Аналитик данных

👌 Deep Learning на пальцах Это бесплатный курс по глубокому обучению, который читает исследователь MIT Семён Козлов. В том же объёме курс читается и для магистрантов Новосибирского Государственного Университета, а также студентов CS центра Новосибирска. Хоть он проходил в мае, на сайте доступны видеолекции, слайды, а также задания по курсу. Вот темы, которые он охватывает: ▪️Python, numpy, notebooks ▪️Нейронные сети ▪️PyTorch и подробности ▪️Введение в NLP, компьютерное зрение, распознавание речи и обучение с подкреплением. 🔗 Ссылка на материалы

🖥 Polars 1.0 — наконец-то — pip install polars 1 июля 2024 года состоялся релиз открытой библиотеки для быстрой обработки данных Python Polars 1.0 на Rust и Python. Этим мажорным выпуском разработчики подтвердили, что компоненты in-memory engine и API проекта Polars готовы к стабильной работе. Они убеждены, что Polars находится в том состоянии, когда это уже один из лучших проектов с открытым исходным кодом для быстрого моделирования данных, ориентированного на вертикальное масштабирование. Планы на будущее проекта Python Polars: улучшение функциональности, масштабируемости и производительности. Выпуск первой основной версии отмечает момент времени, когда разделение между API и фактической реализацией достаточно стабильное, чтобы разработчики могли продолжать улучшать проект и поддерживать необходимую обратную совместимость. Также в планах разработчиков проекта: поддержка right join и non-equi join, расширенная поддержка метаданных, поддержка re-ordering optimization и расширенная поддержка SQL. 🖥 GitHub @pythonl

🔥 БЕСПЛАТНОЕ учебное пособие по диффузионным моделям и согласованию потоков для ML! Это крутое учебное пособие, созданное Apple. Аудитория: начинающие специалисты в области диффузии с техническим образованием, например, студенты старших курсов или аспиранты. Учебное пособие состоит из пяти частей: • Основы диффузии • Создание стохастического диффузионного самплера • Создание детерминированного диффузионного самплера • Изучение согласования потоков к • Пракстические прмиеры Исследуйте диффузию шаг за шагом: https://arxiv.org/pdf/2406.08929 Аналитика данных

Полезный и удобный каталог исследований по ML Papers, Code, Datasets в удобной структуре и под лицензией CC-BY-SA. 134 тысячи исследований и проектов, есть подписка на newsletter, есть библиотека моделей. (More - Libraries) https://paperswithcode.com/ Этот каталог является частью портала Papers With Code от Meta AI Research, помимо ML на портале представлены исследования и код по: - Computer Science (14829 papers) - Physics (9898 papers) - Mathematics (5460 papers) - Astronomy (5346 papers) - Statistics (3948 papers) https://portal.paperswithcode.com/

🚀 Популярный учебник по машинному обучению ШАДа, то спешим сообщить —недавно там появились новые главы. В частности: ▪Обучение представлений и Дистилляция знаний ▪Целый раздел про генеративные модели ▪Раздел про рекомендательные системы ▪Временные ряды ▪Теория глубокого обучения ▪Онлайн-обучение ▪Вероятностные распределения, параметрические оценки, энтропия @data_math

🌟 Meta LLM Compiler — семейство LLM с дополнительными возможностями оптимизации кода Буквально пару часов назад Meta выкатили LLM Compiler — семейство моделей на основе Code Llama с дополнительными возможностями оптимизации кода и компилятора. Эти модели могут эмулировать компилятор и дизассемблировать код. 🤗 llm-compiler-7b 🤗 llm-compiler-13b @ai_machinelearning_big_data

✍️ Learn Data Structures and Algorithms with Python Это небольшие материалы на CodeAcademy по различным структурам данных и алгоритмам, реализованным на Python. Довольно просто объясняют суть и сопровождаются кодом. ▫️Node (узел) ▫️Linked List (связный список) ▫️Doubly Linked Lists (двусвязный список) ▫️Queues (очереди) ▫️Stacks (стек) ▫️Hash Maps (хеш-таблицы) ▫️Recursion (рекурсия) ▫️Sorting Algorithms (алгоритмы сортировки) ▫️Trees (деревья) ▫️Heaps (куча) ▫️Greedy Algorithms (жадные алгоритмы)

🌟 DataComp-LM — комплексный фреймворк, предназначенный для построения и обучения LLM на различных наборах данных DataComp-LM предлагает стандартизированный набор из более чем 300Т нефильтрованных лексем из CommonCrawl, эффективные рецепты предварительного обучения на основе фреймворка open_lm и большой набор из более чем 50 бенчмарков. DCLM позволяет исследователям экспериментировать с различными стратегиями построения наборов данных в различных вычислительных масштабах, от 411M до 7B моделей с параметрами. 🖥 GitHub 🟡 Arxiv @data_analysis_ml

Больше не нужно искать тематические каналы и по отдельности на них подписываться — мы сделали это за вас 👍 Вам остается только перейти по ссылке, сохранить папку себе и регулярно получать полезные ресурсы и знания из сферы «Продакт, ИИ» https://t.me/addlist/pr7M9cPgdo0zOGE6 Хочешь в подборку?