Анализ данных (Data analysis)

⚡️ Mistral Large 2 уже здесь! Модель лидирует в рейтингах Arena hard. Впечатляющая производительность в написании кода, понимании сложных промптах и математике. Модель превосходит топовые модели GPT-4 Turbo/Claude Opus! Кроме того, это модель с открытым исходным кодом - еще одна отличная новость для сообщества разработчиков с открытым исходным кодом. Blogpost: https://mistral.ai/news/mistral-large-2407/ Model weights: https://huggingface.co/mistralai/Mistral-Large-Instruct-2407

🦙✨ BigLlama-3.1-1T-Instruct Вам было мало 405B параметров. Вот Улучшенная версию Llama 3.1 с 1 000 000 000 параметрами . ▪ Модель: https://huggingface.co/mlabonne/BigLlama-3.1-1T-Instruct

⚡️ CityGaussian — высококачественный рендеринг больших сцен в реальном времени с помощью гауссианов CityGaussian (CityGS) использует новый подход к обучению по принципу "разделяй и властвуй" и стратегию Level-of-Detail (LoD) для эффективного обучения и рендеринга. Такой подход позволяет генерировать различные уровни детализации и реализовать быстрый рендеринг в различных масштабах. Судя по метрикам SSIM, PSNR и LPIPS, на данный момент CityGaussian достигает самого высокого качества рендеринга по сравнению с аналогичными методами. 🖥 GitHub 🟡 Демонстрация CityGaussian @data_analysis_ml

Как сохранить производительность высоконагруженных решений при работе с отечественными СУБД? 20 августа в 11:00 приходите на бесплатный вебинар СберТеха для бизнеса и узнаете, с какими нагрузками может работать отечественная СУБД Platform V Pangolin. Это целевая СУБД в Сбере и в ряде крупных компаний, которая создана для высоконагруженных систем. В конце июля вышел новый релиз Platform V Pangolin 6.3.0 с оптимизациями производительности СУБД при работе с «1С:Предприятие», доработками в области безопасности под актуальные требования ФСТЭК и другими полезными изменениями. На встрече выясним, как новые возможности продукта могут стать полезны вашему бизнесу и ответим на все вопросы. Регистрация уже открыта

🦙 Llama 3.1 в стиле nano GPT отАндрея Карпаты 🖥 Github @data_analysis_ml

🌟 Group Mamba — SSM-модель для точной классификации объектов на изображении Есть 3 варианта модели Group Mamba с разным количеством параметров, и даже самая маленькая из них (23М) показывает отличную точность классификации до 83.3 % на ImageNet-1K; к тому же эта модель на 26% эффективнее по количеству параметров, чем лучшая из предыдущих моделей Mamba. 🖥 GitHub 🤗 HuggingFace 🟡 Arxiv @data_analysis_ml

Представляем бесплатный курс "LLMs: теория и практика", 🚀 который поможет вам получить востребованные навыки: ✅ обучение LLMs (LLaMa 🦙, Mistral) ✅ prompt engineering ✅ работа с библиотекой LangChain (RAG) ✅ разработка виртуальных ассистентов 🤖 ✅ создание API (FastAPI, Flask) ✅ и многое другое. В канале по ссылке - 29 видеороликов нашего курса и ссылки для скачивания материалов курса (презентации, python-скрипты, jupyter-ноутбуки). Перейти к курсу

💻Spice — унифицированный интерфейс запросов SQL и портативная среда выполнения для быстрого извлечения данных из любой БД, хранилища данных или озера данных

curl https://install.spiceai.org | /bin/bash
spice init spice_qs
cd spice_qs
spice run

Spice — open-source портативная среда выполнения, предлагающая унифицированный интерфейс SQL для получения данных из любой базы данных и не только. Spice написана на Rust для максимальной производительности. 🖥 GitHub 🟡 Доки @data_analysis_ml

⭐️ LlamaCoder! Приложение Claude Artifacts с открытым исходным кодом, которое может создавать полноценные приложения и компоненты с помощью Llama 3.1 405B. На 100% бесплатное и с открытым исходным кодом. http://llamacoder.io @data_analysis_ml

⚡️Лучший способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь: Машинное обучение: t.me/ai_machinelearning_big_data C++ t.me/cpluspluc Devops: t.me/devOPSitsec АНАЛИЗ Данных: t.me/data_analysis_ml Хакинг: t.me/linuxkalii Linux: t.me/linuxacademiya Базы данных: t.me/sqlhub C#: t.me/csharp_ci Golang: t.me/Golang_google Java: t.me/javatg React: t.me/react_tg Javascript: t.me/javascriptv Мобильная разработка: t.me/mobdevelop Docker: t.me/+0WdB4uvOwCY0Mjdi Python: t.me/pythonl Rust: t.me/rust_code PHP: t.me/phpshka Android: t.me/android_its Big Data: t.me/bigdatai Собеседования МЛ: t.me/machinelearning_interview Python подготовка с собесу: t.me/python_job_interview МАТЕМАТИКА: t.me/data_math 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy C++ папка: https://t.me/addlist/CdBs5DLepLJmZjY6 C# папка: https://t.me/addlist/u15AMycxRMowZmRi Java папка: https://t.me/addlist/ZM3J6oFNAnRlNWU6 FRONTEND папка: https://t.me/addlist/mzMMG3RPZhY2M2Iy Linux папка: https://t.me/addlist/w4Doot-XBG4xNzYy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Арихив бесплатных ит-курсов: https://t.me/+-YDHdeS5EEs3MDNi

GitHub представил новый маркетплейс моделей машинного обучения под названием Models, который претендует на конкуренцию с Hugging Face. Проект пока в тестировании, но вы можете записаться в лист ожидания. Ключевые преимущества Models: возможность протестировать нейронную сеть в песочнице перед переносом кода в VS Code или Codespaces, а также интеграция с Azure и другими популярными сервисами для разработчиков. На платформе уже доступно более 20 нейросетей, включая GPT-4o, GPT-4o mini и Llama 3.1. Библиотека будет регулярно пополняться, и разработчики смогут добавлять свои модели. ▪ Github @data_analysis_ml

🔥 SambaNova выдает более 123 токенов в секунду на llama 3.1 405B со своим ASIC-оборудованием 🤯 Llama 3.1 8B выдает более 1000 токенов в секунду Попробуйте здесь - https://sambanova.ai @data_analysis_ml

🔥 Продвинутый курс по Python Этот курс включает материалы по углубленным концепциям Python и анализу данных. В него входят: ▪️ Упаковка и распаковка значений, менеджеры контекста, декораторы и другие темы; ▪️ Работа с классами, включая магические методы; ▪️ Обработка и визуализация данных; ▪️ Основы машинного обучения. 📌 Ссылка @data_analysis_ml

🌟 Click-Gaussian — интерактивная сегментация любых 3D-гауссианов Интерактивная сегментация 3D-гауссианов открывает широкие возможности для работы с 3D-сценами в реальном времени, однако текущие методы имеют массу недостатков. Чтобы улучшить ситуацию, Seokhun Choi и его коллеги из Сеула и они предлагают метод Click-Gaussian, который позволяет обрабатывать каждый клик 10 мс, что в 15-130 раз быстрее, чем предыдущие методы; при этом Click-Gaussian имеет ещё и большую точность сегментации. 🟡 Страничка Click-Gaussian 🟡 Arxiv @data_analysis_ml

Знакомьтесь! Сетка — новая социальная сеть для нетворкинга от hh ru, которая помогает ИТ-коммьюнити расширять сеть полезных знакомств и общаться с коллегами по рынку В приложении есть простой и удобный функционал Q&A, где можно задать свой вопрос сообществу и получить на него развёрнутый ответ от экспертов. Ещё здесь можно профессионально расти и развиваться, следить за актуальным контентом в своей сфере, делиться кейсами и искать партнёров для новых коллаб или side-проектов. Благодаря big data hh ru Сетка подгружает информацию о вашем опыте работы и помогает точно пересечься с теми, кто повлияет на ваш профессиональный путь. Теперь не нужно ломать голову над тем, где искать полезные контакты. Скачать приложение. Пересечёмся в Сетке ✌🏻

🌟 Voyager — это библиотека Python (и Java) для быстрого приближенного поиска ближайших соседей — pip install voyager Voyager может использоваться как из Python, так и из Java; библиотека опирается на алгоритм HNSW, основанный на пакете hnswlib, плюс использует много дополнительных функций. Voyager активно используется в продакшене в Spotify 🖥 GitHub 🟡 Доки 🟡 Видео про Voyager @data_analysis_ml

🛢 В мире, где данные — новая нефть, растёт спрос на дата-инженеров. Ведь именно они знают, как такую нефть добывать, обрабатывать и хранить. И пока компании осознают потребность в этих специалистах, конкуренция на рынке низкая, а зарплаты — высокие. Освоить ключевые компетенции дата-инженера поможет онлайн-магистратура Нетологии и НИУ ВШЭ «Инженерия данных». За 2 года вы на практике изучите Python, Java, Scala, Kotlin и SQL, научитесь проектировать пайплайны и обрабатывать данные, работать с системами хранения данных и базами данных в облаке. Программа даёт широкий простор для переквалификации, поэтому после учёбы сможете перейти в MLOps, DevOps или менеджмент. Онлайн-формат позволяет учиться без отрыва от привычной жизни и совмещать занятия с работой. При этом у вас будет отсрочка от армии, льготы на проезд и все остальные бонусы очного обучения. Станьте магистром программной инженерии с дипломом одного из лучших вузов страны и получите веское преимущество при приёме на работу: https://netolo.gy/dlaL Реклама. ООО "Нетология". Erid 2VSb5wpkBUL

🌟 Pomegranate — библиотека Python для создания вероятностных моделей, таких как байесовские сети или марковские модели — pip install pomegranate Модели, реализованные с помощью pomegranate, могут быть настроены более гибко, чем с помощью других библиотек. Например, можно создать классификатор Байеса, который использует различные типы распределений для каждого признака (например, для связанных со временем признаков — экспоненциальное распределение, а для других признаков — распределение Пуассона). Или, скажем, можно построить единую модель из нескольких байесовских сетей или сделать классификатор Байеса со скрытой марковской моделью, который делает прогнозы по последовательностям. 🖥 GitHub 🟡 Доки 🟡 Примеры использования @data_analysis_ml

Как писать поддерживаемый, воспроизводимый и повторно используемый код в ML/DS? 🔹Расскажем на открытом уроке «Рефакторинг ML-проекта с точки зрения продуктового кода» что такое хороший код и как его писать, и почему Jupyter мешает нам это делать ✅ Практика: Декомпозиция ML/DS-кода, работа с окружением, управление зависимостями Урок приурочен курсу «MLOps» от Otus. 👉 Регистрация и подробности: https://otus.pw/ml1V/?erid=LjN8KHADT

⚡️ Линейная алгебра для CV и ML — мощный свободный учебник от университета Пенсильвании Совсем свежий учебник, опубликован в конце марта. Здесь на 785 страницах детально разбираются темы линейной алгебры, особенно актуальные для ML-приложений. Вот несколько из разбираемых тем: — понятие вектора и векторного пространства — понятие линейного оператора — связь операторов и матриц — матричные разложения (LU, SVD и др) — собственные вектора и собственные значения — ортогональные, унитарные операторы — симметричные и эрмитовы операторы — квадратичные формы, приведение к главным осям 🟡 Linear algebra for Computer Vision, Robotics, and Machine Learning @data_analysis_ml