Forwarded from Machinelearning
✏️ Модель для генерации субтитров, созданная Яндекс Браузером
Итак, Яндекс запустил внутри браузера новую нейросеть: она создаёт субтитры к любым русскоязычным видео на любом сайте. Субтитры работают даже для тех роликов, которые доступны после авторизации или загружены в облачные хранилища.
Нейросеть стала потреблять в 5 раз меньше оперативной памяти: оптимизация буферов и моделей позволили дойти до отметки в 150 Мб вместо 800 Мб. Для этого разработчики уменьшали накапливающиеся буферы, меняли архитектуру модели и перенастраивали процесс декодирования.
За основу взята архитектура VGGTransformer. Нейросеть обучили на блочное применение — это когда предсказание работает с помощью скользящего окна со сдвигом.
Подробнее про генерацию субтитров можно почитать в статье на Хабре.
ai_machinelearning_big_data
Итак, Яндекс запустил внутри браузера новую нейросеть: она создаёт субтитры к любым русскоязычным видео на любом сайте. Субтитры работают даже для тех роликов, которые доступны после авторизации или загружены в облачные хранилища.
Нейросеть стала потреблять в 5 раз меньше оперативной памяти: оптимизация буферов и моделей позволили дойти до отметки в 150 Мб вместо 800 Мб. Для этого разработчики уменьшали накапливающиеся буферы, меняли архитектуру модели и перенастраивали процесс декодирования.
За основу взята архитектура VGGTransformer. Нейросеть обучили на блочное применение — это когда предсказание работает с помощью скользящего окна со сдвигом.
Подробнее про генерацию субтитров можно почитать в статье на Хабре.
ai_machinelearning_big_data
Forwarded from Институт AIRI
Рассказываем про следующий #AIRIseminars 👇
🔵 Дата и время: 20 сентября в 17:00 на YouTube-канале AIRI
🔵 Тема: «Генеративные модели для физических исследований»
🔵 Докладчик: Федор Ратников, ВШЭ
🔵 Оппонент: Семен Буденный, AIRI, Сбер
🔵 Подробное описание семинара читайте по ссылке
До встречи в среду!
До встречи в среду!
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from эйай ньюз
🔥 OpenAI анонсировали DALL-E 3
DALL-E 3 обещает быть интегрированной с ChatGPT, то есть не нужно будет думать над промптами (привет промпт-инженерам). Достаточно будет в пару слов описать, что вы хотите нарисовать, и ChatGPT придумает детальные промпты для вас.
Особое внимание уделили деталям и научили модель лучше прнимать контекст изображения, описанный в длинных промптах (DALLE-3 любит многословность описаний).
Пока никому не дают потрогать модель, показали только с дюжину генераций. Поэтому трудно судить насколько это будет SOTA, и как медленно это будет работать.
Я полагаю, это будет огромная диффузия в несколько этапов с GPT-4 в качестве текстового энкодера и всяческими свистелками-перделками, о которых мы не узнаем.
В октябре обещают дать доступ юзерам ChatGPT Plus and ChatGPT Enterprise. А после этого может быть ресерчерам.
https://openai.com/dall-e-3
@ai_newz
DALL-E 3 обещает быть интегрированной с ChatGPT, то есть не нужно будет думать над промптами (привет промпт-инженерам). Достаточно будет в пару слов описать, что вы хотите нарисовать, и ChatGPT придумает детальные промпты для вас.
Особое внимание уделили деталям и научили модель лучше прнимать контекст изображения, описанный в длинных промптах (DALLE-3 любит многословность описаний).
Пока никому не дают потрогать модель, показали только с дюжину генераций. Поэтому трудно судить насколько это будет SOTA, и как медленно это будет работать.
Я полагаю, это будет огромная диффузия в несколько этапов с GPT-4 в качестве текстового энкодера и всяческими свистелками-перделками, о которых мы не узнаем.
В октябре обещают дать доступ юзерам ChatGPT Plus and ChatGPT Enterprise. А после этого может быть ресерчерам.
https://openai.com/dall-e-3
@ai_newz
Forwarded from Machinelearning
🔎Detect Every Thing with Few Examples
DE-ViT surpasses the few-shot SoTA by 15 mAP on 10-shot and 7.2 mAP on 30-shot and one-shot SoTA by 2.8 AP50.
Высокоточный детектор объектов, который в отличие от популярного подхода с открытым словарем, описывает каждую категорию объектов не языком, а несколькими опорными изображениями. DE-ViT демонстрирует новые достижения в области обнаружения объектов с открытым словарем, несколькими снимками и одним снимком в сравнении с COCO и LVIS .
git clone https://github.com/mlzxy/devit.git
🖥 Github: https://github.com/mlzxy/devit
📕 Paper: https://arxiv.org/abs/2309.12969v1
⭐️ Dataset: https://paperswithcode.com/dataset/mscoco
ai_machinelearning_big_data
DE-ViT surpasses the few-shot SoTA by 15 mAP on 10-shot and 7.2 mAP on 30-shot and one-shot SoTA by 2.8 AP50.
Высокоточный детектор объектов, который в отличие от популярного подхода с открытым словарем, описывает каждую категорию объектов не языком, а несколькими опорными изображениями. DE-ViT демонстрирует новые достижения в области обнаружения объектов с открытым словарем, несколькими снимками и одним снимком в сравнении с COCO и LVIS .
git clone https://github.com/mlzxy/devit.git
ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Machine learning Interview
JIT‑компиляция (Just‑In‑Time compilation) — это процесс, при котором код на высокоуровневом языке преобразуется в код на низкоуровневом языке, который может быть быстрее и эффективнее исполнен процессором или графическим ускорителем. torch.compile() использует TorchDynamo и заданный бэкенд для JIT‑компиляции кода PyTorch.
Рассмотрим, насколько эффективен torch.compile() на практике, заглянем под капот «двушки» PyTorch 2.0, чтобы узнать, как работает этот метод и какие преимущества он дает.
Разработчики PyTorch заявляют, что torch.compile() может дать прирост производительности до 50% по сравнению с обычным кодом PyTorch. Для проверки этого заявления мы проведем ряд экспериментов на разных моделях и данных, выясним, есть ли реальная выгода от использования torch.compile().
📌 Для того чтобы понять, как работает torch.compile() рассмотрим основные его компоненты, которые отвечают за различные аспекты JIT‑компиляции кода PyTorch:
▪️TorchDynamo — это динамический компилятор, который анализирует код PyTorch и определяет, какие части кода могут быть скомпилированы в оптимизированные ядра. Отслеживает изменения в коде и перекомпилирует его при необходимости.
▪️AOT AutoGrad — это система автоматического дифференцирования, которая позволяет вычислять градиенты для скомпилированных ядер. Генерирует код для обратного распространения ошибки во время компиляции, а не во время исполнения, что ускоряет процесс обучения нейронных сетей.
▪️PrimTorch — это набор примитивных операций, которые используются для построения скомпилированных ядер. Включает в себя базовые математические и логические операции, а также операции над тензорами, такие как сложение, умножение, свертка и т. д.
▪️TorchInductor — это бэкенд для JIT‑компиляции кода PyTorch в оптимизированные ядра для разных устройств. Поддерживает разные бэкенды и адаптирует код PyTorch к специфике каждого устройства.
Далее подробнее рассмотрим, как работают компоненты TorchDynamo и TorchInductor и как они взаимодействуют друг с другом, чтобы обеспечить JIT‑компиляцию кода PyTorch.
📌Читать
@machinelearning_interview
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
Method can effectively capture the sparsity and unique structure of line drawings while preserving the details during inbetweening.
Создание промежуточных кадров между двумя рисунками - трудоемкий и дорогостоящий процесс, новый фреймворк AnimeInbet позволяет автоматизировать эту задачу.
AnimeInbet, геометризирует растровые линейные рисунки в графы конечных точек, решая задачу слияния графов с перестановкой вершин.
ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Крутая возможность от Яндекса: проходишь онлайн-курсы и можешь попасть к ним на работу. Направления Алгоритмы, ML и DevOps. https://yandex.ru/yaintern/training?mindbox-message-key=8214565725524066304&mindbox-click-id=72e391ee-5608-45a4-9543-222e958293fd&utm_source=mindbox&utm_medium=email&utm_campaign=training4&utm_content=promo
Тренировки Яндекса по алгоритмам, ML и DevOps
Новый сезон Тренировок по алгоритмам и ML
Forwarded from Институт AIRI
Save the date: следующая ИИшница пройдет 19 октября на YouTube-канале AIRI 🍳
Скоро расскажем подробнее про спикеров научного онлайн-митапа, а также поделимся темами докладов.
Запись прошлой ИИшницы про роботов можно посмотреть по ссылке 🖇
Скоро расскажем подробнее про спикеров научного онлайн-митапа, а также поделимся темами докладов.
Запись прошлой ИИшницы про роботов можно посмотреть по ссылке 🖇
Forwarded from эйай ньюз
На каждой крупной конференции выбираются несколько лучших статей и им вручают "призы". Обычно это статьи, которые перевернули область с ног на голову, либо те, что имеют потенциал очень сильно повлиять на ход будущих исследований. Еще отдельно выделяют лучшую статью, где первый автор - студет (включая аспирантов). #конфа
В этом году на ICCV 2023 победили следующие работы.
1️⃣ Лучшие статьи:
- ControlNet [Stanford]
- Passive Ultra-Wideband Single-Photon Imaging [UoT]
2️⃣ Почетное упоминание - Segment Anything (SAM) [Meta AI]
3️⃣ Лучшая студенческая статья - Tracking Everything Everywhere All At Once [Cornell + Berkeley + Goolge]
---
В разные года выбор лучших статей у меня вызывал сомнения, но ControlNet, хоть и технически простой, это действительно заслужил. От появляния на arxiv в феврале, до публикации на ICCV работа успела набрать 24k звезд на гитхабе, >300 цитирований, и используется в сотнях пет-проектах с SD.
SAM - тут просто без коментариев, работа супер влиятельная.
Tracking Everything - Универсальный трекер. Тоже крутая работа, по духу да и по названию похожа на Segment Anything.
Про Single-Photon Imaging ничего сказать не могу, не моя тема совсем. Разве что, коммиссия любит выбирать что-то неортодоксальное, но потенциально с большим импактом.
@ai_newz
В этом году на ICCV 2023 победили следующие работы.
1️⃣ Лучшие статьи:
- ControlNet [Stanford]
- Passive Ultra-Wideband Single-Photon Imaging [UoT]
2️⃣ Почетное упоминание - Segment Anything (SAM) [Meta AI]
3️⃣ Лучшая студенческая статья - Tracking Everything Everywhere All At Once [Cornell + Berkeley + Goolge]
---
В разные года выбор лучших статей у меня вызывал сомнения, но ControlNet, хоть и технически простой, это действительно заслужил. От появляния на arxiv в феврале, до публикации на ICCV работа успела набрать 24k звезд на гитхабе, >300 цитирований, и используется в сотнях пет-проектах с SD.
SAM - тут просто без коментариев, работа супер влиятельная.
Tracking Everything - Универсальный трекер. Тоже крутая работа, по духу да и по названию похожа на Segment Anything.
Про Single-Photon Imaging ничего сказать не могу, не моя тема совсем. Разве что, коммиссия любит выбирать что-то неортодоксальное, но потенциально с большим импактом.
@ai_newz
Forwarded from DeepSchool
Имитационное обучение
Чтобы обучить роботов выполнять полезные задачи, нужна целая команда робототехников, которая их запрограммирует. Чем сложнее задача, тем больше времени необходимо на ее реализацию.
Для упрощения работы мы можем вместо ручного программирования просто показывать роботу новый навык, которому он обучится с помощью имитации. Это называется имитационным обучением.
В новой статье мы поговорим об имитационном обучении, а также узнаем:
- как передать навыки людей роботам
- чем отличается имитационное обучение от обучения с учителем
- подходы к имитационному обучению и как они работают
Читайте нашу новую статью по ссылке: https://deepschool-pro.notion.site/6ad66bb2ef494cafab421409dbc2b91c?pvs=4
Чтобы обучить роботов выполнять полезные задачи, нужна целая команда робототехников, которая их запрограммирует. Чем сложнее задача, тем больше времени необходимо на ее реализацию.
Для упрощения работы мы можем вместо ручного программирования просто показывать роботу новый навык, которому он обучится с помощью имитации. Это называется имитационным обучением.
В новой статье мы поговорим об имитационном обучении, а также узнаем:
- как передать навыки людей роботам
- чем отличается имитационное обучение от обучения с учителем
- подходы к имитационному обучению и как они работают
Читайте нашу новую статью по ссылке: https://deepschool-pro.notion.site/6ad66bb2ef494cafab421409dbc2b91c?pvs=4
Forwarded from Институт AIRI
Делимся расписанием ИИшницы «Диффузионные модели и их расширения», которая пройдет в этот четверг на YouTube-канале AIRI 🍳
🔵 15:35 – «Диффузионные модели: три стороны одной медали», Дмитрий Ветров, ВШЭ, AIRI
В докладе спикер рассмотрит три способа интерпретации диффузионных моделей и кратко перечислит основные преимущества, которые дают разные способы взгляда на эту популярную генеративную модель.
🔵 16:15 – "Star-Shaped Denoising Diffusion Probabilistic Models", Андрей Охотин, ВШЭ
Диффузионные модели сейчас достигают высокого качества на задачах генерации изображений и звука, однако, испытывают проблемы с генерацией данных со сложной внутренней структурой. Статья, про которую расскажет Андрей, представляет обобщение классических диффузионых моделей, позволяющее использовать не только гауссовское зашумляющее распределение. Благодаря этому удается добиться высокого качества генерации данных из таких специфических многообразий.
🔵 16:35 – «Применение генеративных картиночных моделей в рекламе» Валентин Хрульков, Яндекс
Валентин расскажет о практических сценариях использования технологии генерации картинок для улучшения привлекательности рекламных баннеров.
🔵 15:55 – "Entropic Neural Optimal Transport via Diffusion Processes" Никита Гущин, Сколтех
Доклад основан на статье "Entropic Neural Optimal Transport via Diffusion Processes" (NeurIPS 2023, oral). Оптимальный транспорт с помощью нейронных сетей — новое направление для решения задач непарного переноса стиля и доменной адаптации. В докладе Никита расскажет про способ связать оптимальный транспорт и диффузионные модели с помощью задачи моста Шрёдингера. Помимо рассказа о разработанном в статье алгоритме будут рассмотрены также другие уже известные алгоритмы для задачи моста Шрёдинегра и их приложения.
🔵 16:55 – "Training of an integrator of diffusion model trajectories" Вячеслав Мещанинов, ВШЭ
Диффузионные модели продемонстрировали огромный потенциал для генерации данных самой разной структуры. Однако главным их недостатком является большое количество шагов на этапе использования, необходимое для качественной генерации объектов. В докладе Вячеслав расскажет о том, как можно преодолеть данный недостаток и обучить модель, которая за один шаг способна пройти всю траекторию генерации диффузионной модели.
Сохраняйте ссылку на трансляцию, до встречи в четверг! 🍿
В докладе спикер рассмотрит три способа интерпретации диффузионных моделей и кратко перечислит основные преимущества, которые дают разные способы взгляда на эту популярную генеративную модель.
Диффузионные модели сейчас достигают высокого качества на задачах генерации изображений и звука, однако, испытывают проблемы с генерацией данных со сложной внутренней структурой. Статья, про которую расскажет Андрей, представляет обобщение классических диффузионых моделей, позволяющее использовать не только гауссовское зашумляющее распределение. Благодаря этому удается добиться высокого качества генерации данных из таких специфических многообразий.
Валентин расскажет о практических сценариях использования технологии генерации картинок для улучшения привлекательности рекламных баннеров.
Доклад основан на статье "Entropic Neural Optimal Transport via Diffusion Processes" (NeurIPS 2023, oral). Оптимальный транспорт с помощью нейронных сетей — новое направление для решения задач непарного переноса стиля и доменной адаптации. В докладе Никита расскажет про способ связать оптимальный транспорт и диффузионные модели с помощью задачи моста Шрёдингера. Помимо рассказа о разработанном в статье алгоритме будут рассмотрены также другие уже известные алгоритмы для задачи моста Шрёдинегра и их приложения.
Диффузионные модели продемонстрировали огромный потенциал для генерации данных самой разной структуры. Однако главным их недостатком является большое количество шагов на этапе использования, необходимое для качественной генерации объектов. В докладе Вячеслав расскажет о том, как можно преодолеть данный недостаток и обучить модель, которая за один шаг способна пройти всю траекторию генерации диффузионной модели.
Сохраняйте ссылку на трансляцию, до встречи в четверг! 🍿
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Machine learning Interview
💪 Что такое Байесовское А/B-тестирование и как его провести?
Подробно обсудим 19 октября в 20:00 мск на открытом уроке в OTUS. Занятие приурочено к старту онлайн-курса «Machine Learning. Advanced».
🔹 На вебинаре мы разберем, какие преимущества дают Байесовские A/B тесты по сравнению с обычными, как проводить Байесовские A/B тесты и как работать с Байесовскми моделями в PyMC3.
📌 Результаты урока:
Познакомитесь с основами A/B тестирования и получите новый, простой и эффективный инструмент для A/B тестирования
👉 РЕГИСТРАЦИЯ
https://otus.pw/ydYd/
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8KUFd5
Подробно обсудим 19 октября в 20:00 мск на открытом уроке в OTUS. Занятие приурочено к старту онлайн-курса «Machine Learning. Advanced».
🔹 На вебинаре мы разберем, какие преимущества дают Байесовские A/B тесты по сравнению с обычными, как проводить Байесовские A/B тесты и как работать с Байесовскми моделями в PyMC3.
📌 Результаты урока:
Познакомитесь с основами A/B тестирования и получите новый, простой и эффективный инструмент для A/B тестирования
👉 РЕГИСТРАЦИЯ
https://otus.pw/ydYd/
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8KUFd5
Forwarded from Yandex for ML
Обсудим последние новости мира аналитики данных, поделимся реальными кейсами и их решениями. Будут спикеры из разных команд Яндекса:
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from PieData::DataLake
Хочу поделиться топовой статьей, которую недавно внедрили в движок нашего DataLake
https://github.com/yifanxu74/mq-det
Если кратко: теперь можно дать пару картинок на класс, как референс и вот ваша супер-модель по Object Detection готова. Далее собираем нужный датасет, инференсим супер-модель и получаем датасет, на котором уже тренируем мини-модель детекции.
Если с подробностями:
1. CLIP по патчам.
Используется два енкодера - для Text, Image, оба мапят в один Feature Space
Разница в том, что предиктятся по патчам и по частям текста, вводится понятие Word-similarity в патче.
Далее Image Encoder будет мапить в Feature Space наши референсные картинки
Лоссы похожи на те, что в Clip с поправкой на патчи
2. Умная предтренировка енкодеров с референсом на GLIP
https://github.com/yifanxu74/mq-det
Если кратко: теперь можно дать пару картинок на класс, как референс и вот ваша супер-модель по Object Detection готова. Далее собираем нужный датасет, инференсим супер-модель и получаем датасет, на котором уже тренируем мини-модель детекции.
Если с подробностями:
1. CLIP по патчам.
Используется два енкодера - для Text, Image, оба мапят в один Feature Space
Разница в том, что предиктятся по патчам и по частям текста, вводится понятие Word-similarity в патче.
Далее Image Encoder будет мапить в Feature Space наши референсные картинки
Лоссы похожи на те, что в Clip с поправкой на патчи
2. Умная предтренировка енкодеров с референсом на GLIP
Forwarded from Machinelearning
Открыта регистрация на отборочный этап Всероссийского хакатона по биометрии с призовым фондом 1 000 000 рублей!
⠀
Тебе предстоит решить интересные задачи, чтобы победить в отборочном туре и принять участие в финале Всероссийского хакатона по биометрии, который пройдет уже 24-25 ноября в Москве.
Кейсы:
• Создание дипфейков для тестирования
• Обнаружение дипфейков
• Некооперативный фронтальный алгоритм защиты от атак предъявления
• Решения для использования новых биометрических модальностей на пользовательских устройствах
⠀ ⠀
🗓 Даты отборочного этапа в ОНЛАЙН-ФОРМАТЕ: 3-5 ноября 2023 года
❗️Даты финала: 24-25 ноября 2023 года 📍 Место: Москва
❗️ Формат: смешанный (отборочный этап в онлайн-формате, а финал на площадке в Москве)
👉 Регистрация на отборочный тур открыта до 29 октября 2023 года: https://tglink.io/4ed0cc6120bd
Реклама. ООО "АКСЕЛЕРАТОР ВОЗМОЖНОСТЕЙ". ИНН 9704005146. erid: LjN8KXChL
⠀
Тебе предстоит решить интересные задачи, чтобы победить в отборочном туре и принять участие в финале Всероссийского хакатона по биометрии, который пройдет уже 24-25 ноября в Москве.
Кейсы:
• Создание дипфейков для тестирования
• Обнаружение дипфейков
• Некооперативный фронтальный алгоритм защиты от атак предъявления
• Решения для использования новых биометрических модальностей на пользовательских устройствах
⠀ ⠀
🗓 Даты отборочного этапа в ОНЛАЙН-ФОРМАТЕ: 3-5 ноября 2023 года
❗️Даты финала: 24-25 ноября 2023 года 📍 Место: Москва
❗️ Формат: смешанный (отборочный этап в онлайн-формате, а финал на площадке в Москве)
👉 Регистрация на отборочный тур открыта до 29 октября 2023 года: https://tglink.io/4ed0cc6120bd
Реклама. ООО "АКСЕЛЕРАТОР ВОЗМОЖНОСТЕЙ". ИНН 9704005146. erid: LjN8KXChL
Forwarded from ODS Events
Привет!
Настало время поделиться подробностями про Data Halloween 28 октября 🎃
Старт программы запланирован на 12:00 по мск, откроем день включением live эфира на ODS YouTube. В планах на субботу весь день слушать доклады по NLP, CV, MLOps и Random DS темам и участвовать в специальных активностях от наших любимых организаторов.
Спец.активности:
🧟♂️ Конкурс Scary code – достаньте из самых тёмных закромов своих проектов самый ужасающий код, способный вселить страх и душевный трепет в любого на него смотрящего 😱Авторам самого ужасающего кода мы отправим мерч с лого сообщества 🎁
28 октября мы уже подводим итоги, а чтобы участвовать в конкурсе, ссылка на код должна быть отправлена до 20:00 27 октября включительно.
🔥 Live coding – Мы ждём смельчаков, которые попробуют в прямом эфире решить простую, красиво оформленную задачку. За прошлый год на собеседованиях в одну команду, решить эту задачку смогли всего несколько человек. Можно практически всё: гуглить, спрашивать совета у интервьюера или у друзей. Знать наизусть ничего не нужно. Нужны желание, адекватность и здоровый авантюризм! Приходите, будет весело! Первому решившему задачу - респект и наша фирменная футболка 🎁
🦇Собеседования в никуда – отличный шанс попробовать пройти виртуальное собеседование в несуществующую компанию и услышать рекомендации. У нас всегда очень уютная атмосфера, но если захочется жести и больше тематики halloween, только скажите 😁
Расписание докладов и активностей в субботу уже доступно на сайте.
Всех ждем! Trick or treat 😈 🍬
Настало время поделиться подробностями про Data Halloween 28 октября 🎃
Старт программы запланирован на 12:00 по мск, откроем день включением live эфира на ODS YouTube. В планах на субботу весь день слушать доклады по NLP, CV, MLOps и Random DS темам и участвовать в специальных активностях от наших любимых организаторов.
Спец.активности:
🧟♂️ Конкурс Scary code – достаньте из самых тёмных закромов своих проектов самый ужасающий код, способный вселить страх и душевный трепет в любого на него смотрящего 😱Авторам самого ужасающего кода мы отправим мерч с лого сообщества 🎁
28 октября мы уже подводим итоги, а чтобы участвовать в конкурсе, ссылка на код должна быть отправлена до 20:00 27 октября включительно.
🔥 Live coding – Мы ждём смельчаков, которые попробуют в прямом эфире решить простую, красиво оформленную задачку. За прошлый год на собеседованиях в одну команду, решить эту задачку смогли всего несколько человек. Можно практически всё: гуглить, спрашивать совета у интервьюера или у друзей. Знать наизусть ничего не нужно. Нужны желание, адекватность и здоровый авантюризм! Приходите, будет весело! Первому решившему задачу - респект и наша фирменная футболка 🎁
🦇Собеседования в никуда – отличный шанс попробовать пройти виртуальное собеседование в несуществующую компанию и услышать рекомендации. У нас всегда очень уютная атмосфера, но если захочется жести и больше тематики halloween, только скажите 😁
Расписание докладов и активностей в субботу уже доступно на сайте.
Всех ждем! Trick or treat 😈 🍬
Forwarded from Machinelearning
Запусти стартап и получи грант на его развитие
Заполняй заявку в акселератор Сбера для студентов, аспирантов и научных сотрудников вузов. Регистрация открыта!
За 6 месяцев ты:
— узнаешь, какие этапы нужно пройти, чтобы создать стартап
— соберешь команду или присоединишься к существующей
— создашь бизнес-проект под руководством наставника
— достигнешь первых бизнес-результатов: предзаказы, договоренности о пилотировании или MVP устройства
Какие есть преимущества?
— лучшие команды представят проекты на Демо-дне, где их оценят топ-менеджеры Сбера и других корпораций, бизнес-ангелы
— победители получат призы от Сбера, смогут рассчитывать на гранты от Moscow Seed Fund и на специальный грант Президента РФ для магистров
Выпускники программы создали более 1500 технологических стартап-проектов и привлекли больше 420 млн рублей на их развитие.
Хочешь так же? Регистрируйся!
Заполняй заявку в акселератор Сбера для студентов, аспирантов и научных сотрудников вузов. Регистрация открыта!
За 6 месяцев ты:
— узнаешь, какие этапы нужно пройти, чтобы создать стартап
— соберешь команду или присоединишься к существующей
— создашь бизнес-проект под руководством наставника
— достигнешь первых бизнес-результатов: предзаказы, договоренности о пилотировании или MVP устройства
Какие есть преимущества?
— лучшие команды представят проекты на Демо-дне, где их оценят топ-менеджеры Сбера и других корпораций, бизнес-ангелы
— победители получат призы от Сбера, смогут рассчитывать на гранты от Moscow Seed Fund и на специальный грант Президента РФ для магистров
Выпускники программы создали более 1500 технологических стартап-проектов и привлекли больше 420 млн рублей на их развитие.
Хочешь так же? Регистрируйся!
Forwarded from Контур.AI
Привет-привет! 🪄
Центр ИИ Контура приглашает на митап по ML4SE!
Когда: 8 ноября в 19:00 МСК
Где: онлайн, ссылку пришлем после регистрации
Тайминг:
19:05-19:50
Антон Коныгин
“Обнаружение уязвимостей в исходном коде“
19:50-20:40
Валентин Малых
“Writing code without the programmers. But with Transformers”
Обнаружение уязвимостей в исходном коде
Speaker: Антон Коныгин, ведуший разработчик машинного обучения в Центре ИИ Контура
Уязвимости в исходном коде — это слабые места или ошибки, которые могут быть использованы злоумышленниками для атаки на программное обеспечение. Обнаружение и исправление таких уязвимостей является важной частью повышения качества и безопасности исходного кода. В докладе Антон рассмотрит современные подходы к обнаружению уязвимостей, а также расскажет о работе SE-лаборатории в этом направлении.
Writing code without the programmers. But with Transformers
Speaker: Валентин Малых, Head of NLP Research в МТС AI
В докладе Валентин расскажет про одно из перспективных направлений, куда идет индустрия машинного обучения и языковых моделей. А ещё поразмышляет о том, как мы будем писать код через 5 лет.
⚡️Регистрируйтесь и до встречи на митапе!
Центр ИИ Контура приглашает на митап по ML4SE!
Когда: 8 ноября в 19:00 МСК
Где: онлайн, ссылку пришлем после регистрации
Тайминг:
19:05-19:50
Антон Коныгин
“Обнаружение уязвимостей в исходном коде“
19:50-20:40
Валентин Малых
“Writing code without the programmers. But with Transformers”
Обнаружение уязвимостей в исходном коде
Speaker: Антон Коныгин, ведуший разработчик машинного обучения в Центре ИИ Контура
Уязвимости в исходном коде — это слабые места или ошибки, которые могут быть использованы злоумышленниками для атаки на программное обеспечение. Обнаружение и исправление таких уязвимостей является важной частью повышения качества и безопасности исходного кода. В докладе Антон рассмотрит современные подходы к обнаружению уязвимостей, а также расскажет о работе SE-лаборатории в этом направлении.
Writing code without the programmers. But with Transformers
Speaker: Валентин Малых, Head of NLP Research в МТС AI
В докладе Валентин расскажет про одно из перспективных направлений, куда идет индустрия машинного обучения и языковых моделей. А ещё поразмышляет о том, как мы будем писать код через 5 лет.
⚡️Регистрируйтесь и до встречи на митапе!
eventskbkontur.timepad.ru
DS Update / События на TimePad.ru
Центр ИИ Контура приглашает на онлайн-митап, где мы обсудим ML4SE, а именно, как методы машинного обучения помогают искать уязвимости в коде и учатся писать код без участия разработчиков.