Data Portal | DS & ML

Этот репозиторий на GitHub — настоящая находка для ML-специалистов Репозиторий Kaggle Solutions собирает решения и идеи от лучших участников прошлых соревнований Kaggle. Список регулярно обновляется после каждого соревнования. Он охватывает интервью по машинному обучению, лекции и решения https://github.com/faridrashidi/kaggle-solutions 👉 @DataSciencegx

Эта лекция о больших языковых моделях (LLM) обязательна к просмотру для инженеров в области ИИ. Полуторачасовая лекция охватывает: токенизацию, законы масштабирования, дообучение, оценку, оптимизацию, вызовы, затраты и многое другое. От Стэнфорда, около 1 млн просмотров https://www.youtube.com/watch?v=9vM4p9NN0Ts 👉 @DataSciencegx

⚡️Анализируем продажи на Wildberries 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 за несколько часов собрать интересный кейс для своего портфолио? Андрон Алексанян - эксперт по аналитике с 8 летним опытом и по совместительству CEO Simulative в прямом эфире проанализирует продажи на Wildberries с помощью Python. Что будет на вебинаре: 🟠Напишем скрипт на Python, который каждый час собирает статистику о ранжировании карточки на WB по ключевым запросам; 🟠Построим наглядные визуализации для отслеживания динамики ранжирования. Важно досмотреть вебинар до конца, чтобы узнать как упаковать этот кейс в портфолио своих проектов. 😶Зарегистрироваться на бесплатный вебинар

4 стратегии обучения на нескольких GPU, объяснённые наглядно: 👉 @DataSciencegx

Стэнфорд выкатил свежий курс по LLM — CS336: Language Modeling from Scratch Курс с фокусом на практику: вся теория по LLM раскрывается через создание собственной модели. Ты изучаешь всё end-to-end — от обработки данных и архитектуры трансформеров до RL и эвала Ведёт курс Перси Лианг — профессор Стэнфорда и сооснователь TogetherAI. Курс прямо сейчас идёт в Стэнфорде, и лекции заливаются по ходу — контент свежий, как только из печи Первые лекции здесь, а домашка и ноутбуки — тут. 👉 @DataSciencegx

Жизнь CV-модели после релиза После релиза работа не заканчивается — и именно здесь начинаются реальные сложности. Как понять, что модель начала деградировать? Как построить поддержку, если в команде нет лишних рук? Как мониторить предсказания CV-модели? Команда DeepSchool подготовила открытую лекцию, на которой они разберут, где и что может пойти не так после релиза, как это вовремя заметить, и что делать, если количество моделей растёт, а команда всё та же. На лекции расскажут: - как в реальности выглядит цикл жизни CV-модели - как выстраивать поддержку: что можно автоматизировать, а что — нет - как следить за качеством модели: дрифты, аутлаеры, шум, ключевые метрики - какие есть подходы для автоматизации мониторинга модели - и спроектируют возможное решение на примере реальной задачи Спикеры также расскажут о курсе, на котором вы научитесь решать трудные задачи: специфичные корнер-кейсы, шумные данные, трёхэтажные постпроцессинги и прочее. Обо всём этом расскажут: — Анастасия Старобыховская — руководитель CV-направления НЛМК ИТ — Тимур Фатыхов — основатель DeepSchool, ex Lead CV Engineer, KoronaPay 🗓 24 апреля, четверг, 18:00 МСК. Регистрируйтесь по ссылке и приходите в четверг!

Подключите любую LLM к любому MCP-серверу MCP-Use — это open-source способ подключить любую LLM к любому MCP-серверу и создавать кастомных агентов с доступом к инструментам без использования проприетарных решений или клиентских приложений. Создавайте полностью локальные MCP-клиенты: https://github.com/pietrozullo/mcp-use 👉 @DataSciencegx

Открытый репозиторий по Data Science для изучения и применения в решении реальных задач. Это упрощённый путь для начала изучения Data Science. Всё необходимое вы найдёте здесь: https://github.com/academic/awesome-datascience 👉 @DataSciencegx

Оказывается, чтобы расти в доходе в ML и IT, недостаточно закончить топовый матфак, работать 24/7 и знать все фреймворки мира Да, это круто, но это – далеко не главное. На самом деле чаще всего выигрывают люди с прокаченным софт скиллами – те, кто уверенно ведет диалог и грамотно доносит ценность своих решений. Вот вам пример: Senior ML-инженер Олег Андриянов рассказывает в своем канале, как его доход вырос за 4 года в 12,5 раз. В блоге куча крутых статей, вот наш топ-3: – Как гарантированно повысить свою зарплату? – Какие 2 ключевых софт-скилла делают тебя на голову выше конкурентов на рынке труда? – Как Олегу удалось вырасти в доходах в 12,5 раз за 4 года? У автора большой опыт руководителя, так что он знает, чего хочет от сотрудника индустрия, и в его канале – не фантазии, а настоящие практические инструменты, которые помогут быстрее достичь карьерных целей. Подписывайся, если хочешь стать незаменимым в любой IT-команде: @andriyanov_leads Реклама. СЗ Волков Д.Д. ИНН: 370701873479, erid: 2Vtzqwy7BPx

Полный краш-курс по MCP для Python-разработчиков – Что такое MCP и как он устроен – Как поднять свой MCP-сервер – Подключение Python-приложений к MCP – Интеграция LLM-моделей с MCP – MCP против function calling – Деплой в Docker – Управление жизненным циклом Гайд для тех, кто хочет строить AI-системы на базе MCP и выйти за рамки базовых туториалов: https://www.youtube.com/watch?v=5xqFjh56AwM 👉 @DataSciencegx

Сделайте sentence transformers в 50 раз меньше и в 500 раз быстрее Model2Vec преобразует любой sentence transformer в компактную статическую модель с минимальной потерей качества. Кроме того, он обеспечивает мгновенный векторный поиск по миллионам документов без предварительной индексации. Полностью с открытым исходным кодом https://github.com/MinishLab/model2vec/tree/main 👉 @DataSciencegx

Мы слишком много знаем! И просто обязаны этим поделиться. За 5 лет существования школы karpovꓸcourses мы обучили более 95 000 человек, и 80% наших выпускников уже работают в VK, Яндексе, Авито и других известных компаниях. И мы решили сделать для вас Karpov.Conf — чтобы поделиться знаниями не только с нашими студентами, но и с каждым, кто интересуется аналитикой данных и другими направлениями Data Science. Будем обсуждать особенности работы с Power BI и практическое применение ML-моделей в крупных компаниях, разберем пользовательский опыт и реализацию аналитики на базе Yagpt, узнаем, как дерево метрик помогает принимать решения, и какие ошибки совершают крупные компании в контексте аналитики. Мы собрали действительно звездный состав спикеров, мы очень старались сделать это мероприятие максимально полезным — вам осталось только не пропустить его! Регистрируйтесь на KARPOV.CONF 2025 — включите Data-driven на полную!

Если вы только начинаете заниматься ML/DL и переживаете, что придётся потратить недели на подтягивание математики, поверьте — этого видео вам достаточно. Это видео длится 5 часов, и этого вполне достаточно, чтобы начать. Не усложняйте https://www.youtube.com/watch?v=Ixl3nykKG9M 👉 @DataSciencegx

NVIDIA завезла нативную поддержку Python в CUDA Теперь можно напрямую использовать ускорение на GPU прямо из Python — что сильно упрощает работу над проектами в сфере ИИ, машинного обучения и научных вычислений. Никаких обёрток, костылей и танцев с C/C++. — CUDA Core — переосмыслен для Python: здесь сделан упор на JIT-компиляцию и минимизацию зависимостей — cuPyNumeric — прокачанная версия NumPy, работающая на GPU — NVMath — поддержка линейной алгебры, совместима с хостом и устройством — Добавлены инструменты для профилирования и анализа кода — Новый подход к параллельным вычислениям — CuTile. Абстракция не на уровне потоков, а на уровне массивов и тайлов Посмотреть презентацию можно тут ✌️ 👉 @PythonPortal

Google представил Agent2Agent (A2A) Протокол для общения ИИ-агентов между собой, независимо от платформы или фреймворка. Использует технологии HTTP, SSE и JSON-RPC. Подробнее тут Agent2Agent Protocol vs. Model Context Protocol, четкое объяснение (с визуализацией): — Протокол Agent2Agent позволяет AI-агентам подключаться к другим агентам. — Протокол Model Context позволяет AI-агентам подключаться к инструментам и API. Оба протокола являются open-source и не конкурируют друг с другом 👉 @DataSciencegx

Отличное приложение на основе ИИ начинается с выбора подходящего типа эмбеддингов. Вот 6 типов эмбеддингов и случаи, когда стоит их использовать: • Sparse embeddings: https://weaviate.io/developers/weaviate/search/bm25 • Dense embeddings: https://weaviate.io/developers/weaviate/search/similarity • Quantized embeddings: https://weaviate.io/developers/weaviate/concepts/vector-quantization • Binary embeddings: https://weaviate.io/developers/weaviate/concepts/vector-quantization#binary-quantization • Variable dimensions: https://weaviate.io/blog/openais-matryoshka-embeddings-in-weaviate • Multi-vector embeddings: https://weaviate.io/developers/weaviate/tutorials/multi-vector-embeddings 👉 @DataSciencegx

Плейлист из 30 видео на YouTube для изучения основ машинного обучения с нуля Если вы не знаете, с чего начать изучение машинного обучения, этот список под названием «Machine Learning: Teach by Doing» — отличный выбор, чтобы освоить как теорию, так и практическое программирование.

1. Введение в машинное обучение — Teach by Doing: https://lnkd.in/gqN2PMX5 2. Что такое машинное обучение? История машинного обучения: https://lnkd.in/gvpNSAKh 3. Типы моделей машинного обучения: https://lnkd.in/gSy2mChM 4. 6 этапов любого ML-проекта: https://lnkd.in/ggCGchPQ 5. Установка Python и VSCode, запуск первого кода: https://lnkd.in/gyic7J7b 6. Линейные классификаторы. Часть 1: https://lnkd.in/gYdfD97D 7. Линейные классификаторы. Часть 2: https://lnkd.in/gac_z-G8 8. Jupyter Notebook, Numpy и Scikit-Learn: https://lnkd.in/gWRaC_tB 9. Запуск алгоритма случайного линейного классификатора на Python: https://lnkd.in/g5HacbFC 10. Самая первая ML-модель — перцептрон: https://lnkd.in/gpce6uFt 11. Реализация перцептрона на Python: https://lnkd.in/gmz-XjNK 12. Теорема сходимости перцептрона: https://lnkd.in/gmz-XjNK 13. Магия признаков в машинном обучении: https://lnkd.in/gCeDRb3g 14. One-hot encoding (одноразрядное кодирование): https://lnkd.in/g3WfRQGQ 15. Логистическая регрессия. Часть 1: https://lnkd.in/gTgZAAZn 16. Функция потерь — кросс-энтропия: https://lnkd.in/g3Ywg_2p 17. Как работает градиентный спуск: https://lnkd.in/gKBAsazF 18. Логистическая регрессия с нуля на Python: https://lnkd.in/g8iZh27P 19. Введение в регуляризацию: https://lnkd.in/gjM9pVw2 20. Реализация регуляризации на Python: https://lnkd.in/gRnSK4v4 21. Введение в линейную регрессию: https://lnkd.in/gPYtSPJ9 22. Пошаговая реализация метода наименьших квадратов (OLS): https://lnkd.in/gnWQdgNy 23. Основы и интуиция гребневой регрессии (Ridge Regression): https://lnkd.in/gE5M-CSM 24. Резюме по регрессии для собеседований: https://lnkd.in/gNBWzzWv 25. Архитектура нейронной сети за 30 минут: https://lnkd.in/g7qSrkxG 26. Интуиция обратного распространения ошибки (Backpropagation): https://lnkd.in/gAmBARHm 27. Функции активации в нейронных сетях: https://lnkd.in/gqrC3zDP 28. Моментум в градиентном спуске: https://lnkd.in/g3M4qhbP 29. Практическое обучение нейросети на Python: https://lnkd.in/gz-fTBxs 30. Введение в сверточные нейронные сети (CNN): https://lnkd.in/gpmuBm3j

👉 @DataSciencegx

Плейлист из 30 видео на YouTube для изучения основ машинного обучения с нуля Если вы не знаете, с чего начать изучение машинного обучения, этот список под названием «Machine Learning: Teach by Doing» — отличный выбор, чтобы освоить как теорию, так и практическое программирование.

1. Введение в машинное обучение — Teach by Doing: https://lnkd.in/gqN2PMX5 2. Что такое машинное обучение? История машинного обучения: https://lnkd.in/gvpNSAKh 3. Типы моделей машинного обучения: https://lnkd.in/gSy2mChM 4. 6 этапов любого ML-проекта: https://lnkd.in/ggCGchPQ 5. Установка Python и VSCode, запуск первого кода: https://lnkd.in/gyic7J7b 6. Линейные классификаторы. Часть 1: https://lnkd.in/gYdfD97D 7. Линейные классификаторы. Часть 2: https://lnkd.in/gac_z-G8 8. Jupyter Notebook, Numpy и Scikit-Learn: https://lnkd.in/gWRaC_tB 9. Запуск алгоритма случайного линейного классификатора на Python: https://lnkd.in/g5HacbFC 10. Самая первая ML-модель — перцептрон: https://lnkd.in/gpce6uFt 11. Реализация перцептрона на Python: https://lnkd.in/gmz-XjNK 12. Теорема сходимости перцептрона: https://lnkd.in/gmz-XjNK 13. Магия признаков в машинном обучении: https://lnkd.in/gCeDRb3g 14. One-hot encoding (одноразрядное кодирование): https://lnkd.in/g3WfRQGQ 15. Логистическая регрессия. Часть 1: https://lnkd.in/gTgZAAZn 16. Функция потерь — кросс-энтропия: https://lnkd.in/g3Ywg_2p 17. Как работает градиентный спуск: https://lnkd.in/gKBAsazF 18. Логистическая регрессия с нуля на Python: https://lnkd.in/g8iZh27P 19. Введение в регуляризацию: https://lnkd.in/gjM9pVw2 20. Реализация регуляризации на Python: https://lnkd.in/gRnSK4v4 21. Введение в линейную регрессию: https://lnkd.in/gPYtSPJ9 22. Пошаговая реализация метода наименьших квадратов (OLS): https://lnkd.in/gnWQdgNy 23. Основы и интуиция гребневой регрессии (Ridge Regression): https://lnkd.in/gE5M-CSM 24. Резюме по регрессии для собеседований: https://lnkd.in/gNBWzzWv 25. Архитектура нейронной сети за 30 минут: https://lnkd.in/g7qSrkxG 26. Интуиция обратного распространения ошибки (Backpropagation): https://lnkd.in/gAmBARHm 27. Функции активации в нейронных сетях: https://lnkd.in/gqrC3zDP 28. Моментум в градиентном спуске: https://lnkd.in/g3M4qhbP 29. Практическое обучение нейросети на Python: https://lnkd.in/gz-fTBxs 30. Введение в сверточные нейронные сети (CNN): https://lnkd.in/gpmuBm3j

👉 @DataSciencegx

⚡⚡⚡Москва: Okko Tech Team вместе с коллегами из MTС и ecom.tech приглашает вас на технический митап! 🙌 📅Когда: 17 апреля в 18.30 📍Где: Москва, Даниловаская мануфактура, Варшавское шоссе 9 стр.1, 5 подъезд, 5 подъезд (* при себе необходимо иметь паспорт для прохода в здание) Программа мероприятия:  👫 18.30-18.45 Сбор гостей  🔖 18.45-19.15  Федулаев Алексей, Head of Cloud Native Security at MTC Web Services Тема: ИИ в безопасности и безопасность в ИИ.   Поговорим о том, как ИИ помогает защищать данные и как защитить сам ИИ от злоумышленников. 🔖 19.15-19.45  Владимир Цельев, Инженер Okko Тема: ClearML: польза и возможные сложности.   Расскажем, почему ClearML — это находка для ML-экспертов, и какие подводные камни могут встретиться на пути к успеху. 🍕19.45-20.00 Перерыв  🔖20.00-20.30 Кристина Пахомова, Инженер данных в ecom.tech Тема: Миграция хранилища данных Мегамаркета: как претерепрь большие изменения в сжатые сроки и не обрушить SLA. Поделимся опытом миграции хранилища данных маркетплейса, расскажем о выбранной стратегии, какие инструменты были разработаны и адаптированы для того, чтобы миграция прошла максимально комфортно и без лишних сюрпризов. 🔖 20.30-21.00 Кирилл Попов, Инженер Okko  Тема: OpenAPI Specification. Организация, сложные типы данных.   Погрузимся в мир OpenAPI спецификаций и узнаем, как организовать работу с ними, чтобы даже самые сложные типы данных стали вашими лучшими друзьями. 🥂 21.00-22.00 Нетворкинг, легкие напитки и закуски станут приятным завершением вечера На митапе от Okko Tech Team всегда интересно, вкусно и нет времени на поскучать☺️  Регистрируйся тут 👈

11 графиков в Data Science, которые используются в 90% случаев 👉 @DataSciencegx