Machine learning Interview

🌟 Подборка Colab'ов с реализацией ML-алгоритмов, связанных с обработкой изображений Если конкретно, здесь реализованы алгоритмы удаления фона изображения, апскейлинга, сегментирования, алгоритмы распознавания частей лица и т.д. 🟡 Google Colab'ы с кодом @machinelearning_interview

🌟Лекции про большие языковые модели и NLP от экспертов магистратуры AI Talent Hub. • Безопасность LLM – Евгений Кокуйкин • Краткая история NLP – Валентин Малых • State of the LLM Landscape – Игорь Котенков • Как выбрать языковую модель – Татьяна Шаврина •AGI: Multi-Agent LLM for anything – Илья Макаров ▶️ Набор на 200 бюджетных мест в онлайн-магистратуру «Искусственный Интеллект» — AI Talent Hub, продолжается В новом учебном году впервые набираем >> LLM-трек Подай заявку* и учись бесплатно в проектной онлайн-магистратуре по ИИ от ИТМО х Napoleon IT *для участия в конкурсе на бюджетные места, рекомендуется подать заявку до 22 июля на ai.itmo.ru Реклама. Университет ИТМО ИНН:7813045547 erid:2Vfnxvr1n24

🌟 Репозиторий с основной теорией по Data Science и Machine Learning Здесь конспективно приводится самая основная информация с формулами и графиками, в частности говорится о таких понятиях: — наивный Байесовский классификатор — метод XGBoost — кластеризация/классификация — метод случайного леса — обучение нейросети, признаки переобучения — и также затрагивается множество других тем/алгоритмов Неплохой репозиторий, чтобы полистать перед собеседованием 🖥 GitHub @machinelearning_interview

🌟 Основные методы рекомендательной системы — подробный блокнот Kaggle Этот блокнот Kaggle — практическое введение в основные методы рекомендательных систем. В частности, здесь рассматриваются такие методы как: — коллаборативная фильтрация: этот метод делает автоматические прогнозы (фильтрацию) об интересах пользователя, собирая информацию о предпочтениях или вкусах других пользователей (похожих на данного). В основе такого подхода лежит предположение: если человек A выбирает те же товары, что и человек B, то вероятность того, что A будет придерживаться мнения B по данному товару, выше, чем вероятность, что мнение А совпадёт с мнением случайного человека — фильтрация на основе содержимого: этот метод использует для моделирования предпочтений пользователя только информацию об описании и атрибутах товаров, которые он ранее употреблял. То есть, такие алгоритмы пытаются рекомендовать товары, похожие на те, которые нравились пользователю в прошлом — гибридные методы, сочетающие коллаборативную фильтрацию и фильтрацию на основе контента 🟡 Блокнот Kaggle с пошаговой реализацией @machinelearning_interview

❓Как понять, что последний эксперимент дает лучшие результаты?  Часто при решении ML задачи нам приходится тестировать десятки моделей в десятках конфигурация гиперпараметров. Как не запутаться в этой куче параметров и выбрать лучшую модель?  -  нам поможет замечательный инструмент мониторинга экспериментов MLFlow. ✅ MLFlow один из самых популярных инструментов который позволит зафиксировать все параметры, запишет кривые обучения и запомнит все метрики для каждого эксперимента.  Регистрируйтесь на открытый урок от Otus и изучите на практике ключевой инструмент ML инженера Вы узнаете, как реализовать развернуть и настроить MLFlow локально и в облачной среде, как добавить в свой код логирование параметров экспериментов и как сохранить ваши обученные модели в реестр моделей для их дальнейшего переиспользования на основе полученных метрик. 👉 Регистрация и подробности: https://otus.pw/r9NJ/?erid=LjN8KAgfM

📌 Applied Statistics with R — отличная книга для аналитиков, ML-инженеров и специалистов по DS Здесь подробно объясняется линейная и логистическая регрессия и как работать с ними в R, описываются параметры данных такие как гомоскедастичность, гетероскедастичность и т.д. Приведено много формул, при этом всё детально объясняется 🟡 Applied Statistics with R @machinelearning_interview

25 июля, 16:00 Как построить MLOps-конвейер для CV-проекта в облаке Коллеги из @Selectel и Neoflex проводят совместный вебинар, где обсудят особенности запуска в продакшен ML-проектов. Разберут вопрос с разных сторон: с точки зрения провайдера инфраструктуры для ML, MLOps-инженера и Data Scientist. Покажут демо, как развернуть и задеплоить CV-проект в облаке Selectel на платформе Neoflex Dognauts. Расскажут, как подобрать инфраструктуру для вашего проекта и обеспечить безопасность CV в облаке. Мероприятие бесплатное. Задайте вопрос в форме регистрации, и мы ответим на него во время трансляции. Посмотреть программу вебинара и зарегистрироваться можно по ссылке: https://slc.tl/lstk6 Реклама АО «Селектел». ИНН: 7810962785 Erid: 2VtzqxgL5BP

📌Deep Learning на практике Очень полезный практический учебник/туториал по Deep Learning; каждый раздел подробно объясняет, что происходит в конкретном Jupyter Notebook'е Вот некоторые из затрагиваемых тем: — NLP и работа с текстом — классификация изображений — распознавание (начиная с классического MNIST и до более сложных примеров) 🟡 Deep Learning на практике 🖥 Ноутбуки на GitHub @machinelearning_interview

🌟 Количественные методы с использованием R В этой свободной книге представлены практические примеры, которые легко можно применить к любому набору данных, плюс детально обсуждается, как работает каждый пример. Здесь рассматривается описательная и базовая статистика, включая анализ графиков, распределения, дисперсию, вероятность, проверку гипотез, корреляцию, простую регрессию и тесты 𝛘-квадрат. Будет полезно начинающим ML-специалистам и не только 🟡 Quantitative Methods Using R @machinelearning_interview

⚡️ Вливайтесь в команду AI VK: ребята развивают технологии искусственного интеллекта, создают системы рекомендаций и поиска контента…и находятся в поиске ML-разработчика (Senior)! Чем предстоит заниматься: - улучшать базовое качество рекомендаций; - запускать новые сценарии музыкальных рекомендаций; - анализировать статистику потребления контента, выдвигать и проверять гипотезы, проводить А/B тесты; - взаимодействовать со смежными командами (разрабатывать рекомендации для всевозможных типов аудиоконтента и голосового помощника). Для этого потребуется: - опыт промышленного применения ML; - глубокое понимание алгоритмов классического ML (LogReg, MF, CatBoost, etc..); - опыт работы с большими данными (MapReduce/Spark). Знание Java и опыт в построении рекомендательных систем будут плюсом. Если это мэтч — пишите в личку в tg: https://t.me/ellinatsyra.

🧠 Наконец-то кто-то создал leetcode для машинного обучения. Этот сайт предлагает задачки разной сложности в категориях линейной алгебры, машинного и глубокого обучения, анализа данных. Он полезен для всех, кто хочет углубить свои знания, улучшить навыки и попрактиковаться в машинном обучении. На сайте указаны уровни сложности, есть интерфейс для ввода своего решения и правильные ответы. Только что выполнил первое упражнение: вычисление матрично-векторного произведения без каких-либо тензорных операций (разрешены только списки на python). http://deep-ml.com @data_analysis_ml

🌟 CSCE585: Machine Learning Systems Держите отличную подборку лекций по ML, есть и pdf, и видео. Всего здесь 20 лекций, они раскрывают такие темы ML как: — построение масштабируемых и распределённых ML-систем — методы оптимизации и нейронные сети — сжатие моделей и квантование — аппаратная сторона ML-систем — обзор ML-платформ 🟡 Лекции по ML, pdf 🟡 Плейлист YouTube @machinelearning_interview

⚡️ GraphRAG — методология улучшенного извлечения данных для генерации текста из определенных источников (RAG) от Microsoft. GraphRAG использует графы знаний для улучшения ответов на запросы. Во время запроса система обращается к графу знаний и использует резюме сообществ и связи между сущностями для формирования контекста, который помогает LLM дать более точный ответ, чем традиционные методы, основанные на поиске по векторным сходствам. Архитектура GraphRAG состоит из ключевых компонентов: Indexer : разделяет корпус данных на мелкие текстовые блоки (TextUnits), извлекает из них сущности, связи и ключевые утверждения. Clustering : группирует данные в иерархическую структуру с использованием метода Лейдена, создавая граф знаний. Community Summarization : генерирует обобщенные описания для каждой группы данных, что помогает в понимании контекста и смыслового связывания всей информации. Knowledge Graph : структура, объединяющая сущности и их связи, созданная на основе данных. GraphRAG значительно улучшает работу моделей языка с частными данными, позволяя им более точно и полно отвечать на сложные вопросы, требующие синтеза информации из разных источников. ⚠️ Рекомендации и предупреждения: - Эффективность индексации зависит от правильной идентификации понятий - Индексация может быть дорогостоящей, рекомендуется создание тестового набора данных - Система предназначена для опытных пользователей в предметной области - Необходим анализ ответов человеком для получения достоверной информации - Методология наиболее эффективна на текстовых данных с общей темой и множеством сущностей 📄 Документация: 🟢локальный запуск 🟢конфигурирование 🟢эмулятор Azurite 🖥Github 🖥Github для запуска на API Azure 🟡Страница проекта 🟡Arxiv @ai_machinelearning_big_data #LLM #GraphRAG #ML #RAG #NLP #Deeplearning

⚡️ GraphRAG — методология улучшенного извлечения данных для генерации текста из определенных источников (RAG) от Microsoft. GraphRAG использует графы знаний для улучшения ответов на запросы. Во время запроса система обращается к графу знаний и использует резюме сообществ и связи между сущностями для формирования контекста, который помогает LLM дать более точный ответ, чем традиционные методы, основанные на поиске по векторным сходствам. Архитектура GraphRAG состоит из ключевых компонентов: Indexer : разделяет корпус данных на мелкие текстовые блоки (TextUnits), извлекает из них сущности, связи и ключевые утверждения. Clustering : группирует данные в иерархическую структуру с использованием метода Лейдена, создавая граф знаний. Community Summarization : генерирует обобщенные описания для каждой группы данных, что помогает в понимании контекста и смыслового связывания всей информации. Knowledge Graph : структура, объединяющая сущности и их связи, созданная на основе данных. GraphRAG значительно улучшает работу моделей языка с частными данными, позволяя им более точно и полно отвечать на сложные вопросы, требующие синтеза информации из разных источников. ⚠️ Рекомендации и предупреждения: - Эффективность индексации зависит от правильной идентификации понятий - Индексация может быть дорогостоящей, рекомендуется создание тестового набора данных - Система предназначена для опытных пользователей в предметной области - Необходим анализ ответов человеком для получения достоверной информации - Методология наиболее эффективна на текстовых данных с общей темой и множеством сущностей 📄 Документация: 🟢локальный запуск 🟢конфигурирование 🟢эмулятор Azurite 🖥Github 🖥Github для запуска на API Azure 🟡Страница проекта 🟡Arxiv @ai_machinelearning_big_data #LLM #GraphRAG #ML #RAG #NLP #Deeplearning

🌟 Детальный разбор реального кейса ML — предсказание исхода больных пациентов по их физиологическим данным Параллельно затрагиваются такие моменты: — подготовка данных, удаление выбросов — обучение ML-модели — проверка прогнозов модели, оценивание Используемые данные были взяты из датасета eICU Collaborative Research Database, содержащего обезличенные физиологические данные тяжелобольных пациентов. 🟡 Introduction to Machine Learning @machinelearning_interview

Оплачиваемая стажировка и трудоустройство без опыта — ну ничего себе 😳 Все возможно с Добровольным квалификационным экзаменом! Это бесплатный проект Правительства Москвы, где ты можешь показать свои знания по специальности, запомниться потенциальным работодателям и получить оффер в престижные компании Москвы. Тебя ждет всего три шага: 1️⃣ Пройди тест После регистрации на сайте ДКЭ тебе будет доступно 70 профессий по 7 направлениям. Выбирай тест по своей специальности и проверь уровень своих знаний! 2️⃣ Реши кейс Если ты успешно сдал тест, тебя пригласят на следующий этап, где ты с другими участниками в команде будешь решать реальный кейс одного из работодателей. 3️⃣ Стань победителем Окажись в числе лучших по общему количеству баллов за оба этапа и получи шанс попасть на оплачиваемую стажировку с дальнейшим трудоустройством. Готов проявить себя? Регистрируйся и начинай проходить тест — https://dke.moscow Реклама. АНО "РАЗВИТИЕ ЧЕЛОВЕЧЕСКОГО КАПИТАЛА", АНО "РЧК". ИНН 7710364647. erid: LjN8JtwvH

🌟 Работа со статистикой на Python — серия лекций и видео Здесь раскрываются такие темы как классификация, использование деревьев решений, SVM, обучение без учителя, Survival Analysis Почти по каждой теме приведены подробные записи с нужной теорией — в целом, очень полезный ресурс для старта в ML Если интересуют чисто видео, можно сразу сюда 📎 Statistical Learning using Python @machinelearning_interview

⚡️Лучший способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь: C++ t.me/cpluspluc Devops: t.me/devOPSitsec Машинное обучение: t.me/ai_machinelearning_big_data 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

🌟 Материалы по Deep Learning — ноутбуки и лекции от Парижского университета — git clone https://github.com/m2dsupsdlclass/lectures-labs Можно использовать, чтобы освежить теорию перед собеседованием; здесь подробно разбираются такие темы как: — рекомендательные системы — свёрточные нейросети (CNN) и классификация изображений — рекуррентные нейросети и NLP — работа с последовательностями — механизмы внимания и памяти 📎 Лекции и ноутбуки @machinelearning_interview