Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение

🧠 MIT: чем больше датасет, тем сложнее понять, что именно повлияло на ответ модели Свежая работа MIT по machine unlearning обнаружила интересный эффект: с ростом обучающего датасета связь между отдельными примерами и поведением модели становится менее очевидной. На практике…

🧠 Как создать единый технологический контур для распределения ML-нагрузок Гибридная инфраструктура позволяет экономически выгодно распределять разные этапы ИИ- и ML-пайплайна по различным средам. Для реализации полноценного гибрида Yandex Cloud имеет все необходимые…

А вы уже забрали свой подарок ко Дню программиста? К вашему профессиональному празднику Tproger, Proglib, Столото, Центральный университет и SmartApe собрали целую коробку подарков. Переходите по ссылке, трясите коробку и забирайте свой презент: Реклама. ИП Михайлишина Гузель…

🚀 Почему AI перестал полагаться только на Vector Search Ещё недавно почти все RAG-системы строились одинаково: документы разбивали на чанки, создавали эмбеддинги, сохраняли их в Vector Database и по ним искали контекст для LLM. 🔴 Это был большой шаг вперёд по сравнению с…

🌸 Если хочется не просто запускать model.fit(), а понимать математику ML, посмотрите книгу “Pen & Paper Exercises in Machine Learning” Это сборник задач с решениями, где вы на бумаге разбираете: — оптимизацию и линейную алгебру — графические модели — Variational Inference —…

🔥 Команда дня: einsum или как реализовать multi-head self-attention без единого цикла Если вы работаете с нейросетями, особенно с трансформерами, то, скорее всего, сталкивались с реализациями self-attention, переполненными циклами. Однако благодаря np.einsum можно выразить всю…