Машиннное обучение | Наука о данных Библиотека
Відкрити в Telegram
админ - @workakkk @ai_machinelearning_big_data - Machine learning @itchannels_telegram - 🔥лучшие ит-каналы @pythonl - Python @pythonlbooks- python книги📚 @datascienceiot - ml книги📚 № 5037635661
Показати більше
Сітка:📈 Аналітичний огляд Telegram-каналу Машиннное обучение | Наука о данных Библиотека
Канал Машиннное обучение | Наука о данных Библиотека (@machinelearning_books) є активним учасником. На даний момент спільнота об'єднує 16 973 підписників, посідаючи 7 651 місце в категорії Технології та додатки та 38 760 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 16 973 підписників.
За останніми даними від 27 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 104, а за останні 24 години на -3, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.33%. Протягом перших 24 годин після публікації контент зазвичай збирає 3.93% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 244 переглядів. Протягом першої доби публікація в середньому набирає 667 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 9.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як llm, контекст, точность, рассуждение, архитектура.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“админ - @workakkk
@ai_machinelearning_big_data - Machine learning
@itchannels_telegram - 🔥лучшие ит-каналы
@pythonl - Python
@pythonlbooks- python книги📚
@datascienceiot - ml книги📚
№ 5037635661”
Завдяки високій частоті оновлень (останні дані отримано 28 жовтня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
16 973
Підписники
-324 години
+1107 днів
+10430 днів
Завантажуємо дані
Схожі канали
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
жовтень '26жовт '26
жовтень '26
+203
в 1 каналах
вересень '26
+97
в 1 каналах
Get PRO
серпень '26
+103
в 2 каналах
Get PRO
липень '26
+83
в 2 каналах
Get PRO
червень '26
+47
в 1 каналах
Get PRO
травень '26
+53
в 0 каналах
Get PRO
квітень '26
+91
в 0 каналах
Get PRO
березень '26
+95
в 1 каналах
Get PRO
лютий '26
+266
в 1 каналах
Get PRO
січень '26
+356
в 0 каналах
Get PRO
грудень '25
+90
в 1 каналах
Get PRO
листопад '25
+250
в 0 каналах
Get PRO
жовтень '25
+93
в 0 каналах
Get PRO
вересень '25
+201
в 1 каналах
Get PRO
серпень '25
+169
в 0 каналах
Get PRO
липень '25
+264
в 0 каналах
Get PRO
червень '25
+223
в 2 каналах
Get PRO
травень '25
+37
в 3 каналах
Get PRO
квітень '25
+120
в 2 каналах
Get PRO
березень '25
+72
в 0 каналах
Get PRO
лютий '25
+155
в 0 каналах
Get PRO
січень '25
+190
в 1 каналах
Get PRO
грудень '24
+576
в 1 каналах
Get PRO
листопад '24
+1 297
в 1 каналах
Get PRO
жовтень '24
+1 165
в 2 каналах
Get PRO
вересень '24
+533
в 1 каналах
Get PRO
серпень '24
+361
в 1 каналах
Get PRO
липень '24
+394
в 3 каналах
Get PRO
червень '24
+963
в 3 каналах
Get PRO
травень '24
+2 746
в 44 каналах
Get PRO
квітень '24
+690
в 43 каналах
Get PRO
березень '24
+592
в 21 каналах
Get PRO
лютий '24
+889
в 4 каналах
Get PRO
січень '24
+1 283
в 43 каналах
Get PRO
грудень '23
+838
в 39 каналах
Get PRO
листопад '23
+296
в 1 каналах
Get PRO
жовтень '23
+1 102
в 19 каналах
Get PRO
вересень '23
+515
в 0 каналах
Get PRO
серпень '23
+600
в 0 каналах
Get PRO
липень '23
+367
в 0 каналах
Get PRO
червень '23
+691
в 0 каналах
Get PRO
травень '23
+1 715
в 0 каналах
Get PRO
квітень '23
+139
в 0 каналах
Get PRO
березень '23
+130
в 0 каналах
Get PRO
лютий '23
+128
в 0 каналах
Get PRO
січень '23
+259
в 0 каналах
Get PRO
грудень '22
+747
в 0 каналах
Get PRO
листопад '22
+2 777
в 0 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 28 жовтня | +3 | |||
| 27 жовтня | 0 | |||
| 26 жовтня | +1 | |||
| 25 жовтня | +4 | |||
| 24 жовтня | +2 | |||
| 23 жовтня | +1 | |||
| 22 жовтня | +10 | |||
| 21 жовтня | +101 | |||
| 20 жовтня | +9 | |||
| 19 жовтня | +5 | |||
| 18 жовтня | +9 | |||
| 17 жовтня | +24 | |||
| 16 жовтня | +1 | |||
| 15 жовтня | 0 | |||
| 14 жовтня | +3 | |||
| 13 жовтня | +1 | |||
| 12 жовтня | +5 | |||
| 11 жовтня | 0 | |||
| 10 жовтня | +3 | |||
| 09 жовтня | +2 | |||
| 08 жовтня | +3 | |||
| 07 жовтня | +5 | |||
| 06 жовтня | 0 | |||
| 05 жовтня | +3 | |||
| 04 жовтня | +2 | |||
| 03 жовтня | +3 | |||
| 02 жовтня | 0 | |||
| 01 жовтня | +3 |
Дописи каналу
+1
Бесплатная книга «Multimodal Deep Learning» - 272 страницы о том, как нейросети объединяют разные типы данных.
Как связать изображение с текстовым описанием? Научить модель использовать одну модальность для понимания другой? Объединить несколько источников информации в одной архитектуре?
Книга последовательно разбирает:
- Основы работы с текстом и изображениями по отдельности.
- Преобразование одной модальности в другую.
- Совместное обучение представлений: когда данные одного типа помогают лучше понимать другой.
- Архитектуры для одновременной обработки нескольких модальностей.
- Универсальные мультимодальные модели и генеративное искусство.
Материал вырос из исследовательского семинара и подойдёт тем, кто уже знаком с основами глубокого обучения и хочет разобраться в мультимодальных подходах.
На английском. Опубликована в 2023 году – полезна для изучения основ, но не охватывает последние поколения моделей.
PDF: https://arxiv.org/pdf/2301.04856
| 2 |  ИИ может писать рабочий код и одновременно делать проект всё сложнее для разработки.
В эссе The Decoherence Trap автор описывает «декогеренцию»: ситуацию, когда в системе накапливаются решения, каждое из которых разумно само по себе, но плохо согласуется с остальными.
Представьте: один модуль возвращает ошибки исключениями, другой - кодами, третий, объектами результата. Каждая задача решена. Но при объединении приходится постоянно переводить между разными подходами.
Цена изменений начинает определяться количеством несовместимых решений, которые нужно учитывать, и побочных эффектов, которых нужно избежать.
По мысли автора, ИИ ускоряет накопление этой проблемы: быстро создавать локально убедительные решения становится проще, а поддерживать целостность системы по-прежнему трудно.
Отсюда полезный вопрос для ревью: «Этот код работает?» — только начало. «Он согласуется с остальным проектом?» — следующий обязательный шаг.
Чем быстрее команда генерирует код, тем ценнее общие соглашения, понятные границы модулей и удаление дублирующих абстракций.
https://maevyn.codes/decoherence | 1 038 |
| 3 |  Задача IMO 2007, на которой 473 школьника получили ноль
Шестая задача IMO 2007 о покрытии точек куба плоскостями: 473 участника из 520 получили ноль, полный балл у пятерых, среди них будущий филдсовский лауреат Петер Шольце. Разбираем условие и решение.
В июле 2007 года в Ханое прошла 48-я Международная математическая олимпиада (IMO). За медали боролись 520 школьников со всего мира. Шестая задача, последняя во втором туре, оказалась настоящей мясорубкой: 473 участника получили за неё ноль баллов, и только пятеро набрали полные семь. Одним из этих пятерых был 19-летний Петер Шольце из Германии. В 2018 году он получил Филдсовскую премию, самую престижную награду в математике.
Читать дальше: https://uproger.com/zadacha-imo-2007-scholze/ | 1 |
| 4 |  📖 ИИ-агент учится новому - и ломает то, что уже умел.
В новой работе Google DeepMind исследователи проверили агентов, которые улучшают себя без переобучения модели: редактируют системный промпт, память и файлы навыков.
Сравнили ReasoningBank, GEPA и Meta-Harness на последовательностях задач, где менялись темы, процессы и области применения.
GEPA сильнее всего улучшал результаты на текущих задачах — в среднем на 6,2 процентного пункта за блок. Но и падение на остальных было самым большим: 4,3 пункта.
Показательный случай: агент научился запрашивать недостающие детали у пользователя. Позже новые правки перезаписали это правило — и прежний прирост 15,5 пункта сократился до 2,5.
Правка общего промпта ради одной задачи влияет на все последующие. Полезные инструкции конфликтуют, сжимаются или исчезают.
https://arxiv.org/abs/2610.25858 | 1 202 |
| 5 |  🔧 ИИ-агент может вызвать инструмент, которого у него вообще нет
В новом исследовании разобрали галлюцинации инструментов: модели придумывают названия функций и передают аргументы, которых нет в схеме.
На десяти моделях зафиксировали 322 случая таких ошибок. Вызовы вымышленных инструментов чаще встречались при свободной генерации JSON, чем при структурированных вызовах: 34 против 3. Больший размер модели сам по себе проблему не устранял.
Отдельно проверили MCP. При объединении нескольких серверов возникают конфликты имён и подмена одного инструмента другим. Там обнаружили ещё 154 галлюцинации, в том числе у моделей, которые не ошибались в тестах с одним реестром.
Предложенная защита проста: перед проверкой разрешений убедиться, что инструмент существует, а аргументы соответствуют его схеме. Этот подход автор называют *closed-world resolution*: исполнять можно только явно зарегистрированные вызовы.
Для сравнения подобных защит представлен Hallucinated-Tools Benchmark.
https://arxiv.org/abs/2609.19425 | 1 337 |
| 6 |  🎮 Пока ИИ думал, Марио уже погиб
Исследователи Пекинского университета и Samsung создали RealtimeBench: 180 задач в шести играх, включая Mario, Snake и Tetris. Главное условие: игра продолжает идти, пока модель принимает решение.
С паузами GPT-6.1-sol обошла быструю Jev в пяти играх из шести. В реальном времени средние оценки оказались такими:
• GPT-6.1-sol: 1,51 из 100
• Jev: 13,51 из 100
Хорошее решение теряет смысл, если команда прыжка приходит после столкновения.
Авторы предложили TORSI: медленная модель между попытками разбирает ошибки быстрой, проверяет варианты действий и пишет для неё инструкции. Во время игры быстрая модель действует самостоятельно.
После двух раундов средний результат Jev вырос с 13,51 до 24,19, примерно на 79%. Улучшения получили во всех шести играх, без изменения весов модели.
Практическая идея для агентов: быстрые решения во время работы, глубокий разбор и улучшение инструкций между попытками.
https://arxiv.org/abs/2610.20665 | 1 353 |
| 7 |  🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд. | 937 |
| 8 |  ✔️ OpenAI ведёт переговоры о покупке ИБ-компании Trail of Bits
Обе компании уже работали вместе над проектом Patch the Planet, где модели OpenAI в связке с инструментами Trail of Bits автоматически искали и исправляли ошибки в открытом коде.
Нью-йоркская Trail of Bits основана в 2012 году, в ней около 40 сотрудников, специализируется она на реверс-инжиниринге, аудите криптографических систем и поиске уязвимостей в открытом коде, а среди её клиентов Uniswap, Aave и Worldcoin.
Поглощение расширит возможности OpenAI в практической безопасности продуктов.
theinformation.com
✔️ Fish Audio выложила TTS-модель Drama 3
Модель рассчитана на художественный дубляж, аудиокниги и озвучку игр, поддерживает 83 языка и позволяет детально режиссировать эмоции.
Текстовые ремарки в квадратных скобках прямо внутри реплик дают шёпот, смех, гнев и другие эмоциональные краски. В бенчмарке Artificial Analysis Drama 3 показала точность 93,2% при чтении дат и контекстно-зависимых слов, обойдя S2.1 Pro.
Архитектура построена на MoE и несёт 35 млрд общих параметров при 3 млрд активных, с гибридным вниманием Gated DeltaNet и MTP-декодером аудиокодеков.
Веса лежат на Hugging Face, а бесплатно использовать модель в коммерческих проектах могут компании с годовой выручкой до 500 тыс. долларов.
fish.audio
✔️ Prime Intellect купила Moondream вместе с командой
Платформа децентрализованных вычислений забрала разработчика компактных открытых VLM. Ключевая технология стартапа – движок инференса Photon, который компилирует архитектуру модели в единую программу под ускоритель с помощью собственных ядер.
На Nvidia H100 связка Photon и Moondream держит больше 60 запросов в секунду с задержкой в десятки миллисекунд.
Основатели Вик Коррапати и Джей Аллен переходят в Prime Intellect, где займутся масштабированием инфраструктуры инференса, развитием VLM и агентов для управления интерфейсами.
Линейка моделей останется под брендом Moondream, движок Photon уже встроен, а доступ к Moondream 3.1 открыт через Prime Inference. Пользователей Moondream Cloud переведут на объединённую платформу.
primeintellect.ai
✔️ Google открыла Play Store для вайбкодеров
Совершеннолетним пользователям разрешили ставить на свои Android-устройства приложения, собранные в Google AI Studio, без аккаунта разработчика за 25 долларов.
Работают такие приложения в приватном режиме, то есть скрыты из поиска и рекомендаций магазина, а встроенные покупки в них заблокированы полностью. Рассчитано обновление на тех, кто пишет программы под себя и не собирается публиковать их.
В следующих обновлениях Google обещает дать возможность делиться самодельными приложениями с семьёй и друзьями.
bloomberg.com
✔️ OPPO встроит агентов Manus в ColorOS 17
По условиям партнёрства агенты Manus появятся в смартфонах серии Find X10, работать они будут в режиме Agent Mode фирменного ассистента AI Mind Pilot.
Система разберёт составной запрос на последовательность шагов, соберёт данные из установленных приложений, обработает локальные файлы и вызовет внешние API, чтобы выдать результат.
Поиск, сортировку и анализ файлов телефон делает у себя, не передавая содержимое на серверы Manus, а обращения к облачным сервисам и отправка конкретных данных идут только после подтверждения пользователем.
oppo.com
@ai_machinelearning_big_data
#news #ai #ml | 701 |
| 9 |  С вас идея, а Т-Банк за нее заплатит
В Т-Банке ищут трейдеров, разработчиков и тех, кто просто увлекается инвестициями. Зарегистрируйтесь на программу «Инвест. Премаркет» до 11 ноября.
Ваши AI-сценарии для бизнеса смогут побороться за призовой фонд программы — 2 500 000 ₽. А сами идеи Т-Банк поможет масштабировать и сделать частью бизнеса.
Успейте подать заявку до 11 ноября | 1 131 |
| 10 |  🧠 BERT жив. UltraBERT показал, что рецепт обучения может быть важнее дополнительных триллионов токенов.
Вышли открытые энкодеры на 152 млн и 380 млн параметров с контекстом 32K. Для классификации текста, распознавания сущностей, поиска ответов, оценки качества и retrieval.
Главная фишка обучения:
• В одних примерах скрывают 5% токенов: это помогает классификации.
• В других скрывают 50%: это помогает поиску.
• Для каждого режима используют отдельную выходную голову.
• Знания модели-учителя на 1,3 млрд параметров передают только примерам с 5% маскирования.
Почему выборочно? В экспериментах дистилляция улучшала классификацию, но ухудшала поиск при высоком маскировании. Универсального «учитель всегда делает ученика лучше» не получилось.
Ещё один показательный вывод: после 1–2 трлн токенов качество на прикладных задачах выходило на плато, хотя loss продолжал снижаться.
По сравнению авторов, версия 380M лидирует на GLUE и BEIR среди сопоставимых энкодеров. Младшая модель достигает уровня RoBERTa-large в классификации при 2,3 раза меньшем числе параметров.
Веса, код и лицензия Apache 2.0:
https://huggingface.co/collections/dmis-lab/ultrabert
Статья:
https://arxiv.org/abs/2610.15028 | 1 334 |
| 11 |  📓 Лейденский университет выложил бесплатный учебник по ИИ-агентам на 472 страницы
Учебник Agentic Large Language Models на 472 страницы: от токенизации до мультиагентных систем, с практическими кейсами и сайтом курса.
Что внутри
Книга разбита на семь частей. Первая посвящена языковому моделированию: токенизация, эмбеддинги, механизм внимания, весь пайплайн обучения от сбора данных до выравнивания, законы масштабирования, маленькие модели и энергопотребление. Вторая рассказывает о рассуждениях: chain of thought, саморефлексия, мультимодальные модели, vision-language-action модели для роботов, модели мира и метаобучение.
https://uproger.com/agentic-llm-uchebnik-leiden/ | 1 805 |
| 12 |  Почему наша первая нейросеть проиграла CatBoost
Мы хотели заменить CatBoost нейросетью в рекомендациях на главной Авито. Расчёт был простой: данных много, эмбеддинги хорошие, значит, модель выиграет за счёт масштаба.
Первый A/B-тест ушёл в минус: −6% пользователей с контактами. Вторая и третья модели тоже проигрывали CatBoost.
Чтобы найти, что даёт рост, понадобилось пять итераций. В статье разбираем:
✨ какой лосс заменил бинарную кросс-энтропию и до сих пор работает в проде;
✨ почему общая офлайн-метрика скрывала просадку по контактам;
✨ что дала история пользователя в трансформере.
В итоге +4,3% пользователей с контактами из рекомендаций и +0,8% пользователей, совершивших сделку.
Читать на Хабре
Больше про DS в Авито пишем в канале «Доска AI-объявлений». | 1 391 |
| 13 |  🧑💻 Бенчмарки кодинг-агентов плохо отражают то, как с ними работают разработчики.
В тесте агент получает подробную задачу и сдаёт готовый патч. В реальном диалоге пользователь просит объяснить код, составить план, проверить изменения, а затем переключается на другую задачу.
Исследователи JetBrains собрали 4 782 реальные сессии и подробно изучили те, где было минимум три сообщения пользователя. Такие диалоги оказались гораздо разнообразнее задач из бенчмарков.
Авторы предложили SWE-TaskFlow: разбивать исходную задачу на несколько сообщений и добавлять проверяемые вопросы о репозитории, сохраняя исходные тесты.
На 700 задачах SWE-Bench Pro пошаговый формат примерно удвоил стоимость работы агента, но устойчивого изменения доли решённых задач не дал. Сам формат общения заметно влияет на оценку.
Вывод авторов: сначала изучите, как ваши пользователи работают с агентом, затем стройте бенчмарк под эти сценарии.
https://arxiv.org/abs/2610.09633 | 1 455 |
| 14 |  🧠 Есть ли у Claude сознание? Автор диссертации на эту тему сомневается
На фоне обсуждений машинного сознания Майкл Тимоти Беннетт поделился своей позицией:
> «Я достаточно уверен, что Claude не обладает сознанием».
В 2025 году он подготовил в Австралийском национальном университете PhD-диссертацию How To Build Conscious Machines. В ней исследует, что такое субъективный опыт и какие свойства могли бы позволить машине им обладать.
Оценка Claude прозвучала в посте автора. Сама диссертация посвящена более широкому вопросу: как вообще создать машину с сознанием.
📄 Работа: https://openresearch-repository.anu.edu.au/bitstreams/6f333f30-2553-4032-8c3f-ff7a8f46f03a/download | 1 788 |
| 15 |  ⚡️ Петля Карпати: как заставить ИИ работать, пока вы спите
Как устроен цикл Карпати из репозитория autoresearch, почему он нашел 20 улучшений за два дня и как двухуровневый цикл сделал подход в пять раз эффективнее.
Плюс готовый промпт, чтобы попробовать.
Большинство до сих пор работает с ИИ так же, как с поисковиком в 2005 году. Написал запрос, прочитал ответ, написал следующий. Модель ничего не делает, пока вы ее не толкнете, и весь прогресс держится на вас.
Пару лет этого хватало. Сейчас те, кто выжимает из ИИ в разы больше, строят циклы: задают цель и отпускают агента работать до результата. Самым громким примером такого подхода стал Андрей Карпати.
https://uproger.com/loop-engineering-petlya-karpati/ | 1 915 |
| 16 |  📚 Бесплатная 309-страничная книга по Machine Learning: _Patterns, Predictions, and Actions_.
Авторы — Moritz Hardt и Benjamin Recht. Это полноценный учебник, который разбирает ML через три идеи: паттерны в данных → предсказания → действия.
Внутри:
- supervised learning
- optimization и generalization
- causality
- causal inference
- reinforcement learning
- sequential decision making
- история и влияние ML на общество
Для чтения достаточно базовых знаний теории вероятностей, матанализа и линейной алгебры.
Хороший способ одновременно прокачать математику и лучше понять, как устроен современный ML.
Книга | 2 024 |
| 17 |  11 бесплатных книг по AI и Machine Learning, которые можно читать онлайн или скачать 📚
Подборка сильная: от классического ML и deep learning до RL, multi-agent систем и probabilistic ML.
1. Foundations of Machine Learning
https://cs.nyu.edu/~mohri/mlbook/
2. Understanding Deep Learning
https://udlbook.github.io/udlbook/
3. Introduction to Machine Learning Systems
Vol. 1: https://mlsysbook.ai/vol1/
Vol. 2: https://mlsysbook.ai/vol2/
4. Algorithms for Machine Learning
https://algorithmsbook.com/
5. Deep Learning
https://www.deeplearningbook.org/
6. Reinforcement Learning
https://www.andrew.cmu.edu/course/10-703/
7. Distributional Reinforcement Learning
https://direct.mit.edu/books/oa-monograph/
8. Multi-Agent Reinforcement Learning
https://www.marl-book.com/
9. Agents in the Long Game of AI
https://direct.mit.edu/books/oa-monograph/
10. Fairness and Machine Learning
https://fairmlbook.org/
11. Probabilistic Machine Learning
Part 1: https://probml.github.io/pml-book/book1
Part 2: https://probml.github.io/pml-book/book2
Хороший набор, если хочется закрыть путь от базового ML до современных агентных и вероятностных подходов без покупки дорогих учебников. | 2 001 |
| 18 |  Как сегодня строят рекомендательные системы — и что будет с ними завтра?
30 сентября собираем RecSys-сообщество — разработчиков, ML/DS-специалистов и всех, кто делает персонализацию и рекомендации в реальных продуктах.
В программе — доклады от экспертов Сбера. Поговорим о свежих подходах и нестандартных решениях на реальных кейсах.
А после докладов переключаемся на неформальный режим: знакомимся, спорим про RecSys, обсуждаем идеи, находим единомышленников и просто хорошо проводим вечер среди своих.
📍г. Нижний Новгород, пространство «Гараж»
Количество мест ограничено — успей забрать своё по ссылке! | 1 239 |
| 19 |  💼 ИИ всегда поддерживает подростка. А помогает ли это ему взрослеть?
В статье на arXiv исследователи описывают риск, который называют «эмоциональным поддакиванием». Если чат-бот постоянно подтверждает тревожные мысли и сразу выдаёт готовое решение, ребёнок может реже учиться проверять свои выводы и справляться со сложной задачей самостоятельно.
Авторы предлагают иной подход для детских ИИ-сервисов: сохранять доброжелательность, но задавать уточняющие вопросы, мягко оспаривать ошибочные выводы и помогать ребёнку думать самому.
Важная оговорка: статья выдвигает гипотезу и предлагает архитектуру такой системы. Она не доказывает, что ChatGPT уже вызвал у детей «когнитивную атрофию» или что предложенное решение работает.
Исследование - https://arxiv.org/abs/2603.29886 | 1 628 |
| 20 |  📚За 146 часов обучения покажем на практике, как внедрять модели машинного обучения в рабочую среду на курсе: «MLOps».
🎁 Записывайтесь на 3 бесплатных вебинара — познакомьтесь с программой обучения и преподавателями. Задайте свои вопросы экспертам!
1⃣29 сентября, 20:00 мск — «MLFlow — контроль над ML-экспериментами»: разберём, как не терять лучшие модели и параметры, и на практике внедрим MLFlow для трекинга экспериментов и версионирования.
2⃣15 октября, 18:00 мск — «Автоматизация ML-экспериментов с GitLab CI/CD и CML»: покажем, как запускать обучение моделей автоматически при каждом коммите и отслеживать метрики прямо в Merge Requests.
3⃣26 октября, 20:00 мск — «Data Drift в машинном обучении: почему модели деградируют в продакшене»: разберём, как вовремя замечать смещение данных и не дать модели незаметно потерять качество.
Записывайтесь ➡ https://otus.pw/IW3i/?erid=2W5zFK7KpTK
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. | 659 |
