Machinelearning

🆕 Yandex Cloud добавила новый режим работы в Yandex DataSphere — Dedicated Yandex DataSphere — это сервис для полного цикла машинного обучения, в котором есть все необходимые инструменты для разработки и интеграции с другими облачными сервисами. Что открывает выделенный режим Dedicated: — возможность зарезервировать виртуальную машину в облаке под свой проект и работать с ней сколько нужно; — ускорение работы моделей машинного обучения для задач по анализу данных. Что ещё изменилось в Yandex DataSphere: — режим Serverless остаётся, вы также можете его выбрать и оплачивать вычислительные мощности только во время реального обучения; — появилась новая версия Jupyter Notebook, это популярный редактор кода для ML-разработки. Обновили интерфейс и добавили предустановленные расширения. Все подробности можете узнать по ссылке, а обсудить в сообществе разработчиков и аналитиков Yandex DataSphere➡️

📎 Instruction-tuning Stable Diffusion with InstructPix2Pix InstructPix2Pix training strategy to follow more specific instructions related to tasks in image translation (such as cartoonization) and low-level image processing (such as image deraining). В этом посте рассматривается настройка промптов для обучения Stable Diffusion. С помощью этого метода мы сможем легко настраивать Stable Diffusion на обработку изображений, используя входное изображение, в качестве промпта, например - Применить фильтр мультфильма к изображению. 🖥 Post: https://huggingface.co/blog/instruction-tuning-sd ⭐️ Training and inference code: https://github.com/huggingface/instruction-tuned-sd 📌 Demo: https://huggingface.co/spaces/instruction-tuning-sd/instruction-tuned-sd ⏩ InstructPix2Pix: https://huggingface.co/timbrooks/instruct-pix2pix 🔍Datasets and models from this post: https://huggingface.co/instruction-tuning-sd ai_machinelearning_big_data

Mask-Free Video Instance Segmentation MaskFreeVIS, achieving highly competitive VIS performance, while only using bounding box annotations for the object state. Новый высокопроизводительный фреймворк для сегментации видео. 🖥 Github: https://github.com/SysCV/maskfreevis ⏩ Paper: https://arxiv.org/pdf/2303.15904.pdf 📌 Project: http://www.vis.xyz/pub/maskfreevis/ ai_machinelearning_big_data

Как получить первый опыт работы ML-инженером и выделиться на собеседовании? Приходите практиковаться в Симулятор ML. Под руководством ведущих Data Scientists  Валерия Бабушкина и Богдана Печёнкина  вы не просто прокачаете отдельные навыки, но и поймёте, как сводить бизнес-задачи к задачам машинного обучения.  Динамическое ценообразование, рекомендательные системы, матчинг, модели прогноза, А/В-тесты, тестирование кода в Python — реальные рабочие проекты по этим темам ждут вас в Симуляторе.  Симулятор работает в режиме подписки и постоянно пополняется новыми задачами — сейчас их уже более 50. Присоединяйтесь!

🦙 LLM-Pruner: On the Structural Pruning of Large Language Models Compress your LLMs to any size; LLM-Pruner: модель прунинга для больших языковых моделей. 🖥 Github: https://github.com/horseee/llm-pruner ⏩ Paper: https://arxiv.org/abs/2305.11627v1 📌 Dataset: https://paperswithcode.com/dataset/piqa ai_machinelearning_big_data

⭐️ Drag Your GAN: Interactive Point-based Manipulation on the Generative Image Manifold Powerful yet much less explored way of controlling GANs, that is, to "drag" any points of the image to precisely reach target points in a user-interactive manner. DragGAN: Новый метод манипуляции сгенерированных изображений, который позволяет изменять позицию объектов, их размеры, выражения лиц, позы одим кликом. 📌 Project: https://vcai.mpi-inf.mpg.de/projects/DragGAN/ 🖥 Github: https://github.com/XingangPan/DragGAN ⏩ Paper: https://arxiv.org/pdf/2305.10973.pdf ai_machinelearning_big_data

Diff-Pruning: Structural Pruning for Diffusion Models Structural Pruning for Diffusion Models. Diff-Pruning - новый эффективный метод прунинга для диффузионных моделей. 🖥 Github: https://github.com/vainf/diff-pruning ⏩ Paper: https://arxiv.org/abs/2305.10924v1 📌 Dataset: https://paperswithcode.com/dataset/lsun ai_machinelearning_big_data

1 млн рублей получат авторы лучшей научной статьи по искусственному интеллекту и машинному обучению В рамках международной конференции «Путешествие в мир искусственного интеллекта» (AI Journey 2023) проходит конкурс научных статей по искусственному интеллекту (AI) и машинному обучению (ML). Авторы самых интересных работ, помимо публикации в авторитетном научном журнале, также смогут принять участие в программе конференции. Рецензии на научные работы дадут профи из мира AI и ML. Наиболее выдающиеся статьи будут опубликованы в научном журнале с международной аудиторией: «Доклады Российской академии наук. Математика, информатика, процессы управления» и в англоязычном Doklady Mathematics. За лучшую статью предусмотрен приз — 1 млн рублей. Статья должна быть оформлена по правилам конкурса и содержать ранее не опубликованные материалы. Работы принимаются на русском и английском языках. Переходите на сайт AI Journey, регистрируйтесь и участвуйте.

Segment Any Anomaly without Training via Hybrid Prompt Regularization This project addresses zero-shot anomaly detection by combining SAM and Grouding DINO. Цель этого проекта - сегментировать любую аномалию без какого-либо обучения. Это интересное демо работает, объединяя Grounding DINO и Segment Anything! 🖥 Github: https://github.com/caoyunkang/segment-any-anomaly 🖥 Colab: https://colab.research.google.com/drive/1Rwio_KfziuLp79Qh_ugum64Hjnq4ZwsE?usp=sharing ⏩ Paper: https://arxiv.org/abs/2305.11013v1 📌 Dataset: https://paperswithcode.com/dataset/visa ai_machinelearning_big_data

Почему мы всё время начинаем и бросаем учить английский? Одна из причин — мы не знаем свой уровень языка. В итоге берёмся за контент, который нам не по силам. Например, сериал «Друзья» часто советуют смотреть тем, кто начинает учить язык, но в нём полно юмора, который начинающие пока понять не могут. В итоге разрыв знаний удручает и мотивация снова падает. Если вы готовы дать английскому ещё один шанс, мы поможем поверить в свои силы и довести дело до конца. Приходите на бесплатную консультацию в Яндекс Практикум: - Проведём устный тест на уровень языка, - Покажем, чего реально добиться за полгода изучения, - Расскажем, как наши курсы помогут достичь цели. Записаться

FunASR: A Fundamental End-to-End Speech Recognition Toolkit FunASR, an open-source speech recognition toolkit designed to bridge the gap between academic research and industrial applications Фундаментальный набор инструментов для распознавания речи. 🖥 Github: https://github.com/alibaba-damo-academy/FunASR ⭐️ Docs: https://alibaba-damo-academy.github.io/FunASR/en/index.html ⏩ Paper: https://arxiv.org/abs/2305.11013v1 📌 Dataset: https://paperswithcode.com/dataset/wenetspeech ai_machinelearning_big_data

Почему мы всё время начинаем и бросаем учить английский? Одна из причин — мы не знаем свой уровень языка. В итоге берёмся за контент, который нам не по силам. Например, сериал «Друзья» часто советуют смотреть тем, кто начинает учить язык, но в нём полно юмора, который начинающие пока понять не могут. В итоге разрыв знаний удручает и мотивация снова падает. Если вы готовы дать английскому ещё один шанс, мы поможем поверить в свои силы и довести дело до конца. Приходите на бесплатную консультацию в Яндекс Практикум: - Проведём устный тест на уровень языка, - Покажем, чего реально добиться за полгода изучения, - Расскажем, как наши курсы помогут достичь цели. Записаться

💪 Хотите выйти на новый уровень в Machine Learning? Научитесь рекомендовать визуально похожие товары! Приглашаем вас 24 мая в 20:00 мск на открытый урок в OTUS. Для участия пройдите вступительный тест 👉 https://otus.pw/9S45/ Занятие приурочено к старту онлайн-курса «Рекомендательные системы» в OTUS. Вместе с Александром Брут-Бурляко, DS-инженером в СБЕР Neurolab, разберем, как использовать векторное представление изображений и нейросети компьютерного зрения для поиска объектов по фото. В результате вы поймете, как: - Работать с глубокими нейросетями компьютерного зрения - Готовить изображения для обработки - Сделать рекомендательную систему на основе похожих изображений. 💻 Урок подходит для DS/ML/DL-специалистов, аналитиков и руководителей контентных сервисов и интернет-магазинов, которые хотят создать свою рекомендательную систему на основе сравнения изображений. После вебинара вы сможете продолжить обучение на курсе. Сейчас доступны разные способы оплаты. https://otus.pw/9S45/ Нативная интеграция. Информация о продукте на otus.ru

FastComposer: Tuning-Free Multi-Subject Image Generation with Localized Attention FastComposer uses subject embeddings extracted by an image encoder to augment the generic text conditioning in diffusion models, enabling personalized image generation based on subject images and textual instructions with only forward passes. FastComposer - новый проект MIT, который обеспечивает высококачественное, персонализированное, многопредметное преобразование текста в изображение без тонкой настройки. 🖥 Github: https://github.com/mit-han-lab/fastcomposer ⏩ Paper: https://arxiv.org/abs/2305.10431v1 📌 Dataset: https://paperswithcode.com/dataset/ffhq ⭐️ Project: https://fastcomposer.mit.edu/ ai_machinelearning_big_data

❗️Как пройти техническое собеседование на ML-специалиста? ⚠️ Узнайте на примере mock-интервью с преподавателями курса «MLOps» в OTUS! На открытом уроке вы сможете наблюдать один из этапов собеседования при найме ML-специалистов — ML System Design секцию. 👉 Для удачного прохождения этого этапа не достаточно только знания алгоритмов машинного обучения. Также проверяются навыки проектирования ML систем, которые могут успешно работать в промышленной среде. Больше инструментов MLOps ждет вас на курсе. Обратите внимание: возможные способы оплаты обучения. 👉 Готовьте вопросы и записывайтесь на вебинар! https://otus.pw/mQFg/ Нативная интеграция. Информация о продукте www.otus.ru

ULIP: Learning a Unified Representation of Language, Images, and Point Clouds for 3D Understanding You can easily plug in any 3D backbone models and pre-train it using our framework to get a jump-start for various downstreaming tasks! ULIP - мультимодальная предварительно обученная модель, которая может использовать данные из разных модальностей (изображения, текст и тд) для работы с 3D-данными. 🖥 Github: https://github.com/salesforce/ulip ⏩ Paper: https://arxiv.org/abs/2305.08275v1 📌 Dataset: https://paperswithcode.com/dataset/objaverse ai_machinelearning_big_data

⏩ An Inverse Scaling Law for CLIP Training CLIP, the first foundation model that connects images and text, has enabled many recent breakthroughs in computer vision. As a result of this finding, we are able to successfully train CLIP even by using academic resources. CLIP, первая фундаментальная модель, которая связывает изображения и текст, которая помогла совершить множество прорывов в компьютерном зрении. Проект показывает спопобы снижения вычислительных затрат на работу CLIP. 🖥 Github: https://github.com/UCSC-VLAA/CLIPA ⏩ Paper: https://arxiv.org/abs/2305.07017v1 📌 Dataset: https://paperswithcode.com/dataset/imagenet-sketch ai_machinelearning_big_data

Если хотите получить качественное образование в области компьютерных наук и учиться в университете, который входит в ТОП-100 лучших молодых вузов мира по версии Nature Index, этот пост для вас! Сейчас в Сколтехе открыт отбор на две сильные магистратуры: Современные вычислительные методы — программа сочетает в себе обучение современным методам математического моделирования, включая методы искусственного интеллекта, и их применение на практике с учётом передовых возможностей высокопроизводительных и параллельных вычислений. Науки о данных — программа готовит экспертов в сфере машинного и глубокого обучения, компьютерного зрения, обработки естественного языка и других направлений современной науки о данных. Немного об учёбе в Сколтехе: - собственный исследовательский проект на базе уникальных лабораторий; - профессора с мировым именем; - стипендия и ДМС. Узнайте подробнее о программах Сколтеха и подайте заявку здесь. Реклама. Автономная некоммерческая образовательная организация высшего образования «Сколковский институт науки и технологий», ИНН 5032998454

⭐️ Towards Building the Federated GPT: Federated Instruction Tuning Shepherd: A lightweight, foundational framework enabling federated instruction tuning for large language models Модель для фундаментальной основе для изучения федеративной тонкой настройки LLM. 🖥 Github: https://github.com/jayzhang42/federatedgpt-shepherd ⏩ Paper: https://arxiv.org/pdf/2305.05644.pdf 📌 Data Preparation: https://github.com/jayzhang42/federatedgpt-shepherd#Data_Preparation ai_machinelearning_big_data

⚡️Стартовал прием заявок на Технологический конкурс НТИ Up Great «Экстренный поиск»! Участникам предстоит преодолеть комплексный технологический барьер, предусматривающий разработку технологий и технических решений, объединенных в единую систему, позволяющую эффективно использовать техническое зрение при поиске пропавших людей с применением беспилотных воздушных судов (БВС). На первом этапе (Сателлит №1) участникам необходимо разработать программное решение для поиска объектов (людей) на изображениях, полученных с БВС. Призовой фонд Сателлита №1 составляет 5 млн руб. Лучшим командам, удовлетворяющим требованиям технического регламента, организаторами будут предоставлены БВС для участия во втором этапе (Сателлит №2) и финале конкурса. Призерами и победителями могут стать только налоговые резиденты РФ. 📲Заявки на Сателлит № 1 принимаются до 12 июня 2023 г. по ссылке. Конкурс организуется совместно МФТИ, Фондом НТИ и добровольческим поисково-спасательным отрядом «ЛизаАлерт». Общий призовой фонд составляет 135 млн руб.