Machinelearning

⭐️ 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.

📖 DaGAN++: Depth-Aware Generative Adversarial Network for Talking Head Video Generation A novel self-supervised method for learning dense 3D facial geometry (ie, depth) from face videos, without requiring camera parameters and 3D geometry annotations in training. Новый метод на основе генеративных состязательных сетей для генерации видео с говорящими головами. 🖥 Github: https://github.com/harlanhong/cvpr2022-dagan ⏩ Paper: https://arxiv.org/pdf/2305.06225v1.pdf ⭐️ Demo: https://huggingface.co/spaces/HarlanHong/DaGAN 📌 Dataset: https://paperswithcode.com/dataset/voxceleb1 ai_machinelearning_big_data

VideoChat: Chat-Centric Video Understanding Currently, Ask-Anything is a simple yet interesting tool for chatting with video. Набор данных, ориентированный на видео, состоящий из тысяч видеороликов, сопровождаемых подробными описаниями и субтитрами. 🖥 Github: https://github.com/OpenGVLab/Ask-Anything ⭐️ Demo: https://huggingface.co/spaces/ynhe/AskAnything ⏩ Paper: https://arxiv.org/pdf/2305.06355v1.pdf 📌 Dataset: https://paperswithcode.com/dataset/webvid ai_machinelearning_big_data

⁉️ Начните изучать инструменты MLOps с библиотеки DataFrame API! ⚠️ Приглашаем 15 мая в 20:00 мск на открытый урок «DataFrame API: от Dask к PySpark» в OTUS. DataFrame API — это библиотека для обработки данных в Python, которая часто используется в задачах машинного обучения. ✅ На этом занятии мы рассмотрим ситуацию, когда данные уже не помещаются на дисковый массив, а для быстрой обработки требуется большое количество ядер. ⬆️ Покажем на практике как деплоить модели в production Больше инструментов MLOps ждет вас на курсе. Обратите внимание: возможные способы оплаты обучения. 👉 Готовьте вопросы и записывайтесь на вебинар! https://otus.pw/UImi/ Нативная интеграция. Информация о продукте www.otus.ru

🔥 ImageBind: One Embedding Space To Bind Them All ImageBind, an approach to learn a joint embedding across six different modalities - images, text, audio, depth, thermal, and IMU data. ImageBind, новый подход от Meta к обучению совместному встраиванию шести различных модальностей - текста,изображений, аудио, глубины, тепловых данных и данных IMU. 🖥 Github: https://github.com/facebookresearch/imagebind Ⓜ️ Meta blog: https://ai.facebook.com/blog/imagebind-six-modalities-binding-ai/ ⏩ Paper: https://arxiv.org/pdf/2305.05665v1.pdf ⭐️ Demo: https://imagebind.metademolab.com/ 📌 Dataset: https://paperswithcode.com/dataset/msr-vtt ai_machinelearning_big_data

​VK Cloud Conf: как перенести лучшие практики разработки ИТ-компаний в классический бизнес Каждая крупная российская компания, которая стремится к росту, вынуждена развивать собственную разработку. Для многих это новое направление. В то же время большинство вопросов современной разработки — инструментарий, ресурсы, процессы — общие для разных отраслей. ⏰ Когда: 8 июня, 12:00 📍Где: Москва и онлайн ⚡️ Регистрация На VK Cloud Conf эксперты VK и крупнейших российских компаний поделятся опытом организации процессов разработки, работы с данными и информационной безопасности в облаке. Вы узнаете, какими инструментами и подходами можно сократить время вывода новых разработок на рынок. Спикеры обсудят архитектуру современных аналитических систем — от сбора и структурирования данных до визуализации и разработки моделей машинного обучения. В программе: 🔹 Как повысить эффективность разработки ИТ-решений с помощью облачных сервисов 🔹Подходы к работе с данными: примеры масштабных дата-решений, особенности и результаты проектов 🔹 Тренды и примеры миграции на российские базы данных 🔹 Лучшие практики облачной безопасности в условиях требований к конфиденциальности данных Конференция будет полезна руководителям компаний и ИТ-специалистам разных направлений.

🔈Text-to-Video: The Task, Challenges and the Current State In this post, we covered the constraints, unique challenges and the current state of text-to-video generation models Текст в видео: Задачи, проблемы и текущее состояние. В этом посте мы обсудим прошлое, настоящее и будущее моделей "текст в видео". 🤗 Hugging face: https://huggingface.co/blog/text-to-video 🖥 Github: https://github.com/huggingface/blog/blob/main/text-to-video.md ⏩ Damo-vilab: https://huggingface.co/damo-vilab 📌 Dataset: https://m-bain.github.io/webvid-dataset/ ai_machinelearning_big_data

ZipIt! Merging Models from Different Tasks without Training ZipIt allows to combine completely distinct models with different initializations, each solving a separate task, into one multi-task model without any additional training. "ZipIt!", новый метод объединения двух произвольных моделей одной архитектуры. 🖥 Github: https://github.com/gstoica27/zipit ⏩ Paper: https://arxiv.org/abs/2305.03053v1 📌 Dataset: https://paperswithcode.com/dataset/nabirds ai_machinelearning_big_data

🔄 Caption Anything: Interactive Image Description with Diverse Multimodal Controls Caption-Anything is a versatile tool combining image segmentation, visual captioning, and ChatGPT, generating tailored captions with diverse controls for user preferences. Универсальный инструмент для работы с изображениями, сочетающий в себе возможности, Visual Captioning, SAM, ChatGPT. Модель генерирует описательные подписи для любого объекта на изображении. 🖥 Github: https://github.com/ttengwang/caption-anything ⏩ Paper: https://arxiv.org/abs/2305.02677v1 📌 Dataset: https://paperswithcode.com/dataset/cityscapes-3d 🖥 Colab: https://colab.research.google.com/github/ttengwang/Caption-Anything/blob/main/notebooks/tutorial.ipynb ai_machinelearning_big_data

🖥 Awesome Chatgpt Awesome list for ChatGPT — an artificial intelligence chatbot Awesome список для ChatGPT. 🖥 Github: https://github.com/sindresorhus/awesome-chatgpt 💨 Examples: https://github.com/xiaowuc2/ChatGPT-Python-Applications ✅️ QuickGPT: https://sindresorhus.gumroad.com/l/quickgpt ai_machinelearning_big_data

Имеете опыт в машинном обучении, но хотите двигаться ещё дальше? Специально для вас Валерий Бабушкин, Vice President, Data Science в Blockchainꓸcom, вместе с командой опытных специалистов из Яндекса, AliExpress и X5 Retail Group подготовил продвинутый курс, на котором вам предстоит решать сложные и нестандартные задачи бизнеса. Ранжирование и матчинг, динамическое ценообразование, uplift-моделирование, ускорение и повышение чувствительности A/B-тестов — выбирайте нужные блоки или проходите курс целиком. Если вы уже сталкивались с чем-то из этого в своей работе, то познакомитесь с best practices индустрии. А если нет — дополните своё резюме новыми кейсами и станете более разносторонним ML-специалистом. Ждём вас на курсе! Следующий поток стартует уже 10 мая, а по промокоду HARDMLAI26 будет скидка 5% Записывайтесь по ссылке

TaskPrompter: Spatial-Channel Multi-Task Prompting for Dense Scene Understanding Novel spatial-channel multi-task prompting transformer framework to achieve this target. Две мощные модели многозадачных трансформаторов для пониманияк контекста на видео. 🖥 Github: https://github.com/prismformore/multi-task-transformer ⏩ Paper: https://openreview.net/forum?id=-CwPopPJda 📌 Dataset: https://paperswithcode.com/dataset/cityscapes-3d ai_machinelearning_big_data

Running IF with 🧨 diffusers on a Free Tier Google Colab IF is better at generating images with high-frequency details (e.g., human faces and hands) and is the first open-source image generation model that can reliably generate images with text. Инструкция, как запустить одну из самых мощных моделей преобразования текста в изображение с открытым исходным кодом IF на бесплатном Google Colab. 🤗 Hugging face: https://huggingface.co/blog/if 🖥 Github: https://github.com/deep-floyd/IF ⏩ Paper: https://arxiv.org/pdf/2205.11487.pdf 📌 Demo:https://huggingface.co/spaces/DeepFloyd/IF ai_machinelearning_big_data

🖌 Edit Everything: A Text-Guided Generative System for Images Editing A text-guided generative system without any finetuning (zero-shot). Edit Everything позволяет пользователям редактировать изображения с помощью простых текстовых инструкций. 🖥 Github: https://github.com/defengxie/edit_everything ⏩ Paper: https://arxiv.org/abs/2304.14006v1 🚀 Dataset: https://paperswithcode.com/dataset/wukong ai_machinelearning_big_data

🔍 Unleashing Infinite-Length Input Capacity for Large-scale Language Models with Self-Controlled Memory System Self-Controlled Memory (SCM) system to unleash infinite-length input capacity for large-scale language models. SCM может быть интегрирована с любыми LLM для обработки сверхдлинных текстов без каких-либо изменений или тонкой настройки. 🖥 Github: https://github.com/wbbeyourself/scm4llms ⏩ Paper: https://arxiv.org/abs/2304.13343v1 📌 Tasks: https://paperswithcode.com/task/language-modelling ai_machinelearning_big_data

Как не забывать теорию Deep Learning и учить новое? Можно подписаться на канал DeepSchool. В нем вы найдете - короткие посты с теорией; - разборы статей; - советы по обучению сетей; - вопросы с собеседований; - и обзоры фреймворков. 1. Обзор ключевых идей MobileNet — что делает эту архитектуру столь эффективной 2. Инструкция: как ускорить разметку изображений при помощи CVAT и FiftyOne 3. Что такое attention 4. Об асинхронности вычислений на GPU 5. Вопрос с собеседования на дообучение сегментационной модели Подписывайтесь, чтобы не забывать теорию Deep Learning и учить новое :)

🔊 AudioGPT: Understanding and Generating Speech, Music, Sound, and Talking Head Multi-modal AI system named AudioGPT, which complements LLMs (i.e., ChatGPT) with 1) foundation models to process complex audio information and solve numerous understanding and generation tasks AudioGPT: Генерирование речи, музыки, звука и говорящих аватаров. 🖥 Github: https://github.com/aigc-audio/audiogpt ⏩ Paper: https://arxiv.org/abs/2304.12995v1 🤗 Hugging face: https://huggingface.co/spaces/AIGC-Audio/AudioGPT 📌 Dataset: https://paperswithcode.com/dataset/c4 ai_machinelearning_big_data

Как можно использовать ChatGPT в IT-менеджменте Можно ли менеджеру спрашивать совета у ChatGPT? Можно ли проводить или проходить собеседования с помощью искусственного интеллекта? Как использовать нейросеть в управлении бизнесом? Ведущие подкаста «Для tech и этих» вместе с директором по анализу больших данных в СберМаркете рассказали, как и для чего можно использовать ChatGPT менеджерам и инженерам. Слушайте выпуск по ссылке: bit.ly/41VpORi

Track anything Project developed upon Segment Anything, can specify anything to track and segment via user clicks only. Track-Anything - это гибкий и интерактивный инструмент для отслеживания и сегментации видео. 🖥 Github: https://github.com/gaomingqi/track-anything ⏩ Paper: https://arxiv.org/abs/2304.11968v1 🤗 Hugging face: https://huggingface.co/spaces/watchtowerss/Track-Anything 📌 Dataset: https://paperswithcode.com/dataset/davis-2017 ai_machinelearning_big_data