Data Mining | Анализ данных🚀

Международная команда ученых совершила прорыв в области распределенного машинного обучения, разработав новые алгоритмы, значительно повышающие эффективность обучения моделей в федеративных сетях. Подробнее про проведенную конференцию и результаты исследования 👇🏻 https://naked-science.ru/article/column/obuchenie-v-detsentralizo/amp

Квантовые вычисления и программирование открывают новые горизонты для решения сложных задач и создания инновационных технологий.  Именно здесь на помощь приходят самообучающиеся интеллектуальные системы, основанные на алгоритмах квантового ML, подробнее об этом можете прочитать ниже👇🏻 https://rb.ru/story/kvantovye-vychisleniya/

Старший менеджер LLM-продуктов MTS AI рассказал как защитить интеллектуальную собственность. Он выделил основные методы защиты больших языковых моделей, среди которых: поставка LLM вместе с серверами, аппаратное шифрование, поставка облачных решений, а также маскировка и вотермаркинг. https://rb.ru/opinion/kak-razrabotchiki-zashishayut-svoi-yazykovye-modeli-ot-krazhi/

Исследователи продолжают развивать тему KAN, раскрывают ее связь с наукой, а также приводят некоторые практические советы по использованию библиотеки pykan, написанной на python, в которой реализован алгоритм KAN. https://habr.com/ru/articles/860738/

Статья представляет сети KAN, которые заменяют линейные веса на обучаемые функции активации, улучшая точность, интерпретируемость и масштабируемость по сравнению с MLP, особенно в задачах AI+Science. https://habr.com/ru/articles/856776/

Данное исследование раскрывает роль компиляторов в оптимизации вычислений для современных аппаратных платформ, учитывая основные особенности работы с ними и их влияние на производительность в ML https://habr.com/ru/companies/yadro/articles/869594/

Разбор ошибок в процессе обучения как людей, так и ML-алгоритмов, которые являются неотъемлемой частью роста и улучшения. Чтобы показать этот процесс наглядно, автор приводит 5 принципов, в которых люди и ML-модели похожи. https://habr.com/ru/companies/ru_mts/articles/867710/

В рамках доклада подробно описывается что из себя представляет OMD и показывается на примере MLflow как происходит подключение новых источников в ODM https://habr.com/ru/companies/beeline_tech/articles/868730/

Автор рассказывает, как в Beeline с помощью data catalog создали прозрачные связи между моделями ML и фичами. Из доклада вы узнаете, зачем и кому это бывает нужно, а также один из способов решения этой задачи. https://habr.com/ru/companies/beeline_tech/articles/868612/

Исследование показывает результаты тестирования модели o3 от OpenAI в рамках бенчмарка ARC-AGI-Pub, проведенных Франсуа Шолле. Модель достигла 75,7% на полу-приватном наборе данных при ограничении в $10 тысяч вычислительных ресурсов, а при увеличении вычислительных мощностей результат составил 87,5%. https://habr.com/ru/articles/869098/

В практическом туториале пошагово объясняются добавление и реализация различных компонентов, таких как CNN, BatchNorm, MaxPool, MinPool, оптимизаторов (RMSProp, NaG, Adam), регуляризации, новых функций активации и DataLoader. https://habr.com/ru/articles/869520/

Автор делится прогнозами о том, что нас ждет в 2025 году, поскольку LLM впечатляюще развивается и растут возможности в бизнесе, а также в повседневной жизни. https://habr.com/ru/articles/870002/

Разрабатываем свой PyTorch — прикладная статья, которая шаг за шагом поясняет создание мощного фреймворка для ML, который популярен благодаря своей гибкости, простоте использования и поддержке динамических вычислительных графов. https://habr.com/ru/articles/869118/

Статья исследует использование искусственного интеллекта для оптимизации бизнес-операций, улучшения аналитики и автоматизации. Рассматриваются успешные кейсы внедрения ИИ в различных секторах. https://habr.com/ru/articles/869118/

В статье сравниваются библиотеки RePlay, RecBole и Microsoft Recommenders для создания рекомендательных систем, а также проводится построение модели на примере SOTA-модели, с последующим анализом качества и времени обучения/инференса. https://habr.com/ru/companies/sberbank/articles/867296/

Bothub анонсирует новые возможности для разработки чат-ботов, включая улучшенную интеграцию с API и расширенные аналитические инструменты. Платформа становится удобнее для пользователей и разработчиков, предлагая новые функции для создания и управления ботами. https://habr.com/ru/companies/bothub/news/868724/

Статья описывает ключевые методы очистки данных, которые необходимы для создания точных моделей машинного обучения. Основное внимание уделяется обработке пропущенных значений, удалению выбросов и преобразованию данных. https://www.kdnuggets.com/essential-data-cleaning-techniques-accurate-machine-learning-models

Предоставляем вам исследование, которое использует логистическую регрессию и RBF нейронные сети для прогнозирования дефолтных заемщиков на интернет-платформах, достигая точности до 91,1%. https://dl.acm.org/doi/10.1145/3700058.3700114

Статья описывает использование метода One-Class SVM для обнаружения аномальных точек в данных. Этот метод обучает модель на “нормальных” данных и выявляет выбросы, что полезно для задач анализа аномалий. https://scikit-learn.ru/stable/modules/svm.html#svm-outlier-detection