Gondess-of-fit тесты и вывод о независимости случайных величин важная часть анализа любого набора данных https://youtu.be/wAykF0_WGVg

Кросс-валидация и регуляризация на примере линейных моделй. И ещё немного нейронных сетей, конечно же https://youtu.be/r-z1cjvpwBE

Поработали с полиномиальной регрессией, посмотрели на дилему смещения-дисперсии, поучились выбирать модели https://youtu.be/A3LE-ZmtVGs

Если вы ищите готовые заготовки для командной строки при работе с данными, то вам определённо стоит посмотреть эту книгу https://datascienceatthecommandline.com/2e/

TF рекомендует нам деплоить модели на js https://blog.tensorflow.org/2022/03/how-linkedin-personalized-performance.html

Друзья, а неплохая получилась лабораторная! Поработали с реальными метеоданными (много pandas) и попредсказывали оползневые явления. Разведочный анализ как он есть, логистическая регрессия, оценки производительности модели. https://youtu.be/MEXjEUyD0qU

google «изобрела» новую функцию активации преследуя цель сделать воспроизводимость результатов моделей более «похожими» https://ai.googleblog.com/2022/04/reproducibility-in-deep-learning-and.html И ещё у них появилась модель с 540 миллиардами параметров https://ai.googleblog.com/2022/04/pathways-language-model-palm-scaling-to.html

У openai анонс DALL-E 2 которая делает/модифицирует картинки по текстовым описаниям https://openai.com/dall-e-2/

julia понемногу набирает обороты, потому что этот язык быстрый как C и удобный как python. Нужно немного следить за тем что там происходит. Например в этом мире есть Flux.jl - библиотека машинного обучения на чистом julia. И что бы быстренько посмотреть как это ML на julia вот вам ссылочка

Продолжаем работать с задачами классификации. Сегодня рассмотрели модели для трех и более классов (logit, LDA, QDA), оценили производительность https://youtu.be/lkiFy6LQnSk

Мы все знаем CLIP, эта модель говорит нам какое описание к картинкам лучше всего подходит. Однако, есть и другой класс задач, где по картинкам нужно генерировать описания, а не просто сопоставлять. И вот исследователи из Salesforce Research разработали новую архитектуру - BLIP. Вы можете подумать, что "B" здесь это "Bidirectional", но всё не так просто ) Авторы дополнительно предложили механизм улучшения качества аннотаций к изображениям на основе синтетических и размеченных данных. А поскольку "B" есть в названии, то они решили, что "Bootstrapping" это лучший вариант для этого. В общем-то, это архитектурная вешь - взяли разные существующие объекты и удачно их соединили. Что здесь важно, так это дальнейшее применение в реальных задачах https://www.youtube.com/watch?v=X2k7n4FuI7c

Кстати, если кто то вдруг подзабыл чему там равна производная от транспонированного вектора, или, например, производные от детерминанта и обратной, то можно вот этой ссылкой воспользоваться. Там всё есть, очень удобно, на 72 страницах всё уместили!

Решающие деревья, ансамбли моделей, bagging, random forest, gradient boosting и всё всё всё
https://youtu.be/3N0Uz33_wFI

Все знали про glances? А ведь это обвешенный nvidia-smi и ставится через pip! https://blog.paperspace.com/monitoring-gpu-utilization-in-real-time/

Чтобы не сравнивать свою новую модель с YOLO нужно просто по-другому сформулировать задачу☝️ Ну в целом, подход интересный, конечно https://ai.googleblog.com/2022/04/pix2seq-new-language-interface-for.html

Кроме colab и paperspace есть и другие облачные платформы для проведения экспериментов. Однако, в бесплатном варианте самые приятные лимиты по использованию GPU у вышеуказанных продуктов https://www.kdnuggets.com/2022/04/top-5-free-cloud-notebooks-2022.html?utm_source=rss&utm_medium=rss&utm_campaign=top-5-free-cloud-notebooks-in-2022

Хорошее практическое введение в рекомендательные системы на практике. TF recommenders имеет всё необходимое на борту для быстрого развертывания в реальных бизнес-задачах: последние SOTA модели, on-device и федеративное обучение https://www.youtube.com/playlist?list=PLQY2H8rRoyvy2MiyUBz5RWZr5MPFkV3qz

Добрались до временных рядов! Посмотрели что это такое, как делать статистику, подробно изучили процесс поиска стационарности https://youtu.be/SeGk8X2i_R0

Если вы дата инженер, то вы обязаны знать kafka. И даже если вы не инженер, то то же. Неплохое интро на простом и понятном языке можно посмотреть у confluent (сюрприз!). Всё заканчивает ksqlDB, что может немного смутить. Зачем снова SQL (скжете вы)? Но это другое. И если вы войдёте в раж, то смотрите сразу про streams. Там много java, но api есть и на python и на других языках.

Вот уж точно!