Machine learning Interview

🔥 «Упражнения по машинному обучению» В этой книге более 75 упражнений. И она абсолютно БЕСПЛАТНА. 🔗 Книга 🔗 GitHub @machinelearning_interview

⚡️ Implement minimal-GPT from scratch. MinimalGPT — это небольшое учебное пособие (гайд), в котором демонстрируется «упрощённая» реализация архитектуры GPT. На странице раскрываются основные принципы работы модели и приводится минимально необходимый код для её запуска. Основная идея заключается в том, чтобы показать, как устроена GPT‑модель на базовом уровне, без избыточного усложнения и обилия вспомогательных библиотек. Внутри гайда обычно можно найти: ▪ Описание основных слоёв GPT (внимание, Feed-Forward блоки и т.д.) ▪ Минимальные примеры кода (часто на Python с использованием PyTorch или аналогичных фреймворков) ▪ Краткие пояснения к каждому этапу (инициализация слоёв, механизм attention, обучение/инференс) ▪ Рекомендации по расширению и дальнейшему совершенствованию кода Таким образом, MinimalGPT служит отправной точкой для понимания того, как работает GPT, и даёт возможность собрать простейшую версию модели своими руками. 🔗 Читать @machinelearning_books

🦙 Встречайте, дамы и господа, LLaMA 4: мультимодальные MoE модели! Llama 4 Omni разработана для понимания и обработки информации модальностей, а не только текста. Доступна в 3х вариантах: Llama 4 Scout и Llama 4 Maverick и анонсированный Llama 4 Behemoth. У Llama 4 Scout (109B) контекстное окно размером 10 М, 17B активных параметров, 16 экспертов, может быть запущена на 1ом GPU! Llama 4 Maverick (400B) окно в 1M, 128 экспертов, 17B активных параметров. У зверюги бегемота обещают окно в 2T!!! 16 экспертов, 288B активных параметров. Сейчас выпущены только Scout и Maverick. - Model Card - Веса - Релиз @ai_machinelearning_big_data

✔️ Google запускает функцию 'Discover Sources' в NotebookLM. Google представила новую функцию "Discover Sources" для сервиса NotebookLM, позволяющую пользователям искать в Интернете релевантную информацию по запросу. Она позволяет задать целевую тему, после чего NotebookLM формирует коллекцию из 10 релевантных источников со всего интернета. Discover Sources доступно для всех пользователей. Оно расширяет функциональность NotebookLM, интегрируя веб-поиск непосредственно в проекты пользователя. 📌 blog.google @machinelearning_interview

✔️ ECLECTIC: взгляд Google на то, как LLM понимают разные языки Исследователи из Google Research представили ECLeKTic — новый бенчмарк, предназначенный для оценки способности больших языковых моделей (LLM) переносить знания между языками. Исследование направлено на выявление того, насколько эффективно модели могут применять информацию, полученную на одном языке, для решения задач на другом.​ Бенчмарк включает вопросы, сформулированные на одном языке, ответы на которые содержатся в соответствующих статьях Википедии. Эти вопросы затем переводятся на другие языки, для которых аналогичных статей нет. Таким образом, модели должны демонстрировать способность извлекать и применять знания, отсутствующие в целевом языке.​ Оценка моделей: Испытания восьми современных LLM показали, что даже передовые модели испытывают трудности с межъязыковым переносом знаний. Это подчеркивает необходимость дальнейших исследований и улучшений в этой области.​ Вместо простых вопросов используются тесты с множественным выбором, где неправильные ответы (дистракторы) специально сделаны очень похожими на правильный и правдоподобными. Чтобы выбрать верный вариант, модели нужно действительно понять нюансы на целевом языке, а не угадывать. Минимизация "артефактов перевода": Вопросы тщательно создавались экспертами на 10 различных языках (включая арабский, хинди, японский, русский и др.). Они адаптированы культурно и лингвистически так, чтобы стратегия "перевести-решить-перевести обратно" работала плохо. ECLECTIC – сложный тест: Он выявляет слабости в понимании, которые могут быть не видны на других бенчмарках. 🌟 Лучшие результаты у Gemini 2.5 Pro: до 52,6% общего успеха и 77,0% коэффициента удачного переноса знаний. ​ В отличие от OpenAI Google на своих же бенчмаркх занимают первые места 😂 Результаты показывают, что текущим LLM еще предстоит улучшить способность по-настоящему переносить и применять знания между языками. 🟡Подробнее 🟡Paper @ai_machinelearning_big_data #AI #ml #google #benchmark

Растите сильную команду. Топ-5 курсов Яндекс Практикума для IT 👾 Технологии меняются каждый день — проверено Яндексом. Мы ощущаем перемены на своих проектах. Постоянные вызовы, новые инструменты, штормы на рынках. Знаем, как важно, чтобы команда быстро развивалась и адаптировалась к изменениям. Поэтому создаём актуальное обучение, которое соответствует реальным задачам IT-сферы. Нам доверяют: 5000+ компаний уже обучили 36 000+ сотрудников в Яндекс Практикуме. 👉 Вот топ-5 курсов, которые выбирали компании для развития IT-команд в 2025 году: — SQL для работы с данными и аналитики — DevOps для эксплуатации и разработки — Python-разработчик — Архитектура программного обеспечения — Управление командой разработки — Навыки аргументации 👉Подобрать курс Реклама, АНО ДПО “Образовательные технологии Яндекса”, ИНН 7704282033, erid: 2VtzqvjtMhs

🖥 Топ 17 GitHub-репозиториев для изучения Python: 1. 30-Days-Of-Python — 30-дневный челлендж по основам Python. 2. Python Basics — азы Python для новичков, просто и с примерами. 3. Learn Python — справочник с кодом, пояснениями и практикой. 4. Python Guide — гайд по практикам, инструментам и сложным темам. 5. Learn Python 3 — руководство по Python 3 с практикой для начинающих. 6. Python Programming Exercises — 100+ задач по Python. 7. Coding Problems — алгоритмы и структуры данных для собесов. 8. Project-Based-Learning — Python через реальные проекты. 9. Projects — идеи проектов для прокачки навыков. 10. 100-Days-Of-ML-Code — ML на Python шаг за шагом. 11. TheAlgorithms/Python — алгоритмы и структуры данных на Python. 12. Amazing-Python-Scripts — полезные скрипты: от утилит до автоматизации. 13. Geekcomputers/Python — скрипты для сети, файлов и задач. 14. Materials — код и проекты от Real Python. 15. Awesome Python — топ фреймворков, библиотек и ресурсов. 16. 30-Seconds-of-Python — короткие сниппеты для быстрых решений. 17. Python Reference — скрипты, туториалы и лайфхаки. #python #github #learning

🤖 Освойте продвинутые методы NLP и работайте с LLM на высоком уровне Хотите разбираться в архитектуре LLM, дообучать модели под свои задачи и применять самые передовые NLP-методы? Курс «NLP. Advanced» научит вас работать с трансформерными моделями, адаптировать GPT, BERT, LangChain и RAG под реальные бизнес-кейсы, а также развертывать AI-решения. Вы освоите передовые методики машинного обучения для NLP, получите опыт работы с cutting-edge технологиями и расширите карьерные перспективы. 🎁 Успейте записаться до старта курса и получите скидку до 15% по промокоду nlp_adv5 ➡️ Оставьте заявку прямо сейчас и присоединяйтесь к группе: https://otus.pw/KzgT/ #реклама О рекламодателе

📚 Prompt-in-context-learning — это открытый проект от EgoAlpha Lab, собирающий актуальные методики работы с LLM, превращая разрозненные знания в структурированную систему. Здесь вы найдете множество интересных проверенных техник— от базовых промтов до продвинутых стратегий in-context learning. 📌 Репозиторий включает не только теоретические работы по prompt engineering, но и готовые примеры для ежедневных задач: от генерации кода до анализа данных. Материалы обновляются ежедневно, включая свежие исследования и кейсы из реальных проектов. 🤖 GitHub @machinelearning_interview

🦾 Курс искусственный интеллект (ML) в медицине Научитесь создавать качественные мультимодальные медицинские датасеты и осуществлять техническую поддержку разметки данных Ориентирйтесь в зоопарке современных подходов к машинному обучению и умейте анализировать результаты машинного обучения ✅ Выпускной проект: Разработка и внедрение модели от появления данных и размеченных датасетов до машинного обучения, анализа результатов и выбора моделей.  👇 Проверить свой уровень и пройти тест на курс:  https://otus.pw/eSBA/?erid=2W5zFJho1HJ #реклама О рекламодателе

🕊️ Hummingbird — инструмент от Microsoft, позволяющий преобразовывать классические ML алгоритмы в тензорные вычисления. 📝 Как это работает? — Суть в том, что вместо привычного последовательного выполнения условий в деревьях Hummingbird использует матричные операции, что открывает доступ к GPU-ускорению и оптимизациям нейросетевых движков. При этом API остаётся знакомым любому, кто работал с scikit-learn — можно просто подменить модель без переписывания кода инференса. Пока проект поддерживает не все алгоритмы, но уже охватывает ключевые сценарии ⚙️ 🤖 GitHub @machinelearning_interview

✔️ Qwen3, по слухам, будет представлена на следующей неделе. Китайский медиапортал Sina.com.cn сообщил, что в его распоряжении есть информация, указывающая на то, что Alibaba Group планирует выпуск новой модели Qwen3 следующей неделе (7- 11 апреля). По словам экспертов медиаресурса Huxiu.com , это будет самый важный модельный продукт Alibaba в первой половине 2025 года, после выпуска DeepSeek-R1 команда Alibaba Cloud Basic Model Team еще больше сместила вектор разработки в сторону способности модели к рассуждениям. Sina Technology обратилась за подтверждением к Alibaba Cloud, но на момент публикации официального ответа не последовало. sina.com.cn ✔️ Microsoft закрывает ИИ-лабораторию в Шанхае. Microsoft свернула работу своей лаборатории IoT и ИИ в технологическом кластере Чжанцзян (Шанхай), следуя стратегии сокращения присутствия в Китае. Объект, открытый в 2019 году для поддержки местных стартапов уже опустел: логотип демонтирован, оборудование вывезено. За 5 лет лаборатория помогла реализовать 258 проектов, привлекла 9,4 млрд юаней инвестиций и обучила около 10 тыс. специалистов. Решение закрыть центр стало частью плана ухода Microsoft с китайского рынка. В 2023 году компания предложила сотрудникам, работающим над ИИ, переехать за рубеж, а также закрыла все розничные магазины в стране. По словам президента Microsoft Брэда Смита, на Китай приходится всего 1,5% глобальной выручки. scmp.com ✔️ Руководитель отдела исследований FAIR Жоэль Пино покинет свой пост в мае. Жоэль Пино, вице-президент по исследованиям в области ИИ компании Марка Цукерберга и глава группы FAIR, объявила о своих планах покинуть компанию в мае после почти 8 лет работы. Пино возглавляла FAIR с начала 2023 года и курировала разработку моделей Llama. Ожидается, что уход Пино приведет к появлению вакансии высокого уровня в подразделении ИИ компании, но непосредственный преемник пока не назван. wsj.com ✔️ Все SOTA-модели провалились на матолимпиаде-2025. Тесты топовых LLM, проведенные matharena.ai на сложных задачах математической олимпиады США (USAMO-2025) показали печальные результаты. Модели решали 6 доказательных задач — каждая оценивалась в 7 баллов, высший балл - 42. Лидеры теста (DeepSeek-R1 и Gemini-2.0-flash-thinking) набрали меньше 5%, что ставит под сомнение их способность к глубокому математическому анализу. Несмотря на провал, часть специалистов уверена — прогресс LLM в математике всё же есть, и он не сводится к «загрязнению» данных. Исследование, в рамка которого проводилось тестирование - «Proof or Bluff? Evaluating LLMs on 2025 USA Math Olympiad» подытоживает: LLM, даже лучшим, пока далеко до уровня человека в соревновательных дисциплинах. matharena.ai ✔️ OpenAI представила новый голос ChatGPT "Shade". OpenAI добавила новую голосовую опцию для ChatGPT под кодовым названием "Shade". Этот голос, описанный как "Поговори с понедельником", имеет характерную визуализацию "угрюмого черного" в расширенном голосовом режиме. Новая опция доступна в приложении для iOS, и пользователи отмечают его уникальное звучание и эстетику "тяжелого понедельника". OpenAI в X (ex-Twitter) @ai_machinelearning_big_data #news #ai #ml

⚡️ Проект llama-3.2-from-scratch, созданный пользователем rasbt (Себастьян Рашка), представляет собой реализацию модели Llama 3.2 на языке PyTorch с нуля. Цель проекта — предоставить понятный и минималистичный код для изучения и исследования архитектуры больших языковых моделей (LLM).​ Основные особенности проекта: - Простота и доступность кода: Реализация оптимизирована для читаемости, что делает её подходящей для образовательных целей и исследований.​ - Минимальные зависимости: Для работы требуются только библиотеки torch, tiktoken и blobfile, что упрощает установку и использование.​ - Предоставление предобученных весов: В репозитории доступны веса моделей, конвертированные из официальных весов, предоставленных компанией Meta. Это позволяет пользователям сразу приступить к экспериментам без необходимости обучать модели с нуля.​ - Гибкость в выборе моделей: Поддерживаются различные версии моделей Llama 3.2, включая базовые и инструкционные варианты с 1 и 3 миллиардами параметров.​ - Примеры использования: Включены примеры кода для загрузки моделей, настройки токенизатора и генерации текста, что облегчает начало работы с проектом.​ Важно отметить, что предоставленные веса моделей были конвертированы из официальных весов Meta. Для получения оригинальных весов и информации о лицензии рекомендуется обратиться к официальным репозиториям Meta на Hugging Face.​ В целом, llama-3.2-from-scratch — это ценный ресурс для разработчиков и исследователей, желающих глубже понять внутреннее устройство современных языковых моделей и экспериментировать с их архитектурой. https://huggingface.co/rasbt/llama-3.2-from-scratch @machinelearning_interview

⚡️Анализируем продажи на маркетплейсах с помощью Python С каждым днем все больше бизнесов выходят на маркетплейсы, а значит еще более ценными становятся аналитики, которые умеют с ними работать. Хотите научиться использовать Python для анализа продаж и создания эффективных стратегий? Андрон Алексанян - CEO Simulative в прямом эфире проанализирует продажи на маркетплейсах с помощью Python. Никаких первоапрельских розыгрышей, только полезные знания! 🧡 Что будем делать: 🟠Напишем скрипт на Python, который каждый час собирает статистику о ранжировании карточки на WB по ключевым запросам; 🟠Построим наглядные визуализации для отслеживания динамики ранжирования; 🟠Обсудим, как упаковать этот проект в идеальное портфолио. 🕗 Встречаемся 01 апреля 18:30 по МСК 😶Зарегистрироваться на бесплатный вебинар

📹 Топ-15 технических YouTube-каналов для изучения ИИ с нуля: 1) Andrej Karpathy — сочетание общего и технического контента, плейлист "Zero to Hero" обязателен к просмотру 2) Uproger — доступные уроки по программированию и ИИ, идеально для начинающих и тех, кто хочет углубить свои знания. 3) Umar Jamil — технический блог, где автор реализует методы ML и LLM с нуля 4) Simon Oz — технические видео по низкоуровневому машинному обучению 5) Tunadorable — отличные обзоры научных статей, реализация 6) GPU Mode — технические интервью и разборы всего, что связано с GPU 7) AI Jason — эксперименты с ИИ, дизайн ПО и новые модели, с понятным и полным разбором. 8) Ferdinand Mom — всё о распределённом обучении и выводах 9) Welch Labs — уникальный глубокий взгляд на комплексность алгоритмов машинного обучения. 10) Artem Kirsanov — нейронаука и машинное обучение с необычного авторского взгляда + отличная визуализация контента. 11) David Ondrej — новые модели, создание приложений с ИИ, практично для разработчиков https://t.co/BEOr0MgHag @DavidOndrej1 12) 3Blue1Brown Потрясающие визуализации, которые делают абстрактные математические концепции понятными и интуитивными. 13) Lex Fridman Глубокие беседы с лидерами индустрии ИИ, позволяющие получить широкий взгляд на современные тенденции. 14) Machine Learning Street Talk Технические погружения и обсуждения с ведущими исследователями в области ИИ и машинного обучения. Ссылка: 15) StatQuest with Joshua Starmer PhD Доступные и понятные объяснения основ машинного обучения и статистики для начинающих. Этот список для технической аудитории. Очень сложно выбрать всего 15 каналов, ведь есть множество других, создающих отличный контент. Если знаете ещё каналы, дайте пишите в комментариях! @machinelearning_interview

🔥 Пошаговый гайд создания системы автоматического распознавания речи с помощью PyTorch и Hugging Face С эти гайдом вы сможете: - Загружать и обрабатывать речь данные - Настраивать предварительно обученную модель Wav2Vec2 - Оценивать производительность модели с помощью коэффициента ошибок слов (WER) - Развертывать модель для перевода речи в текст в режиме реального времени 🔗 Читать

🖥 Подготовка к собеседованию на Python разработчика: нашел сборник самых частых вопросов с ответами и примерами кода. Это квинтэссенция примеров кода и паттернов, охватывающая 99% возможных вопросов на собеседовании. Шпаргалка объемная, время чтения - 96 минут. На русском языке. 🟢Github 🟢Видео 🟢Полный список @machinelearning_interview

🦾 Тест по NLP 🦾 📌Пройдите тест из 15 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе «NLP / Natural Language Processing» от OTUS. Сможете сдать - пройдете на курс по спеццене! Курс научит вас работать с LLM, LangChain, RAG, BERT, GPT, разбирать тексты, разрабатывать чат-ботов и применять передовые трансформерные модели. Вы освоите ключевые методы обработки естественного языка и станете востребованным специалистом в области Data Science. 🎁 Весенние скидки в Отус!🦉 Скидка 10% до 01.04 👉ПРОЙТИ ТЕСТ #реклама О рекламодателе

🖥 OpenAI открывает бесплатное обучение по работе с нейросетями OpenAI запустила "Академию OpenAI", которая претендует на роль главного учебника по ИИ. Платформа поможет освоить нейросети, понять их возможности и научиться эффективно использовать ChatGPT и Sora в повседневной жизни и работе. ▪ Обширная база обучающих материалов доступна на отдельном сайте. ▪ Живые трансляции и офлайн-мероприятия помогут глубже разобраться в технологиях. ▪ Бесплатный доступ — OpenAI стремится расширить аудиторию, а не ограничивать её ценником. 📌Начать обучение 📌 Блог

✔️ СuML от NVIDIA: Scikit-learn на скорости GPU – без единой строчки нового кода! Все мы любим scikit-learn за его простоту и мощь. Но что если ваши модели обучаются слишком долго на больших данных? 🤔 NVIDIA предлагает решение! Вы берете свой обычный скрипт cо scikit-learn, добавляете всего две строки в начало, и он начинает работать в 10, 50, а то и 100+ раз быстрее на NVIDIA GPU! 🔥 ✨ Как это работает? Библиотека cuml от NVIDIA содержит супероптимизированные для GPU версии многих алгоритмов машинного обучения. С помощью простого вызова cuml.patch.apply() вы "патчите" установленный у вас scikit-learn прямо в памяти. Теперь, когда вы вызываете, например, KNeighborsClassifier или PCA из sklearn: ▶️Патч проверяет, есть ли у вас GPU NVIDIA. ▶️Проверяет, есть ли в cuml быстрая GPU-версия этого алгоритма. ▶️Если да – запускает ускоренную версию на GPU! 🏎️ ▶️Если нет (нет GPU или алгоритм не поддерживается) – спокойно запускает обычную CPU-версию scikit-learn. Ключевые преимущества: ✔️ Нулевые изменения кода: Ваш scikit-learn код остается прежним. Добавляете только 2 строчки: import cuml.patch и cuml.patch.apply(). ✔️ Колоссальное ускорение: Получите прирост производительности на порядки для поддерживаемых алгоритмов (KNN, PCA, линейные модели, Random Forest (инференс), UMAP, DBSCAN, KMeans и др.) за счет мощи GPU. ✔️Автоматическое переключение между GPU и CPU. Ваш скрипт будет работать в любом случае. Топ инструмент для всех, кто работает с scikit-learn на задачах, требующих значительных вычислений, и у кого есть GPU от NVIDIA. 👇 Как использовать: Установите RAPIDS cuml (лучше через conda, см. сайт RAPIDS):

python 
conda install -c rapidsai -c conda-forge -c nvidia cuml rapids-build-backend

Добавьте в начало скрипта:

import cuml.patch
cuml.patch.apply()

Используйте scikit-learn как обычно! Попробуйте и почувствуйте разницу! 😉 ▪Блог-пост ▪Colab ▪Github ▪Ускоряем Pandas @ai_machinelearning_big_data #python #datascience #machinelearning #scikitlearn #rapids #cuml #gpu #nvidia #ускорение #машинноеобучение #анализданных