Анастасія Селезень, Data Scientist, на досвіді з реального проєкту розповідає про особливості роботи, тренування та тюнінгу моделей Question Answering та Passage Retrieval для обробки та розуміння природної мови. Також вона показує приклади використання фреймворків Haystack та Rasa і проведені експерименти. Ви побачите, з якими викликами зіткнулася команда у процесі написання робота та як їх вирішувала.
У 2021 році в розділі «Технічні статті» було опубліковано понад 300 авторських матеріалів. У них ІТ-фахівці описували технічні рішення, кейси, приклади з різних напрямів розробки. У цьому огляді ми зібрали для вас найкращі технічні статті року. Критерії відбору: кількість переглядів, активність комʼюніті в коментарях і субʼєктивні враження редакції.
Статті
· .NET,
Blockchain,
C++,
cloud,
Data Science,
frontend,
Go,
Java,
JavaScript,
ML,
Python,
UI,
автоматизація,
безпека,
підсумки
Віталій Цимбалюк розповість про кілька способів розгортання моделей ML у продакшені, ґрунтуючись на досвіді своєї команди. Основні критерії, за якими були обрані підходи — простота налаштування, швидкість роботи та повнота функціоналу.
Свіжий дайджест з матеріалами, новинами та цікавими проєктами зі світу Machine Learning, Data Science та штучного інтелекту від Вови Кириченка, CTO в Xenoss.
У випуску ви дізнаєтеся про баг PyTorch, який сповільнює навчання моделей, та кар’єрний шлях технічного керівника PyTorch; як ML-інженеру почати власний бізнес та як зменшити вартість ML-розробки; про етичні челенджі розвитку AI та чимало іншого.
Хочете краще розуміти особливості Data Science-проєктів? Тетяна Торовець, Staff Data Scientist у thredUP з досвідом понад 10 років, з прикладами знайомить з їх життєвим циклом.
Буде корисно зокрема Data Science-менеджерам, Project Managers та Product Managers.
Вова Кириченко, CTO з Xenoss, ділиться свіжими новинами та проєктами зі світу Data Science.
У випуску ви дізнаєтеся, як використовувати AI, щоб видаляти фон зображень, як підготувати стартап до tech due diligence та яку таксономію використовувати для полегшення розуміння ML-моделей. А також про боротьбу з синдромом самозванця, чому варто навчитися в успішних інженерів та багато іншого.
Найцікавіші новини зі світу Data Science у свіжому дайджесті Вови Кириченка, CTO в Xenoss.
У ньому зібрані статті про те, як AI революціонізує освітній простір та як його використовували для копіювання голосів естрадних артистів; як впроваджувати Attention-based infrastructures та що таке ML Metadata Store; про інклюзивність візуальних даних та багато іншого.
Фреймворк ML.NET — безкоштовна ML-бібліотека від Microsoft, що створена для розширення екосистеми .NET можливостями машинного навчання.
Максим Павлов, Microsoft Solutions Consultant у Ciklum, у статті ділиться досвідом та порадами щодо початку роботи з ним.
Алексей Трехлеб, Software Engineer в Uber, рассказывает, как с помощью генетического алгоритма развить мозг автомобиля и научить его парковаться самостоятельно.
Добірка матеріалів, що справили протягом останніх кількох тижнів враження на Вову Кириченка, CTO в Xenoss та автора дайджесту.
У цьому випуску ви дізнаєтеся більше про математичну структуру «градієнтного спуску», що інвестори шукають в AI-проєктах, наскільки людство наближається до суперінтелекту, як легко змінювати відео за допомогою AI-алгоритмів та багато іншого.
Jupyter Notebooks — инструмент для анализа данных и разработки моделей. По сути, это среда разработки, которая доступна в любом браузере и позволяет использовать в одном месте код, формулы и различные графики и изображения.
Николай Белозёров, Senior Data Engineer в Delivery Hero, в статье делится опытом того, как в их команде используют Jupyter Notebooks для тренировки моделей и не только.
Найцікавіші новини за останній час зі світу AI, ML та Data Science у дайджесті Вови Кириченка, CTO в Xenoss.
Ви дізнаєтеся все, що ви хотіли знати про графові нейронні мережі, як побудувати просту ANN з нуля, AI/ML в ігровій індустрії, поточний стан креативної автоматизації, баг-баунті від Twitter та багато іншого. Налітай!
Новий випуск дайджесту від Вови Кириченка, CTO в Xenoss, у якому зібрано найцікавіше зі світу data science за останній час.
У ньому ви дізнаєтеся про системи машинного навчання, те, чи варто переосмислити встановлений підхід до NLP, про масштабування АІ для бізнесу, маркування даних, адаптивні алгоритми ML та багато іншого. Приємного читання!
Наш герой пробовал изучать Java, Python, Machine Learning, но так и не стал разработчиком. Понял, что это не его истинное желание, не хватает мотивации разбираться в этом. Сейчас начинает заниматься бизнес-анализом. Он рассказал нам анонимно свою историю, выводы об ошибках и о том, как поменял отношение к работе и ІТ в целом.
Свіжі новини та цікавинки зі світу Data Science та AI!
Вова Кириченко, CTO в Xenoss.io, пропонує розглянути, як мовні моделі розуміють світ, що такого поганого в Julia, що робити з брудними даними, нащо потрібен SQL та багато іншого.
Павло Башинський, Senior Devops Engineer в BlaBlaCar, розповідає, як вони з командою створили завдяки машинному навчанню дві моделі, що допомагають водіям збільшити шанси успішно знайти попутників. Одна — для персональних рекомендацій водіям, інша — для аналізу їх успішності.
Про пошук методів розробки та проблеми, з якими стикнулися у процесі — читайте у статті.
Максим Андрющенко выбрал для себя путь, связанный с наукой и аспирантурой. Сейчас он стажируется в Adobe и получает степень PhD в Федеральной политехнической школе Лозанны (EPFL), а до этого окончил магистратуру по компьютерным наукам в Германии. Он рассказал DOU о специфике исследований по машинному обучению, целесообразности ученой степени в ІТ-сфере, а также о разнице в зарплатах между академией и индустрией в Швейцарии.
Распознавание позы руки — популярная задача в компьютерном зрении, часто используется в проектах, связанных с виртуальной реальностью. В открытом доступе есть сотни пейперов, но базовых вводных туториалов — практически нет. Ольга Черницкая, Senior ML Engineer в SoftServe, решила это исправить.
В этой статье — основы теории для распознавания 2D-позы руки и так далее.
У цьому випуску ви дізнаєтеся про новий підхід до побудови data-інфраструктури, проблематику SQL і що з цим робити, АІ та CLIP, упередження в системах АІ... а також як Tesla використовує камери для побудови АІ-систем для самокеруючих машин, глибоке навчання з синтетичними даними, як використовують машинне навчання у кібербезпеці і багато інших цікавинок.
Стаття написана для новачків ML, які хочуть на практиці спробувати, як працює ML. Тут не буде глибокого пояснення, як все працює, але буде пояснення, як все це запустити. Ніякого попереднього досвіду не потрібно, лише бажання. Поїхали!
Коментарі