Machinelearning

🖥ChatGPT Advanced Data Analysis Бесплатный курс углубленного анализа данных c ChatGPT Этот курс входит в специализацию Специализация Prompt Engineering https://www.coursera.org/learn/chatgpt-advanced-data-analysis ai_machinelearning_big_data

🚀 Whisper-V3 / Consistency Decoder Improved decoding for stable diffusion vaes. Многие упустили из виду, что на Dev Day компания OpenAI выложила в открытый доступ сразу две модели, и на них стоит обратить внимание. Первая из них - Whisper-V3, лучшая из существующих OSS-моделей распознавания речи. Она демонстрирует значительные улучшения по сравнению с Whisper-V2 на десятках языков. Whisper остается одной из лучших фундаментальных моделей всех времен. В отличие от предыдущих работ, в которых создавались сложные конвейеры, Whisper представляет собой большой трансформер, который преобразует звук непосредственно в текст, со специальными "метаязыковыми" лексемами, позволяющими выполнять элегантную многозадачность: определение языка, перевод, распознавание голоса и т.д. Его первый автор - легендарный Алек Рэдфорд - человек, ответственный почти за все революционные статьи OAI. Скорее всего Whisper позволил получить не менее триллиона высококачественных разговорных лексем из интернет-видео/аудиозаписей для GPT-4 и последующих проектов. Второй открытый проект - это декодер согласованности (Consistency Decoder) из работы "Consistency Models" (Модели согласованности) под руководством Доктор Янге Сонг. Янг был одним из первопроходцев в области диффузионных моделей. Вы можете заменить декодер Stable Diffusion на Consistency Decoder, и это улучшит рендеринг текстов, лиц и геометрических фигур. - Whisper paper: https://arxiv.org/abs/2212.04356 - Whisper-V3 checkpoint: https://github.com/openai/whisper/discussions/1762 - Consistency Models: https://arxiv.org/abs/2303.01469 - Consistency Decoder release: https://github.com/openai/consistencydecoder @ai_machinelearning_big_data

🚀 Introducing YOLO-NAS Pose : A Game-Changer in Pose Estimation 🚀 This Model is a redefinition of pose estimation's potential. Компьютерное зрение достигло значительных успехов, и последний скачок произошел благодаря модели YOLO-NAS Pose. Эта модель открывает новые возможности обнаружения и оценки позы людей на выдео. - Ошеломляющее снижение задержки на 38,85% на мощных процессорах Intel Xeon. -Модель поднимает YOLOv8 на новую высоту по качеству обнаружения. -Ориентирована на работу в режиме реального времени, уникальное сочетание точности и скорости. - Невероятное улучшение на 0,27 балла на AP@0.5-0.9 Для решения различных задач модель выпускается в четырех вариантах, каждый из которых имеет свой размер и время задержки. 🖥 Github: https://github.com/Deci-AI/super-gradients 📕 Notebook: https://colab.research.google.com/drive/1O4N5Vbzv0rfkT81LQidPktX8RtoS5A40 🚀 Demo: https://huggingface.co/spaces/Deci/YOLO-NAS-Pose-Demo 🌐 Colab: https://colab.research.google.com/drive/1agLj0aGx48C_rZPrTkeA18kuncack6lF @ai_machinelearning_big_data

Команда «Море данных» открывает вакансии. Основные направления работы: цифровое образование, анализ качества речи с помощью ии, цифровые двойники способные к рассуждению, digital hr. (Пример) Middle/Senior Data Scientist (NLP) на постоянную основу. Оклад: 200 000 − 400 000 ₽ Возможно временное оформление: договор ГПХ, самозанятые, ИП Возможен гибкий график Требования: — знание NLP стека — понимание принципов устройства и обучения LLM и генеративных трансформеров — опыт разработки NLP-моделей — желателен опыт дообучения LLM — интерес к сфере образования Резюме присылать в тг @ana_vitvit с пометкой ‘Data Scientist’ Prompt engineer Оклад: 90 000-160 000 руб. Обязанности: написание промптов и промпт-сценариев для больших языковых моделей Требования: — Понимание принципов работы LLM, тюнинга поведения LLM с помощью промптов; обучаемость. — Подтвержденный опыт проектов с прмт инженерией для языковых моделей — интерес к сфере образования Резюме присылать в тг @ana_vitvit с пометкой ‘промт инженер’ Проджект менеджер дата-интенсивных проектов Оклад: по результатам собеседования Требуется опыт ПМ на дата интенсивных и технических проектах не менее 3х лет. Agile. Работа с front , back, devops, data science и machine learning специалистами. Резюме присылать в тг @ana_vitvit с пометкой ‘проджект менеджер’

⚡️ EntitySeg Toolbox: Towards open-world and high-quality image segmentation EntitySeg - это инструментарий с открытым исходным кодом, предназначенный для сегментации изображений с открытым миром и высоким качеством. На сегодняшний день в EntitySeg реализованы следующие алгортмы: ▪Open-World Entity Segmentation (TPAMI2022) ▪High Quality Segmentation for Ultra High-resolution Images (CVPR2022) ▪CA-SSL: Class-Agnostic Semi-Supervised Learning for Detection and Segmentation (ECCV2022) ▪High-Quality Entity Segmentation (ICCV2023 Oral) ▪Rethinking Evaluation Metrics of Open-Vocabulary Segmentaion --- released 🖥 Github: https://github.com/qqlu/entity 📕 Paper: https://arxiv.org/abs/2311.03352v1 🌐 Dataset: https://paperswithcode.com/dataset/coco @ai_machinelearning_big_data

⚡️ OpenAI DevDay, Opening Keynote OpenAI DevDay сейчас идет онлайн конференции для разработчиков от OpenAI. OpenAI выпустит GPT-5 GPT-4-Turbo, новая модель превосходит старую во всем: — Можно писать промты длинной в 128 тысяч токенов — это 365 страниц примерно обычной книги! — Поддерживает возможность загружать собственные документы (PDF и прочие дипломы); — Можно может писать ответы в JSON-формате; — Обновили базу данных до апреля 2023 года; — Цена будет дешевле, работа по API для разработчиков — в 3 раза меньше цена для промта и в 2 раза для генераций. — Голоса ChatGPT теперь не отличить от человеческих. — GPT-4 turbo стала намного умнее. — В 3 раза меньше цена для промта и в 2 раза для генераций. Выпущен: https://github.com/openai/whisper https://www.youtube.com/watch?v=U9mJuUkhUzk @ai_machinelearning_big_data

🔥 One of the most beautiful interactive visualizations on how LLMs work. Хотите понять, как работают большие языковые модели? Эта статья поможет вам понять основные концепции в интерактивной форме! Одна из самых красивых визуализаций того, как работают LLM. http://ig.ft.com/generative-ai/ @ai_machinelearning_big_data

🎧 Video2Music: Suitable Music Generation from Videos using an Affective Multimodal Transformer model Video2Music: Suitable Music Generation from Videos using an Affective Multimodal Transformer model. Многочисленные исследования в области генерации музыки продемонстрировали впечатляющую производительность, однако практически ни одна модель не способна напрямую генерировать музыку для сопровождения видео. В данной работе представлен генеративный музыкальный ИИ-фреймворк Video2Music, который может генерировать музыку под предоставленное видео. Сначала была собрана уникальная коллекцию музыкальных клипов. Затем проанализированы музыкальные видеоролики, чтобы получить семантические характеристики, характеристики смещения сцены, движения и эмоций. Эти отличительные признаки используются в качестве исходных данных для модели генерации музыки. Затем транскрибируются аудиофайлы в MIDI и аккорды, а также извлекаются такие характеристики, как плотность нот и громкость. В результате был собран набор мультимодальных данных под названием MuVi-Sync, на котором обучена модель для генерации музыки на основе видео. Эта модель включает в себя новый механизм, обеспечивающий сходство между видео и музыкой. Наконец, выполняется постобработка на основе регрессионной модели на базе biGRU для оценки плотности и громкости нот на основе характеристик видео. Это обеспечивает динамическую визуализацию генерируемых аккордов с изменяющимся ритмом и громкостью. В ходе экспериментов показано, что фреймворк позволяет генерировать музыку, соответствующую видеоконтенту с точки зрения эмоций. Музыкальное качество, а также качество согласования музыки и видео подтверждается в ходе исследования. Модель AMT, а также новый датасет MuVi-Sync представляют собой перспективный шаг для задачи генерации музыки для видео. 🖥 Github: https://github.com/amaai-lab/video2music 📕 Paper: https://arxiv.org/abs/2311.00968v1 ⏩ Demo: https://llmrec.github.io/ 🌐 Dataset: https://zenodo.org/records/10057093 @ai_machinelearning_big_data

Erid:2VtzqxJMzEK Регистрация на отборочный этап Всероссийского хакатона по биометрии! Если ты молодой специалист, жаждущий новых вызовов и возможностей, не упусти шанс побороться за часть призового фонда в размере 1.000.000 рублей! Зарегистрируйся на отборочный тур прямо сейчас, выбери кейс и стань частью Всероссийского хакатона по биометрии. Кейсы: • Разработка инструмента для создания дипфейков • Разработка инструмента для обнаружения дипфейков • Фронтальный алгоритм защиты от атак предъявления для лицевой биометрии • Решения для использования новых биометрических модальностей на пользовательских устройствах Хакатон пройдёт в два этапа: • Отборочный тур онлайн 10-12 ноября • Финал офлайн 25 ноября в Москве Победители соревнования получат ценные призы и возможность представить свои проекты перед экспертами и топ-менеджерами биометрических вендоров и крупных технологических компаний. Мероприятие проводится при поддержке Центра Биометрических Технологий. Генеральный партнёр мероприятия – Сбер, официальные партнёры – IT-компании «InnoView», Ovision. Хакатон проводится при поддержке Минспорта, Федерации Спортивного Программирования и Минцифры. Даты отборочного этапа в онлайн-формате: 10-12 ноября 2023 года    Даты финала: 25 ноября 2023 года    Место: Москва Формат: смешанный (отборочный этап в онлайн-формате, а финал – на площадке в Москве) Подробности и регистрация до 6 ноября 2023 года по ссылке: https://clck.ru/36PH5y Собирай команду, решай задачу и выигрывай на Всероссийском хакатоне по биометрии Реклама. ООО «Акселератор Возможностей». ИНН 9704005146

🖥 TORCH UNCERTAINTY TorchUncertainty - это, фреймворк для использования методов квантования неопределенности для повышения надежности глубоких нейронных сетей. Пакет предоставляет многоуровневый API, включая: ▪готовые к обучению базовые модели на исследовательских датасетах, таких как ImageNet и CIFAR ▪базовые системы глубокого обучения, доступные для обучения на ваших наборах данных ▪предварительно обученные веса для этих базовых сетей на ImageNet и CIFAR ▪готовые слои, доступные для использования в ваших сетях ▪методы постобработки в стиле scikit-learn, такие как Temperature Scaling. Более полный список реализованных методов в справке по API. pip install torch-uncertainty 🖥 Github: https://github.com/ensta-u2is/torch-uncertainty 📕 Paper: https://arxiv.org/abs/2311.01434v1 ⏩ Project: https://llmrec.github.io/ 👣 Api: https://torch-uncertainty.github.io/api.html 🌐 Dataset: https://paperswithcode.com/dataset/cifar-10 @ai_machinelearning_big_data

⚡️ LLMRec: Large Language Models with Graph Augmentation for Recommendation LLMRec - это новый фреймворк и датасет, улучшающий рекомендательные системы путем применения простых, но эффективных стратегий дополнения графов на основе LLM. 🖥 Github: https://github.com/hkuds/llmrec 📕 Paper: https://arxiv.org/abs/2311.00423v1 ⏩ Project: https://llmrec.github.io/ 🌐 Dataset: https://llmrec.github.io/# @ai_machinelearning_big_data

Открыта регистрация на новый трек “Системный инженер” оплачиваемой ротационной программы Excellence! Excellence — ротационная программа развития в международной FMCG-компании JTI. В рамках трека «Системный инженер» тебя ждут 3 ротации в разных командах JTI — от 5 до 12 месяцев в каждой. За это время ты погрузишься в ключевые процессы автоматизации производства на одной из крупнейших фабрик в структуре JTI и обретёшь необходимые знания для дальнейшей роли. Узнать больше на сайте программы Для кого эта программа? Для тех, у кого уже есть опыт работы с АСУ ТП или в смежных областях. Для тех, кто владеет английским на уровне Intermediate и выше. Мы предлагаем: — Стартовая зарплата от 165 000 руб. гросс — ДМС с расширенной стоматологией и страхование жизни; — Помощь с переездом в Санкт-Петербург для участников из других городов. Успей подать заявку на участие в отборе до 8 ноября Реклама. ООО «Дж.Т.И. Россия».ИНН 7703386329 Erid: LatgBjpJ5

🚀 Важное событие в области искусственного интеллекта! Восьмая глобальная онлайн-конференция AI Journey 2023 в сфере ИИ. С 22 по 24 ноября главные эксперты по ИИ из России и других стран поделятся информацией о новых трендах в области искусственного интеллекта и машинного обучения. Конференцию также можно посмотреть онлайн. Кроме того, AI Journey 2023 объявит официальных финалистов AI Journey Science и вручит награды победителям международных онлайн-соревнований AI Challenge и AIJ Contest. Смотрим тут. @ai_machinelearning_big_data

🔥 Learn from Andrew Ng! Generative AI for Everyone Узнайте, как работает генеративный искусственный интеллект в новой курсе от легендарного Эндрю Ын. Как использовать ИИ в профессиональной или личной жизни и как он повлияет на работу, бизнес и общество. Этот курс доступен для всех и не предполагает наличия опыта кодинга или работы с искусственным интеллектом. https://www.deeplearning.ai/courses/generative-ai-for-everyone/ @ai_machinelearning_big_data

🔥 Learning From Mistakes Makes LLM Better Reasoner LEMA fine-tunes LLMs on mistakecorrection data pairs generated by GPT-4. Большие языковые модели недавно продемонстрировали замечательные способности к рассуждениям при решении математических задач. Для дальнейшего улучшения этих возможностей в данной работе предлагается метод обучения на ошибках (LeMa), аналогичный процессам обучения человека. Если взять студента, который не смог решить математическую задачу, для достижения успеха, студент узнает, какую ошибку он допустил и как ее исправить. Имитируя этот процесс обучения, основанный на ошибках, LeMa производит тонкую настройку LLM на парах данных "ошибка-исправление", генерируемых GPT-4. В частности, сначала собираются неточные пути рассуждений от различных ЛЛМ, а затем используется GPT-4 в качестве "корректора", чтобы (1) определить ошибочный шаг, (2) объяснить причину ошибки, (3) исправить ошибку и сформировать окончательный ответ. LeMa стабильно улучшает производительность моделей по сравнению с тонкой настройкой и превосходит показатели SOTA, достигнутые другими моделями с открытым исходным кодом на различных сложных задачах. 🖥 Github: https://github.com/microsoft/codet 📕 Paper: https://arxiv.org/pdf/2310.20689v1.pdf ⏩ Dataset: https://paperswithcode.com/dataset/math @ai_machinelearning_big_data

Три совета джунам от технических директоров и героев нового выпуска шоу «1х1» 🤓 Это Станислав Макеев и Никита Илясов, которые руководят разработкой в Лавке и Еде. ⬇️ «Образование нужно» Да, знание уравнений в частных производных вряд ли пригодится на практике, но научит разбираться в сложных темах и строить конструкции в голове. ⬇️ «Слушайте фидбэк» Для этого рядом нужны более опытные коллеги. В сообществе сильных специалистов вы будете расти быстрее. ⬇️ «Создайте систему знаний» Она позволит легко вернуться к вещам, которые вам когда-то понравились, и не потерять полезную информацию. Подписывайтесь 👉 @yandex

🪄IC|TC: Image Clustering Conditioned on Text Criteria New methodology for performing image clustering based on user-specified criteria in the form of text by leveraging modern Vision-Language Models and Large Language Models В данной работе представлена новая методика кластеризации изображений на основе заданных пользователем текстовых описаний с использованием современных моделей "зрение-язык" и больших языковых моделей. Метод Image Clustering Conditioned on Text Criteria (IC TC), представляет собой новую парадигму кластеризации изображений и требует минимального вмешательства человека и предоставляет пользователю полный контроль над результатами кластеризации. Эксперименты показали, что IC TC может эффективно кластеризовать изображения с различными критериями, такими как действия человека, его физическое местоположение или настроение, значительно превосходя при этом другие решения. 🖥 Github: https://github.com/sehyunkwon/ictc 📕 Paper: https://arxiv.org/pdf/2310.18297v2.pdf ⏩Tasks: https://paperswithcode.com/task/clustering https://t.me/ai_machinelearning_big_data