Machinelearning

Data Engineer (lead) Формат: классный офис в Москве/гибрид/удаленно; Доход: 300-400К+ руб.; Форма оформления: по ТК/ИП; О нас: Мы занимаемся разработкой data-платформы, в рамках которой развиваются различные data-продукты: • рекомендательные системы; • сервисы аналитики и визуализации данных; • ML-модели; • иные решения для решения бизнес-задач. Наша команда это 25 инженеров с сильнейшими компетенциями в ML, аналитике и работе с данными, и сейчас мы ищем классных ребят для дальнейшего роста. У нас нет долгих согласований и бюрократии. Мы стремимся к быстрому внедрению в production, с последующей работой над улучшениями. Что нужно будет делать: • Проектировать, разрабатывать и поддерживать пайплайны для сбора и обработки данных; • Обеспечивать SLA и качество данных; • Готовить данные для моделей машинного обучения и участвовать в их продукционализации совместно с data science командой; • Работать в команде и развивать отдел DE. Будет классно, если у тебя: • Хорошее знание технологий из стека: Python, SQL, Spark, Airflow; • Опыт работы на проектах с большими данными, понимание принципов распределенной обработки данных; • Опыт продуктовой разработки в технологических компаниях; • Опыт постановки задач; • Опыт наставничества; • Отличные коммуникативные навыки. Ты покоришь наши сердца и разум, если у тебя: • Опыт работы с облаками, особенно, с Яндекс.Облаком; • Опыт разработки высоконагруженных бэкенд сервисов на Java, Scala или Python; • Опыт работы с моделями машинного обучения в продакшене; • Опыт работы с базами данных для аналитики, особенно, с ClickHouse. Мы предлагаем: • Работу в аккредитованной IT компании с сильнейшей командой в разных масштабных проектах; • Гибридный график работы 5/2, с 10:00 - 19:00; • ДМС со стоматологией; • В современном офисе в стиле Лофт с капсулой медитации, спортзалом, большой современной библиотекой и кабинетом для записи подкастов и треков; • Комфортную кухню с холодильником, кофемашиной, тостером, микроволновкой и Magic Bullet; • Холодильник с напитками (соки, энергетики, вода и т.д.) и едой (сыры, колбасы, сырки и м.ч.); • Каждую пятницу совместные обеды с разными кухнями мира за счет компании. За подробностями пиши: tg @naikava @datascienceml_jobs - вакансии Data Science, Devops

Multivariate Probabilistic Time Series Forecasting with Informer Efficient transformer-based model for LSTF. Применение модели Informer от Hugging Face для задач многомерного вероятностного прогнозирования. 🤗Hugging face: https://huggingface.co/blog/informer ⏩ Paper: https://huggingface.co/docs/transformers/main/en/model_doc/informer ⭐️ Colab: https://colab.research.google.com/github/huggingface/notebooks/blob/main/examples/multivariate_informer.ipynb 💨 Dataset: https://huggingface.co/docs/datasets/v2.7.0/en/package_reference/main_classes#datasets.Dataset.set_transform ai_machinelearning_big_data

🖥 MIT Introduction to Deep Learning 2023 Lecture 1 *New 2023 Edition* Foundations of Deep Learning Премьера новых лекции курса Introduction to Deep Learning от MiT 🎞 Video: https://www.youtube.com/watch?v=N4AcIfaROEQ 📝 Lectures: http://introtodeeplearning.com/ ai_machinelearning_big_data

Openicl New open-source toolkit for ICL and LLM evaluation. OpenICL - новый фреймворк для исследования, разработки и созданию прототипов для задач in-context learning. pip install openicl 🖥 Github: https://github.com/shark-nlp/openicl ⏩ Paper: https://arxiv.org/abs/2303.02913 ⭐️ Dataset: https://paperswithcode.com/dataset/gsm8k 💨 Docs: https://github.com/shark-nlp/openicl#docs ⏩ Examples: https://github.com/Shark-NLP/OpenICL/tree/main/examples ai_machinelearning_big_data

Openicl New open-source toolkit for ICL and LLM evaluation. OpenICL - новый фреймворк для исследования, разработки и созданию прототипов для задач in-context learning. pip install openicl 🖥 Github: https://github.com/shark-nlp/openicl ⏩ Paper: https://arxiv.org/abs/2303.02913 ⭐️ Dataset: https://paperswithcode.com/dataset/gsm8k 💨 Docs: https://github.com/shark-nlp/openicl#docs ⏩ Examples: https://github.com/Shark-NLP/OpenICL/tree/main/examples ai_machinelearning_big_data

Яндекс Практикум ищет ревьюеров на курс «Продуктовый аналитик» Ревьюеры помогают студентам создавать работы для портфолио продуктового аналитика. Проект можно совмещать с основной работой: он будет занимать от 8 до 12 часов в неделю, удалённо.    Какие задачи нужно будет решать? — проверять проекты студентов и оценивать в формате «зачёт/ не зачёт», — простыми словами объяснять их ошибки, — давать корректирующую обратную связь.  Кого мы ждём? Действующих продуктовых аналитиков с опытом от года, которые проводили продуктовые исследования и разбираются в метриках. Важно владеть математической статистикой, SQL и Tableau или Apache Superset.  Что мы предлагаем? ◾️ Удалённое сотрудничество из любой точки мира. ◾️ Ежемесячный доход. ◾️ Сертификат в портфолио. ◾️ Развитие софт-скиллов: тайм-менеджмент, обратная связь, объяснение материала. ◾️ Профессиональное коммьюнити: нетворкинг, возможность писать статьи и участвовать в мероприятиях Яндекса и Яндекс Практикума. 🖇Откликнуться

🧩 Building LEGO for 3D Reconstruction on Mobile Devices A novel data capturing and 3D annotation pipeline in MobileBrick without relying on expensive 3D scanners. MobileBrick - это первый многоракурсный набор данных RGBD, снятый на мобильное устройство, с точными 3D-аннотациями для детальной реконструкции 3D-объектов. 🖥 Github:https://github.com/ActiveVisionLab/MobileBrick ⏩ Paper: https://arxiv.org/abs/2303.01932 ⭐️ Dataset: http://www.robots.ox.ac.uk/~victor/data/MobileBrick/MobileBrick_Mar23.zip 💨 Project: https://code.active.vision/MobileBrick/ ai_machinelearning_big_data

Знаешь, что можно сделать с петабайтами данных о товарах, чтобы помочь бизнесу? Разработай продукт на основе данных из национальной системы цифровой маркировки «Честный знак» на хакатоне Marking Hack 24—26 марта. Собери команду и и поборись за призовой фонд - 900 тысяч рублей! Заявки принимают до 14 марта. Подробности о хакатоне — на сайте. Организатор: «Честный знак» (ЦРПТ)

Ultra fast ControlNet with 🧨 Diffusers ControlNet provides a minimal interface allowing users to customize the generation process up to a great extent. Новый пайплайн StableDiffusionControlNetPipeline, в статье показано, как его можно применять для различных задач. Давайте контролировать! 🤗 Hugging face blog: https://huggingface.co/blog/controlnet 🖥 Colab: https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/controlnet.ipynb 🖥 Github: https://github.com/lllyasviel/ControlNet ⏩ Paprer: https://arxiv.org/abs/2302.05543 @ai_machinelearning_big_data

🧬 Примите участие в международной конференции Data Fusion 2023 от ВТБ, которая пройдёт 13-14 апреля. Конференция будет полезна разработчикам и специалистам в области Data Science, CDO, бизнес-заказчикам DS-продуктов и сервисов, представителям государства и науки. Первый день конференции будет посвящен аспектам управления данными, практикам перехода на доверенные технологии, доступности дата-сетов для ИИ и другим темам, актуальным для CDO и руководителей бизнес-подразделений. Программа 14 апреля адресована data science специалистам и исследователям. Темы докладов и сессий распределены по трем стримам: «ML+», «AI Classic», «ML Environment». На конференции представят новейшие технологии и инструменты, а также будут проведены практические сессии и выступления ведущих предприятий. Не пропустите возможность улучшить свои навыки и расширить свои знания в области Data Science. Участие в конференции бесплатное. Успейте зарегистрироваться по ссылке: https://cnrlink.com/datafusion1

⭐️ SplineCam: Exact Visualization and Characterization of Deep Network Geometry and Decision Boundaries, CVPR 2023 Exact method for computing partitions of a Deep Neural Network 🖥 Github: http://github.com/AhmedImtiazPrio/SplineCAM 🖥 Colab: https://bit.ly/splinecam-demo ⏩ Paper: http://arxiv.org/pdf/2302.12828.pdf ⭐️ Project: http://imtiazhumayun.github.io/splinecam ai_machinelearning_big_data

⭐️ Dropout Reduces Underfitting from Meta Early dropout helps underfitting models fit the data better and achieve lower training loss. Late dropout helps improve the generalization performance of overfitting models. Early dropout (ранний отсев) помогает подгонять недообученные модели и достигать меньших потерь при обучении. Late dropout (поздний отсев) помогает улучшить производительность моделей и решает проблему переобучения. 🖥 Github: https://github.com/facebookresearch/dropout ⏩ Paper: https://arxiv.org/abs/2303.01500v1 ⭐️ Dataset: https://paperswithcode.com/dataset/oxford-102-flower ai_machinelearning_big_data

🖥 pyribs: A Bare-Bones Python Library for Quality Diversity Optimization A bare-bones Python library for quality diversity optimization. 🖥 Github: https://github.com/wjn1996/hugnlp ⏩ Paper: https://arxiv.org/abs/2303.00191v1 ⭐️ Dataset: https://paperswithcode.com/dataset/quality-diversity-benchmark-suite @ai_machinelearning_big_data

🔥 Приглашаем на открытый урок углубленного курса «Machine Learning. Professional» в OTUS 9 марта в 18:00 мск — Рекомендательные системы на основе SVD алгоритма ✅ На занятии мы обсудим один из самых мощных алгоритмов классического ML для построения рекомендательных систем, основанный на сингулярном разложении матрицы. А после короткой теоретической части, вы примените его на практике. Познакомитесь с задачей рекомендательных систем. Изучите подход на основе SVD разложения матрицы для построения рекомендательной системы. Примените его на практике. 🧑‍💻Кому подходит этот урок: - IT-специалистам которые хотят освоить продвинутые методы ML и перейти в Data Science - Дата-сайентистам, желающим углубиться в профессию - Тем кто самостоятельно изучает Data Science и уже изучил основы ML 👉 Пройдите вступительный тест для участия в вебинаре https://otus.pw/8LTCX/

😊 HugNLP HugNLP is a unified and comprehensive NLP library based on HuggingFace Transformer. HugNLP — это новая универсальная NLP библиотека основанная на Hugging Face, для повышения удобства и эффективности работы c текстами. 🖥 Github: https://github.com/wjn1996/hugnlp ⏩ Paprer: https://arxiv.org/abs/2302.14286v1 ⭐️ Dataset: https://paperswithcode.com/dataset/clue ⏩ HF for complex text classification: https://huggingface.co/blog/classification-use-cases @ai_machinelearning_big_data

👁 Deep Contextual Video Compression A group-based offset diversity where the cross-group interaction is proposed for better context mining. Официальная реализация Pytorch для нейронного сжатия видео и изображений. 🖥 Github: https://github.com/microsoft/dcvc ⭐️Paper: https://arxiv.org/abs/2302.14402v1 💻 Dataset : https://paperswithcode.com/dataset/vimeo90k-1 ai_machinelearning_big_data

В @Selectel появились новые конфигурации выделенных серверов с GPU для Machine Learning, инференса и других задач, связанных с обработкой больших данных. Вы можете арендовать одну из готовых конфигураций или собрать собственную: например, с NVMe-дисками, большим объемом памяти, несколькими видеокартами или сетевой картой 10 Гбит/с — под любые требования вашего проекта. На все проекты в аккаунте вы получаете бесплатный безлимитный канал 1 Гбит/c. Серверы по умолчанию соответствуют стандартам 152-ФЗ — российского закона о персональных данных. Вы можете арендовать сервер даже на день, чтобы протестировать все возможности GPU, но при долгосрочной аренде на 3, 6 и 12 месяцев действуют скидки до 15%. Чтобы заказать сервер, достаточно сделать пару кликов в удобной панели — и никакого установочного платежа. Регистрируйтесь по ссылке и заказывайте выделенный сервер c GPU: https://slc.tl/vhka6 Реклама ООО Селектел Pb3XmBtzsznTqpXrcbeF5CSCByyCeyTAiAcCx6U

📃OccDepth: A Depth-aware Method for 3D Semantic Occupancy Network Maybe the first academic open work on stereo 3D SSC method with vision-only input. Первый метод SSC под названием OccDepth, который использует неявную информацию из стереоизображений для восстановления трехмерных геометрических структур. 🖥 Github: https://github.com/megvii-research/occdepth ⭐️Paper: https://arxiv.org/abs/2302.13540v1 💻 Dataset : https://paperswithcode.com/dataset/nyuv2 ai_machinelearning_big_data

💡 The ChatGPT Cheat Sheet Подробная шпаргалка по работе с ChatGpt. 💨 Cheat Sheet ai_machinelearning_big_data

🌐 Как наладить технологии автоматического перевода в своём проекте? В статье на Хабре Андрей Соколов из команды прикладных исследований ВКонтакте подробно и доступным языком рассказал о том, как они сделали свой переводчик для постов и сообщений в мессенджере. Материал будет полезен для тех, кто тоже хочет попробовать использовать и развернуть переводы у себя в проекте. Для чтения статьи не потребуется специальный уровень знаний: в ней нет излишних технических подробностей. При этом в ней вы найдёте ссылки на полезные ресурсы и выдержки из интересных источников. ai_machinelearning_big_data