Forwarded from Андрей Созыкин (Andrey Sozykin)
Математика для машинного обучения: статистика
Пост с рекомендациями видео по математике для ML зашел хорошо, поэтому продолжаю. В этот раз о статистике.
1. Книга «Как лгать при помощи статистики», автор Дарелл Хафф (на английском книга называется «How to Lie with Statistics»). Автор использует интересный подход: рассказывает о статистике на примерах, когда ее применяют неправильно. Пример со средней зарплатой используется для того, чтобы показать разницу между тремя видами среднего: среднее арифметическое, медиана и мода. Для некоторых величин, таких как рост человека, три варианта среднего значения близки друг к другу, а для зарплат они сильно отличаются. Почему так происходит, что на это влияет, и как эти знания используют для лжи и манипуляций, читайте в книге.
2. Книга «Голая статистика», автор Чарльз Уилан (Naked Statistics: Stripping the Dread from the Data). Чарльз Уилан тоже рассказывает о статистике на примерах из реальной жизни и этим подчеркивает важность знаний. Однако примеры здесь не только отрицательные, как в книге Хаффа, и их гораздо больше. В целом книга более глубокая, есть даже глава о центральной предельной теореме. Недостаток книги: математики не много, если хотите именно математическую статистику, то эта книга не подойдет.
3. Онлайн курс «Основы статистики», автор Анатолий Карпов, который сейчас делает karpov.courses. Курс бесплатный, размещен на Stepik. В этом курсе рассматриваются основы математической статистики, так что будут не только практические примеры, но и формулы. При этом курс рассчитан на начинающих, в нем почти все понятно. У курса есть продолжения: часть 2 и часть 3, которые также бесплатны и размещены на Stepik. Эти части более глубокие, но в них используется язык R вместо привычного многим Python.
Не останавливайтесь на fit/predict, изучайте статистику 😊
Пост с рекомендациями видео по математике для ML зашел хорошо, поэтому продолжаю. В этот раз о статистике.
1. Книга «Как лгать при помощи статистики», автор Дарелл Хафф (на английском книга называется «How to Lie with Statistics»). Автор использует интересный подход: рассказывает о статистике на примерах, когда ее применяют неправильно. Пример со средней зарплатой используется для того, чтобы показать разницу между тремя видами среднего: среднее арифметическое, медиана и мода. Для некоторых величин, таких как рост человека, три варианта среднего значения близки друг к другу, а для зарплат они сильно отличаются. Почему так происходит, что на это влияет, и как эти знания используют для лжи и манипуляций, читайте в книге.
2. Книга «Голая статистика», автор Чарльз Уилан (Naked Statistics: Stripping the Dread from the Data). Чарльз Уилан тоже рассказывает о статистике на примерах из реальной жизни и этим подчеркивает важность знаний. Однако примеры здесь не только отрицательные, как в книге Хаффа, и их гораздо больше. В целом книга более глубокая, есть даже глава о центральной предельной теореме. Недостаток книги: математики не много, если хотите именно математическую статистику, то эта книга не подойдет.
3. Онлайн курс «Основы статистики», автор Анатолий Карпов, который сейчас делает karpov.courses. Курс бесплатный, размещен на Stepik. В этом курсе рассматриваются основы математической статистики, так что будут не только практические примеры, но и формулы. При этом курс рассчитан на начинающих, в нем почти все понятно. У курса есть продолжения: часть 2 и часть 3, которые также бесплатны и размещены на Stepik. Эти части более глубокие, но в них используется язык R вместо привычного многим Python.
Не останавливайтесь на fit/predict, изучайте статистику 😊
Forwarded from Институт AIRI
Соревнование AIRI х ИППИ РАН на CVPR 2025 🚀
Открыли прием заявок на участие в челлендже по вычислительной фотографии NTIRE 2025 Night Photography Rendering Challenge, все участники которого станут соавторами отчёта на воркшопе NTIRE в рамках конференции CVPR. Подробнее про соревнование — в карточках.
Регистрация и правила участия на сайте. Дедлайн для сдачи решения — 18 марта 2025 года, результаты станут известны 21 марта.
Открыли прием заявок на участие в челлендже по вычислительной фотографии NTIRE 2025 Night Photography Rendering Challenge, все участники которого станут соавторами отчёта на воркшопе NTIRE в рамках конференции CVPR. Подробнее про соревнование — в карточках.
Регистрация и правила участия на сайте. Дедлайн для сдачи решения — 18 марта 2025 года, результаты станут известны 21 марта.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from УЛУЧШУ ВАШУ ЖИЗНЬ!💰 [SCAM]
Please open Telegram to view this post
VIEW IN TELEGRAM
😁1
Forwarded from эйай фор сайенс
Про блоги (easy)
Fourier Neural Operator
Маленький пост про FNO с объяснением ключевых концепций. 10 минут чтения.
Ссылка: https://zongyi-li.github.io/blog/2020/fourier-pde/
#dl #neuralop #pde
Fourier Neural Operator
Маленький пост про FNO с объяснением ключевых концепций. 10 минут чтения.
Ссылка: https://zongyi-li.github.io/blog/2020/fourier-pde/
#dl #neuralop #pde
Forwarded from Machinelearning
MASi3R-SLAM - проект, который умеет строить детальные 3D-карты окружающей среды и отслеживать движение камеры в реальном времени без предварительной калибровки. Система работает даже с изменяющимися во аремени параметрами, например, при зумировании или оптических искажениях.
Основа MASi3R-SLAM - алгоритм, использующий модели DUSi3R и MASi3R для восстановления геометрии сцены по 2 изображениям. DUSi3R анализирует пары изображений, предсказывая детальные карты 3D-точек в общей системе координат, а MASi3R дополнительно генерирует дескрипторы для каждого пикселя, повышая точность сопоставления даже при большом смещении кадров.
Полученные данные от моделей обрабатывает уникальный алгоритм, который анализирует «карты точек», прогнозируемые нейросетью, и находит соответствия между кадрами за 2 миллисекунды, что в 40 раз быстрее аналогов.
В тестировании на наборах TUM RGB-D и EuRoC, показали: MASi3R-SLAM превосходит DROID-SLAM и другие системы по точности траектории (средняя ошибка — 3 см) и детальности 3D-моделей.
На сегодняшний день основное ограничение MASi3R-SLAM — скорость декодера из-за его вычислительной нагрузки: полный цикл обработки одного ключевого кадра занимает в среднем 26–27 миллисекунд, что примерно 64% общего времени работы паплайна.
Например, при разрешении 512 пикселей по длинной стороне декодер MASi3R тратит до 2 секунд на глобальный поиск соответствий, тогда как алгоритм сопоставления сокращает это время до 2 мс. На выходе создается «бутылочное горлышко», которое ограничивает частоту кадров до 15 FPS.
⚠️ Перед установкой необходимо загрузить модели и установить версию Pytorch, соответствующую установленной версии CUDA.
# Create Conda env
conda create -n mast3r-slam python=3.11
conda activate mast3r-slam
# Clone Repo
git clone https://github.com/rmurai0610/MASt3R-SLAM.git --recursive
cd MASt3R-SLAM/
# Install dependencies
pip install -e thirdparty/mast3r
pip install -e thirdparty/in3d
pip install --no-build-isolation -e .
# Launch Live demo with camera
python main.py --dataset realsense --config config/base.yaml
# Or running on a MP4 video
python main.py --dataset <path/to/video>.mp4 --config config/base.yaml
python main.py --dataset <path/to/folder> --config config/base.yaml
@ai_machinelearning_big_data
#AI #ML #CV #3D #SLAM #Robotics
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from эйай фор сайенс
Учебные материалы
6.S898 Deep Learning (medium)
https://phillipi.github.io/6.s898/ - материалы про Deep Learning от MIT. Очень крутой курс в том смысле что он сильно выходит за существующие учебники и популярные материалы. Каждый год программа курса обновляется на 50%, поэтому есть смысл смотреть материалы предыдущих лет. Важная особенность курса — материалы в нём имеют очень авторскую точку зрения на многие аспекты DL.
2023 — https://phillipi.github.io/6.s898/
2022 — https://phillipi.github.io/6.s898/2022/index.html
2021 — https://phillipi.github.io/6.s898/2021/index.html
#dl #cource
6.S898 Deep Learning (medium)
https://phillipi.github.io/6.s898/ - материалы про Deep Learning от MIT. Очень крутой курс в том смысле что он сильно выходит за существующие учебники и популярные материалы. Каждый год программа курса обновляется на 50%, поэтому есть смысл смотреть материалы предыдущих лет. Важная особенность курса — материалы в нём имеют очень авторскую точку зрения на многие аспекты DL.
2023 — https://phillipi.github.io/6.s898/
2022 — https://phillipi.github.io/6.s898/2022/index.html
2021 — https://phillipi.github.io/6.s898/2021/index.html
#dl #cource
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
Код обучения I2V здесь! 🛩️🛩️🛩️🛩️🛩️🛩️
Китайский зверь с 13B-параметрами.
Единственная модель, которая может сравниться с Runway Gen-3 и Wan 2.1.
Генерации выглядит хорошо!
▪Github: https://github.com/Tencent/HunyuanVideo-I2V
▪HF: https://huggingface.co/tencent/HunyuanVideo-I2V
@ai_machinelearning_big_data
#Imagetovideo #diffusionmodels #videogeneration #imagetovideo #generation
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1🔥1
Forwarded from Machinelearning
Как изменились диффузионные модели за 2 года?
Материал подготовили эксперты ШАДа и исследователи Yandex Research по итогам открытого интенсива по компьютерному зрению.
Год: 2025
Читать статью
#ai #report
Материал подготовили эксперты ШАДа и исследователи Yandex Research по итогам открытого интенсива по компьютерному зрению.
Год: 2025
Читать статью
#ai #report
🔥1
Для крупного проекта требуются специалисты, возможна частичная занятость. По всем вопросам обращаться к @Ilya_Bat9
1
Forwarded from Machine learning Interview
This media is not supported in your browser
VIEW IN TELEGRAM
🔥 SpatialLM – это новый инструмент, представляющий собой 3D крупномасштабную языковую модель, разработанную для обработки точечных облаков и генерации структурированных 3D представлений.
Он сочетает в себе возможности обработки неструктурированных 3D геометрических данных с высокоуровневым семантическим пониманием, что открывает новые возможности для разработки в различных областях.
▪ Обработка 3D данных: SpatialLM способен анализировать точечные облака, полученные из монокулярных видео, RGBD изображений и LiDAR-датчиков, что делает его универсальным инструментом для работы с данными из разных источников.
▪ Структурированное представление сцен: Модель генерирует подробные 3D описания, включая распознавание архитектурных элементов (стены, двери, окна) и создание ориентированных ограничивающих рамок для объектов.
▪ Преимущества перед аналогами: В отличие от других методов, требующих специализированного оборудования для сбора данных, SpatialLM работает с широким спектром входных данных, что значительно снижает порог входа для разработчиков.
▪ Полезность для разработчиков: Интеграция SpatialLM позволяет ускорить разработку приложений в таких сферах, как робототехника, автономное вождение и анализ 3D сцен, благодаря возможности быстро и точно интерпретировать сложные пространственные данные.
▪ Современные технологии: Основанный на передовых языковых моделях (например, Llama и Qwen) и использующий SceneScript и TorchSparse, SpatialLM обеспечивает высокую производительность и точность, что делает его конкурентоспособным решением на рынке.
▪ Открытый исходный код: Благодаря открытости проекта, разработчики могут свободно адаптировать и улучшать SpatialLM под специфические задачи, что стимулирует инновации и развитие новых стартапов.
SpatialLM демонстрирует, как современные подходы к обработке 3D данных и глубокое обучение могут быть объединены для создания мощных инструментов, способных значительно расширить возможности современных приложений. Этот инструмент уже сегодня помогает разработчикам реализовывать сложные проекты, требующие точного пространственного понимания, и имеет все шансы стать важной частью экосистемы разработки в ближайшем будущем.
▪Project manycore-research.github.io/SpatialLM/
▪Code github.com/manycore-research/SpatialLM
▪Models https://huggingface.co/manycore-research
Он сочетает в себе возможности обработки неструктурированных 3D геометрических данных с высокоуровневым семантическим пониманием, что открывает новые возможности для разработки в различных областях.
▪ Обработка 3D данных: SpatialLM способен анализировать точечные облака, полученные из монокулярных видео, RGBD изображений и LiDAR-датчиков, что делает его универсальным инструментом для работы с данными из разных источников.
▪ Структурированное представление сцен: Модель генерирует подробные 3D описания, включая распознавание архитектурных элементов (стены, двери, окна) и создание ориентированных ограничивающих рамок для объектов.
▪ Преимущества перед аналогами: В отличие от других методов, требующих специализированного оборудования для сбора данных, SpatialLM работает с широким спектром входных данных, что значительно снижает порог входа для разработчиков.
▪ Полезность для разработчиков: Интеграция SpatialLM позволяет ускорить разработку приложений в таких сферах, как робототехника, автономное вождение и анализ 3D сцен, благодаря возможности быстро и точно интерпретировать сложные пространственные данные.
▪ Современные технологии: Основанный на передовых языковых моделях (например, Llama и Qwen) и использующий SceneScript и TorchSparse, SpatialLM обеспечивает высокую производительность и точность, что делает его конкурентоспособным решением на рынке.
▪ Открытый исходный код: Благодаря открытости проекта, разработчики могут свободно адаптировать и улучшать SpatialLM под специфические задачи, что стимулирует инновации и развитие новых стартапов.
SpatialLM демонстрирует, как современные подходы к обработке 3D данных и глубокое обучение могут быть объединены для создания мощных инструментов, способных значительно расширить возможности современных приложений. Этот инструмент уже сегодня помогает разработчикам реализовывать сложные проекты, требующие точного пространственного понимания, и имеет все шансы стать важной частью экосистемы разработки в ближайшем будущем.
▪Project manycore-research.github.io/SpatialLM/
▪Code github.com/manycore-research/SpatialLM
▪Models https://huggingface.co/manycore-research
🔥2