансамблирования Bagging, Random Forest и стекинг Занятие пройдёт 23 ноября в 18:00 мск и будет приурочено к старту курса «Machine Learning. Professional» 📌 Результаты урока: Вы освоите такие популярные методы как Bagging, Random Forest и Стекинг  👉 РЕГИСТРАЦИЯ https://otus.pw/k65H/ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

👱‍♂️ ChatAnything: Facetime Chat with LLM-Enhanced Personas FACETIME CHAT WITH LLM-ENHANCED PERSONAS. Новая модель ChatAnything, которая способна придать жизнь разнообразным объектам, будь то животное, фрукт, монстр или даже ваше собственное фото, создавая говорящего персонажа. При помощи нейронных сетей и алгоритмов текст в речь, программа автоматически выбирает наиболее подходящий тон и настроение для созданного персонажа. Вам предоставляется возможность создать любогоаватара, из текстовом описании или загрузив свое собственное изображение. После этого вы можете общаться с ним, используя текстовые сообщения или ваш голос. 🖥 Github: https://github.com/zhoudaquan/ChatAnything 📕 Paper: https://arxiv.org/abs/2311.06772 ⭐️ Model: https://github.com/zhoudaquan/ChatAnything/blob/main/python_scripts/prepare_models.py ai_machinelearning_big_data

🔥Открытая трансляция главного зала  HighLoad++ 2023! Самая крутая новость ноября: 27 и 28 ноября пройдет открытая трансляция Главного зала HighLoad++ 2023. Это стало возможным благодаря поддержке нашего генерального партнёра, компании Яндекс. 👉Просто зарегистрируйтесь и смотрите: https://clck.ru/36eNfo В программе доклады лучших спикеров: ✅Павел Капля (Яндекс) - Алиса 6 лет спустя. ✅Александр Кирсанов (VK, ВКонтакте) - Математический хайлоад: большие, очень большие и немыслимо большие числа. ✅Евгений Россинский (ИВИ) - Как из Python и палок собрать детектор аномалий для highload. Вы сможете не только посмотреть интересные доклады ТОПовых разработчиков, но и задать им вопросы. Полная программа трека здесь. Регистрируйтесь и присоединяйтесь к просмотру!  Реклама. ООО "КОНФЕРЕНЦИИ ОЛЕГА БУНИНА". ИНН 7733863233.

➕ SA-Med2D-20M Dataset: Segment Anything in 2D Medical Imaging with 20 Million masks Модель Segment Anything Model (SAM) достигла впечатляющих результатов при сегментации изображений и успех модели во многом объясняется наличием большого количества обучающих данных с метками. Однако применение SAM для сегментации медицинских изображений не может дать хороших результатов, поскольку SAM не обладает медицинскими знаниями - она не использует медицинские изображения для обучения. SA-Med2D-20M - крупномасштабный датасет по сегментации двумерных медицинских изображений, созданный на основе многочисленных гснимков. Он состоит из 4,6 млн. двумерных медицинских изображений и 19,7 млн. соответствующих масок, охватывающих практически все тело и содержащий значительное разнообразие. В данной работе описаны все датасеты, собранные в SA-Med2D-20M, и подробно описаны способы обработки этих наборов данных. Кроме того, приведена полная статистика SA-Med2D-20M, которая поможет исследователям построить базовые модели медицинского зрения или применить свои модели в медицинских приложениях. 🏆 Самая большая на сегодняшний день база данных по сегментации медицинских изображений (4,6 млн. изображений и 19,7 млн. масок) для обучения моделей. 🏆 Инструмент файнтюнинга на основе модели Segment Anything Model (SAM). 🏆 Всесторонняя оценка SAM-Med2D на крупномасштабных датасетах. 🖥 Github: https://github.com/OpenGVLab/SAM-Med2D 🖥 Colab: https://colab.research.google.com/github/OpenGVLab/SAM-Med2D/blob/main/predictor_example.ipynb 📕 Paper: https://arxiv.org/abs/2311.11969v1 ⭐️ Dataset: https://arxiv.org/abs/2311.11969 ai_machinelearning_big_data

🔥 Live-интенсив: разбираем тестовое задание в OZON на junior-аналитика! 📣 Всем привет! Хотим пригласить вас на интенсив, где мы в прямом эфире будем разбирать настоящее тестовое задание в OZON на аналитика данных! Нам предстоит провести аналитику продаж и доставок с помощью Pandas в Python, а также проиллюстрировать это все графиками. 📅 Дата: 22 ноября 🕘 Время: 19:00 по Мск Что будем делать на интенсиве: ◾️ Проанализируем заказы пользователей по retention, времени доставки, сумме заказа т.д. ◾️ Научимся легко генерировать большой DataFrame с синтетическими данными ◾️ Посчитаем описательные статистики ◾️ Изучим полезные фичи Pandas: apply, map, pct_change и др. ◾️ Построим интерактивные графики с помощью Plotly ◾️ Научимся строить и читать необычные графики - например, violinplot Интенсив подойдет всем — от новичков до тех, кто уже знаком с Python. В прямом эфире мы также расскажем о частых ошибках новичков и поделимся лайфхаками — как достойно пройти собеседование и удивить ревьюера крутыми фишками 🤩 А вы готовы бустануть свои знания и скиллы в аналитике? 👉🏻 Зарегистрироваться на интенсив Реклама. ООО "Айти Резюме". ИНН 4025460134. Erid:LjN8KNDG7

💥 Video-LLaVA: Learning United Visual Representation by Alignment Before Projection Простая, но надежная модель зрительного языка LVLM - Video-LLaVA, который обучается на смешанном наборе данных изображений и видео, взаимно усиливая друг друга. LLM выполнять визуальные рассуждения одновременно о изображениях и видео. Video-LLaVA превосходит Video-ChatGPT, MSRVTT, MSVD, TGIF и ActivityNet на 5,8%, 9,9%, 18,6% и 10,1% на соответственно. Многочисленныйе эксперименты показывают, что Video-LLaVA превосходит модели, разработанные специально для изображений или видео. 🐱Github: https://github.com/PKU-YuanGroup/Video-LLaVA 🤗Demo: https://huggingface.co/spaces/LanguageBind/Video-LLaVA 📕Paper: https://arxiv.org/abs/2311.10122v1 ⏩Dataset: https://paperswithcode.com/dataset/mmbench @ai_machinelearning_big_data

5-6 декабря пройдет YaTalks 2023 - большая технологическая конференция Яндекса Более 100 специалистов, управленцев и учёных по темам нейросетей, разработки продуктов, дизайну интерфейсов, новых технологий и управления в ИТ. Отдельно хочется отметить стек ML: - Андрей Гусаков (технический директор Яндекс Поиска) выступит с докладом о том, какие технологии увеличили скорость целых городов и стран, что происходит сейчас - Андрей Кузнецов (руководитель научной группы FusionBrain, AIRI) расскажет, что сейчас умеют LLM, расскажет об экспериментах,способы общения LLM, механизмы Chain-of-Thought и Tree-of-Thought и общую память Помимо полезных выступлений, будут сессии лайвкодинга, воркшопы и карьерные консультации, и нетворкинг никто не отменял Регистрируетесь, подключайтесь к онлайн трансляции или приходите офлайн и не пропускайте полезные и актуальные кейсы из мира ИТ

🌦 Makani: Massively parallel training of machine-learning based weather and climate models Прогнозирование погоды на основе машинного обучения стало перспективным дополнением к традиционным моделям численного прогнозирования погоды (NWP). Такие модели, как NVIDIA FourCastNet, продемонстрировали, что время вычислений для создания прогнозов погоды может быть сокращено с нескольких часов до нескольких секунд, что является значительным улучшением по сравнению с текущими моделями и на основе NWP. Makani (гавайское слово, означающее "ветер" 🍃🌺) - это новая библиотека от NVIDIA, предназначенная для исследования и разработки моделей погоды и климата на основе машинного обучения на PyTorch. В частности, Makani использовался для обучения сферических нейронных операторов Фурье (SFNO) и адаптивных нейронных операторов Фурье (AFNO) на датасете ERA5. Makani основан на PyTorch и поддерживает различные формы параллелизма моделей и данных, асинхронную загрузку данных, непредсказуемые каналы, авторегрессионное обучение и многое другое. 🐱Github: https://github.com/NVIDIA/makani 📕Blog: https://developer.nvidia.com/blog/modeling-earths-atmosphere-with-spherical-fourier-neural-operators/ ⏩Dataset: https://github.com/NVIDIA/makani/tree/main/datasets @ai_machinelearning_big_data