Инновации и инсайты в мире Java из первых уст. Новая конференция Java Fest — 21 марта >>
×Закрыть

Материалы по теме «ML»

RSS

Данные важнее, чем модели. Как выглядят эффективные процессы в Data Science Данные важнее, чем модели. Как выглядят эффективные процессы в Data Science

Vadym Boikov 9586

Для многих работа дата саентиста выглядит, как черный ящик. Но несмотря на разные задачи, процессы в проектах похожи, равно как и причины возникающих проблем. В этой статье рассмотрим, какие этапы проходит проект, что должен делать дата саентист и как он взаимодействует с другими членами команды. 43

8 правил для ML-проектов на каждый день: как найти и удержать нужный фокус 8 правил для <nobr>ML-проектов</nobr> на каждый день: как найти и удержать нужный фокус

Игорь Кауфман 5497

«В исследованиях легко увязнуть. Одна проблема тянет за собой другую, и в конце концов начинаешь тратить время на задачи, неприоритетные для конечного продукта (привет, рефакторинг!). Поэтому так важно сохранять концентрацию на основных целях продукта и не распыляться», — Игорь Кауфман, имея разнообразный опыт участия в R&D-проектах, составил список того, что нужно и чего не стоит делать, занимаясь ML. 29

GeoZilla — приложение и геотрекер для безопасности и комфорта семьи GeoZilla — приложение и геотрекер для безопасности и комфорта семьи

Ilya Kazansky 5357

Всем привет! Я Илья Казанский, CTO стартапа GeoZilla. Наша команда разрабатывает семейное мобильное приложение, с помощью которого можно быть в курсе точной геолокации ваших детей, пожилых родственников и домашних животных. В статье — история его создания. 36

ML для мобільного розробника: Google Cloud для тренування ML-моделі ML для мобільного розробника: Google Cloud для тренування <nobr>ML-моделі</nobr>

Alex Ovechko 3237

Якщо ви хочете навчити персептрон, щоб він виконував операцію XOR, можна навчити таку нейромережу навіть на старенькому мобільному. Використовуючи Google Cloud, автор статті демонструє тренування ML-моделі й завантаження її на мобільному пристрої (Core ML, Metal Performance Shaders). 5

Вступ до Machine Learning: чи потрібен вам ML і як правильно поставити йому завдання Вступ до Machine Learning: чи потрібен вам ML і як правильно поставити йому завдання

Володя Штеньович 7000

У цій статті проаналізуємо переваги МН для конкретного завдання, подивимося на МН крізь призму бізнесу й розглянемо типи проблем, до яких його варто «прикручувати», а за яких умов доцільніше навчатися самотужки.

Нейронные сети в помощь SEO-специалистам: как DeepCaptcha автоматически разгадывает капчи Нейронные сети в помощь SEO-специалистам: как DeepCaptcha автоматически разгадывает капчи

Dmitriy Litavskiy 4140

Сервис разработан с помощью технологий машинного обучения. Он упростит и ускорит работу SEO-специалистов, веб-мастеров, маркетинговых агентств и пользователей крупных сервисов по парсингу поисковых систем. 27

DOU Labs: як у SoftServe створили систему розумного шлагбаума й паркування DOU Labs: як у SoftServe створили систему розумного шлагбаума й паркування

Oleksandr Gurbych 8175

Усім привіт, я — Саша Гурбич, Senior Data Scientist у SoftServe. У цьому матеріалі розкажу вам про систему розумного шлагбаума й паркування, яку ми запустили в листопаді 2018 року на території нашого офісу Lviv Headquarters. 46

Как я резюме обновлял, или ML-эксперимент с базой ФОПов Как я резюме обновлял, или <nobr>ML-эксперимент</nobr> с базой ФОПов

Volodymyr Shumara 19196

Появилась свободная минута на то, чтобы не в последний раз смахнуть пыль со своего резюме и удалить аббревиатуры, расшифровки которых я уже не помню, а вместо них добавить чего-нибудь посовременнее. Что там сейчас в тренде? Data Science, ML, AI? Ну что же, начнем... 20

От гибких дисплеев до шагающих авто: каким скоро будет мир технологий и что нужно знать IT-специалистам От гибких дисплеев до шагающих авто: каким скоро будет мир технологий и что нужно знать IT-специалистам

Денис Балацко 8125

Денис Балацко, вице-президент по инжинирингу в GlobalLogic, рассказывает о том, какие инновации будут создавать инженеры во всем мире, о нестандартных технологиях в автоиндустрии, робототехнике и VR/AR, новинках от производителей гаджетов, а также навыках, которые понадобятся ІТ-специалистам. 9

Объясняем предсказания вашей нейронной сети. Часть 1 Объясняем предсказания вашей нейронной сети. Часть 1

Vladyslav Kolbasin 11442

В этой статье речь пойдет об интерпретируемости моделей машинного обучения, методах объяснения результатов и исследования работы моделей, а также о необходимости интерпретирования моделей как отдельной задачи. 29

Обучение без учителя — убийца математического моделирования? Обучение без учителя — убийца математического моделирования?

Alex Honchar 10803

В этой статье речь пойдет о том, как искусственный интеллект не просто решает задачи на уровне людей или лучше, а как научить его понимать окружающий мир так же, как его понимают люди, а не какими-то абстрактными «векторами». Самое сложное в этом челлендже — заставить алгоритм делать это без подсказок от человека вообще. 52

Hello World у Computer Vision: визначаємо швидкість руху авто на кордоні з Польщею Hello World у Computer Vision: визначаємо швидкість руху авто на кордоні з Польщею

Serg Tyatin 7194

Мене звати Сергій Тятін, я в IT більше 20 років. Сьогодні я хотів би розказати про те, як починав розбиратися з Computer Vision. І в результаті створив систему, яка визначає швидкість пропускання авто зеленим коридором на кордоні з Польщею. 27

Создание рекомендательной системы Megogo: использование неявных сигналов. Часть 1 Создание рекомендательной системы Megogo: использование неявных сигналов. Часть 1

Дмитрий Мелков 7668

Дмитрий Мелков, CIO в MEGOGO, рассказывает об алгоритмах, метриках, входящих данных, предварительных исследованиях, тренировках модели и подборах гиперпараметров. 17

С чего начать работу с ML и DL. Обзор лучших библиотек С чего начать работу с ML и DL. Обзор лучших библиотек

Sergii Boiko 15259

В этой статье постараемся облегчить задачу выбора для новичков. Рассмотрим самые популярные и необходимые библиотеки, которые покрывают все базовые потребности для начала работы с Machine Learning и Deep Learning. 91

Золоті медалісти Kaggle — про потрапляння в топ на змаганнях з ML та чому в Україні проблеми з машинним навчанням Золоті медалісти Kaggle — про потрапляння в топ на змаганнях з ML та чому в Україні проблеми з машинним навчанням

Дмитро Пальчиков 10381

Ігор Крашений та Денис Саква наприкінці 2018 року здобули золото в змаганнях на Kaggle — платформі для тих, хто цікавиться аналізом даних, машинним навчанням, прогнозуванням. В інтерв’ю вони розповіли про завдання на змаганнях, як вивчати ML та в яких сферах в Україні потрібен deep learning. 34

Машинное обучение в повседневной жизни: типы ML и способы их применения Машинное обучение в повседневной жизни: типы ML и способы их применения

Sergii Boiko 19336

Машинное обучение разделяют на обучение с учителем (supervised), обучение без учителя (unsupervised) и обучение с подкреплением (reinforcement learning). Давайте посмотрим, как они работают и в каких случаях применяются. 42

DOU Проектор: Homemade Machine Learning — репозиторий для изучения ML на Python с Jupyter-демо DOU Проектор: Homemade Machine Learning — репозиторий для изучения ML на Python с Jupyter-демо

Oleksii Trekhleb 10436

Здравствуйте, читатели! Меня зовут Алексей, я работаю JavaScript-программистом. Эта статья является продолжением пути в около-Python-овские «дебри» и, надеюсь, станет полезной тем из вас, кто начинает изучать машинное обучение на Python. 13

Research Engineer в Ring Ukraine — о том, как совмещать две учебы, работу фултайм и победы на олимпиадах по программированию Research Engineer в Ring Ukraine — о том, как совмещать две учебы, работу фултайм и победы на олимпиадах по программированию

Kateryna Grebenyk 15719

В конце октября в Виннице состоялся финал Всеукраинской студенческой олимпиады по программированию, который совпал с полуфиналом Международной студенческой олимпиады по программированию ACM ICPC. Один из троих победителей, Владислав Мац, рассказал DOU, об олимпиадном движении, работе и учебе в Школе «Яндекса». 141

Исследования в Machine Learning: как, кому и зачем Исследования в Machine Learning: как, кому и зачем

Alex Honchar 13449

Всем привет, я Александр Гончар — AI Solution Architect в Mawi Solutions. Занимаюсь разработкой и внедрением state of the art решений для анализа биосигналов. В этой статье я расскажу про то, что делают исследователи в области искусственного интеллекта и как идеи из research переносятся на прикладные задачи, в чем их ценность и как начать заниматься более продвинутым машинным обучением. 7

Как создать свой алгоритм поиска локаций, используя AI Как создать свой алгоритм поиска локаций, используя AI

Danil Kuhta 8854

В этой статье описан практический опыт решения задачи ранжирования локаций с использованием машинного обучения. Статья в основном рассчитана на начинающих разработчиков. Однако будет интересна и более опытным специалистам, которым нужен готовый рецепт, как на базе бесплатных инструментов сделать аналог Google Places Search, не уступающий ему по качеству. 29

← Сtrl 12 Ctrl →

Комментарии

потому что часто заоблачных высот в ЗП получается достичь когда твою ценность как специалиста оценили, а тебя в это время другая буква фаанга переманивает и ради удержания тебе ставят жирнее ЗП. или там куда уходишь ставят жирнее ЗП.
кроме времени подъема и отхода ко сну не сильно отличается от приведенного выше. только там оба родителя каждый день 2-3 часа предаются радостям отцовства и материнства, а вы иногда еще на тренировки ходите.
это только ваше восприятие. абсолютно такой же режим может быть с двумя детьми и в украине. а в штатах можно тоже организовать себе режим при котором будет время на увлечение хватать. но придется таки чем-то жертвовать. и там и тут. может разным.
легли в 10, встали в 5. легли в 12, встали в 7. легли в 12.30, встали в 7.30. эм, тут каждый сам выбирает когда вставать и когда ложиться. знаю людей у которых подъем в 5 потому что ребенок в 5 просыпается.
это уже постепенно меняется:)
куда мне до гуру
За допомогою цього методу можна досягти надійних результатів порівняння для тих елементів, які: [...] — не спотворені іншими елементами. Зазвичай елементами, які спотворюють інші елементи є програмісти.
ага вижу, 79 минут, ту мач) open.spotify.com/...​de/47HtLdkC6oSleHSPH7HKO2
Вот именно.
Если просмотреть коментарии, то таких просто себе мнений без аргументации большинство. И вот это сильно растраивает.
О своем стартапе
у вас там еще яблоки завелись пару лет назад.
В офисе гугла всегда дежурит психолог onsite для оказания немедленной моральной помощи рекрутерам, которым отказал кандидат.
Я всегда готова выслушать интересные предложения и проекты (увы, интересных проектов не предлагали пока, только бич пакеты или унылые проекты) Вы PHD в области обработки текста? Разработали свой алгоритм для machine learning? Делали комиты в ядро линукса?
Годно, надо попробовать.