Data Portal | DS & ML

Python для data science Автор: Васильев Ю. Год: 2023 ⬇️ Скачать книгу 👉 @DataSciencegx | #книги

Хватит ждать подготовку LLM неделями – ускорьте их обучение до пары часов Тренировка LLM моделей на обычном компьютере может занять вечность. Значит, вы потеряете дополнительную прибыль. Artificial Intelion помогает ML и DS-специалистам получить мгновенный доступ к лучшему железу. Мы предоставляем серверы с большим объёмом VRAM (>24 Gb), чтобы вы могли работать с лучшими моделями и значительно сократить время обучения. Ускорить развитие ваших проектов и опередить конкурентов: @artificial_intelion

🔥 Практическое видео по работе с базовым набором DS-инструментов Видео с введением в основные библиотеки и инструменты для науки о данных и машинного обучения. Предназначено для начинающих. Таймкоды: ⏩ Программирование на Python ⏩ Анализ данных с Pandas ⏩ Анализ данных с NumPy ⏩ Визуализация данных с Matplotlib ⏩ Визуализация данных с Seaborn ⏩ Визуализация данных с Plotly ⏩ Проект по анализу данных ⏩ Машинное обучение со Scikit-learn ⏩ Проект по машинному обучению 🔜 Ссылка на ролик 👉 @DataSciencegx | #курсы

Расширенная аналитика с PySpark: Практические примеры анализа больших наборов данных с использованием Python и Spark Автор: Акаш Тандон, Сэнди Райза, Ури Ласерсон Год: 2023 ⬇️ Скачать книгу 👉 @DataSciencegx | #книги

Теоретические основы популярных алгоритмов машинного обучения и их реализация с нуля на Python Автор «Хабра» Егор Захаренко составил список собственных статей с описанием популярных алгоритмов классического машинного обучения. К каждой статье прилагается код на Python. Обучение с учителем ⏩ Линейная регрессия и её модификации ⏩ Логистическая и Softmax-регрессии ⏩ Линейный дискриминантный анализ (LDA) ⏩ Наивный байесовский классификатор ⏩ Метод опорных векторов (SVM) ⏩ Метод K-ближайших соседей (KNN) ⏩ Дерево решений (CART) ⏩ Бэггинг и случайный лес ⏩ Алгоритмы AdaBoost (SAMME & R2) ⏩ Градиентный бустинг и его модификации ⏩ Стекинг и блендинг Обучение без учителя ⏩ Метод главных компонент (PCA) ⏩ Популярные алгоритмы кластеризации 🔜 Ноутбуки с алгоритмами можно скачать на Kaggle и GitHub. 👉 @DataSciencegx | #ресурсы

Базовая математика для искусственного интеллекта Автор: Нельсон Хала Год: 2024 ⬇️ Скачать книгу 👉 @DataSciencegx | #книги

Стать Data-инженером за 120 часов 14 октября в Слёрме стартует поток курса «Data-инженер»: 88 часов практики и 32 часа теории. Будем работать с большими данными: ✔️ Сбор, хранение и обработка ✔️ Визуализация и отчетность ✔️ Интеграция ⚙️ Освоим инструменты и технологии для аналитики и обработки данных и научимся эффективно их подбирать под задачу: PythonSQL, PostgreSQL, Сlickhouse, MongoDB, HDFSHadoop, Spark, Apache Kafka, Redis, Airflow, NiFi, dbt, Metabase. ⚡️Смотреть программу подробнее и оставить заявку по ссылке – на сайте⚡️

Отличные визуальные объяснения ключевых концепций и алгоритмов машинного обучения MLU-Explain — проект Amazon, созданный для упрощения изучения теоретических и практических основ машинного обучения Каждая из представленных тем сопровождается доступными объяснениями и интерактивными графиками: ⏩Нейронные сети ⏩Equality of odds ⏩Логистическая регрессия ⏩Линейная регрессия ⏩Обучение с подкреплением ⏩Случайный лес и др. 🔜 Перейти на сайт 👉 @DataSciencegx | #ресурсы

Бесплатные материалы с теорией и практикой математики для Data Science Авторы из Amazon написали целый раздел по математике для сайта d2l.ai. Там есть про: ⏩векторы и линейные преобразования; ⏩спектральное разложение матрицы; ⏩дифференциальное исчисление; ⏩анализ функций многих переменных; ⏩интегральное исчисление; ⏩метод максимального правдоподобия; ⏩распределения; ⏩статистику; ⏩теорию информации. Материал изложен на английском, но зато хорошо структурирован и сопровождается всеми необходимыми формулами и примерами кода. Крутой бонус – можно выбрать диалект, на котором вам будут показываться примеры – PyTorch, Keras или MXNET. 🔜 Изучить всё можно по этой ссылке 👉 @DataSciencegx | #ресурсы

Основы инженерии данных: как создавать надёжные системы обработки данных Автор: Д. Рис, М. Хоусли Год: 2024 📂 Скачать книгу 👉 @DataSciencegx | #книги

🤩 Deep Learning Models Репозиторий с коллекцией моделей и архитектур глубокого обучения. Все они представлены в Jupyter Notebook. Репо охватывает модели: — Перцептрон; — Многослойный перцептрон; — Свёрточные нейронные сети (AlexNet, LeNet и др.); — Transformers; — Генеративно-состязательные сети (GAN); — Графовые нейронные сети. 🔜 Ссылка на репозиторий 👉 @DataSciencegx | #ресурсы

👩‍💻 Best-of Machine Learning with Python Это репозиторий с 920 библиотеками и фреймворками на Python для машинного обучения. Все проекты ранжированы по качеству. Репозиторий можно использовать как источник инструментов под различные нужды, в частности: ⏩для непосредственно машинного обучения; ⏩для визуализации данных; ⏩для работы с финансовыми, медицинскими и другими особыми данными; ⏩для оптического распознавания символов; ⏩для поиска ближайших элементов в больших наборах данных, основываясь на их векторных представлениях. 🔜 Ссылка на репозиторий 👉 @DataSciencegx | #ресурсы

⚡️ Аналитика данных - блог ведущего Дата саентиста, работающего с данными в Uber Материал канала поможет реально вырасти до профессионала по работе с данными и получить самую высокоплачиваю ит-профессию. А тут полная папка слитых курсов, книг и уроков для всех, кто хочет изучить Data Science на проф уровне. 1 канал вместо тысячи учебников и курсов, подписывайтесь: @data_analysis_ml

Наконец-то появился мощный курс по LLM для тех, кто хочет углубиться в тему 🔥 Вас ждут лекции о промт-инжиниринге, файнтюнинге (как и зачем это делать?), а также о RAG — методе, позволяющем обучить ChatGPT на нужных данных без файнтюна. Кроме того, вы узнаете, как оценивать LLM-модели. Этот курс уникален: все лекции записаны опытными специалистами из Meta, Anthropic, Mistral и других передовых компаний в сфере ИИ. Курс включает текстовые саммари, презентации, примеры кода и полезные ссылки на ресурсы. Требования минимальны: базовые знания в области LLM и понимание ключевых терминов. Ссылка на курс — здесь 👉 @DataSciencegx | #курсы

Data Scientist Handbook 2024 В этом репозитории собраны множество полезных ресурсов, которые помогут прокачать ваши навыки. Среди собранных ресурсов есть как платные, так и бесплатные ⛓ Ссылка: тык 👉 @DataSciencegx | #ресурсы

Топ на выходные: два сайта с наборами задач для тренировки навыков ML и AI. Внутри задачки разной сложности в категориях линейной алгебры, machine и deep learning — идеально, если видите своё будущее в нейросетях. Deep-ML и Tensorgym — не благодарите 👉 @DataSciencegx | #ресурсы

The Little Learner: чудесное машинное обучение Автор: Фридман Д. П., Мендхекар А. Год: 2024 📂 Скачать книгу 👉 @DataSciencegx | #книги

Бесплатный доступ к ИИ боту 🎁 Мик Вайсман запустил бота для расшифровки и автоматического создания конспектов встреч по аудиозаписям — Voice Summary AI Sobir.ai В текущей версии бота вы можете: ⚜️ Расшифровывать аудиозаметки, голосовые записи, записи встреч в Zoom и диктофонные записи. ⚜️ Создавать краткие конспекты, адаптированные под размер и тип заметки. Бот автоматически подстраивается, чтобы предложить наилучший формат конспекта, будь то длинная встреча или личные заметки. ⚜️ Есть поддержка больших аудиофайлов встреч. 🎁 Чтобы получить БЕСПЛАТНЫЙ доступ к боту: 1️⃣ Подпишитесь на канал: https://t.me/+t_kAwcYQ1rkxMTIy 2️⃣ Поставьте «+» под последним постом в канале.

Открытый курс по ML с видео и лекциями от Амстердамского университета Этот курс покрывает множество тем ML, вот некоторые из них: — Gaussian Mixture Models — PCA (Principal Component Analysis) — SVM (Support Vector Machines) — Bootstrapping, Feature Bagging К каждой теме приводится pdf с основными формулами и видео с подробным объяснением, в целом очень годный курс ⛓ Ссылка: тык 👉 @DataSciencegx | #ресурсы

Maestro — это инструмент искусственного интеллекта, который использует возможности передовых нейронных сетей для выполнения ваших задач. Этот Python-скрипт задействует до трех моделей ИИ для решения задач: Мощная связка из GPT-4o, Claude-3.5 и LlaMa 3, работающих вместе для решения ваших задач. Роли моделей следующие: 🟡 ORCHESTRATOR MODEL — управляет всем процессом.Модель принимает ваш промпт, разбивает её на более мелкие задачи и передает их следующей модели. 🟡 SUB AGENT MODEL — выполняет ключевые функции проекта, такие как написание кода, генерация текста и многое другое. 🟡 REFINER MODEL — оптимизирует и улучшает результаты предыдущхи моделей, исправляет ошибки, делает текст более естественным и многое другое. ⛓ Ссылка: тык 👉 @DataSciencegx | #ресурсы