Любитель конференций уже здесь😎

ML Party

#dvizh

🚀 Увеличьте эффективность своих исследований с курсом «Статистика, R и анализ данных» от Blastim! 📊

На программе вы сможете приобрести флеш-рояль навыков для анализа данных: научитесь препроцессировать датасеты на языке R и освоите dplyr, tidyverse, ggplot2, познаете базовые понятия статистики, теории вероятности, выполните практические упражнения, включая работу с непараметрическими методами и линейными моделями 🎲

💯 Завершается курс презентацией проектов, где вы сможете поанализировать, не только учебные, но и собственные данные

Курс открыт для разнообразных специалистов:
🦊 Если вы занимаетесь исследованиями в области животного и растительного мира, работаете цитологом, бактериологом, микологом или вирусологом, этот курс для вас
🧬 Для биотехнологов, генетиков и биоинформатиков ребята подготовили специальные модули, которые помогут максимально эффективно использовать статистические методы в вашей работе
💊 Медики, ветеринары и специалисты фармы также найдут ценную информацию и любопытные клинические кейсы
📈 А также для всех, кто интересуется статистикой, желает начать свой путь в этой прикладной области и хочет понять логику, а не вызубрить скучные правила.

#advert

Что вы получите:
✔️ Глубокое понимание статистических тестов, необходимых для добросовестного анализа данных
✔️ Практические навыки применения статистических инструментов
✔️ Удостоверение о повышении квалификации, записи всех лекций, проекты в портфолио и новых друзей

Присоединяйтесь к программе от Blastim прямо сегодня и начните превращать данные в результаты💡

Ближайшие даты:
25 — 29 марта, 6 — 7, 13 — 14 апреля
Оффлайн в Москве или онлайн 📲

Фронтмен команды лекторов: Иван Поздняков, известный R-энтузиаст, преподаватель ВШЭ, нейропсихолог

👉 Получите доступ сейчас: u.to/Ea57IA

#advert

На прошлой неделе прошла ML Party от Яндекса🌟
Мне посчастливилось посетить данное мероприятие оффлайн👀

Всего было четыре доклада:
🔹"Как мы запускали автогенерацию рекламных баннеров на Яндекс Маркете" от Воронцова Александра, руководителя группы машинного обучения рекламной платформы. Первый же спич зацепил меня своей темой. Прикольно было послушать про путь, который прошла команда, к конечному существующему в проде продукту. Спикер рассказал про разные подходы, которые они пробовали, проблемы и недопонимания со стороны пользователя и многое другое. Я оценила👍
🔹"Нейросетевое ранжирование для рекомендательных систем" от Кирилла Хрыльченко, руководителя группы исследования перспективных рекомендательных технологий. Прикольно было послушать почему нейронки лучше градиентного бустинга.
🔹"Я вас (не) слышу!" от Никиты Рыжикова, руководителя службы технологий голосового ввода. На мой взгляд один из самых интересных докладов. Спикер рассказал о трудностях переезда голосового помощника Алисы с платформы телефона на колонку. Разъяснялись 2 основные решаемые задачи - эхоподавление и шумоподавление. Мне как любителю физики (на уровне любителя...) очень даже зашло))
🔹"Блендер — механизм оптимизации подмешивания дополнительных элементов в результаты WEB-поиска" от Алексея Голикова, руководителя команды качественных вызовов. Честно, на этом рассказе я немного уснула и ничего не поняла... Но вроде как доклад был связан с инструментом для рекомендательных систем.

#dvizh

Выступаю завтра на семинаре! Подключайтесь♥️

🎓 — Семинар 25. Использование данных бортовых радаров и камер для распознавания объектов на дороге и бездорожье | Ульяна Изместьева, Лука Ветошкин, Ольга Матыкина

В нашем выступлении мы обсудим мультимодальные датасеты и методы для распознавания трехмерной сцены, использующие данные наиболее распространенных сенсоров беспилотных транспортных средств: камер, радаров и лидаров. Отметим особую роль радаров, которые могут видеть сквозь туман, дым, снег.

Мы приведем краткий обзор датасетов, собранных как в городских условиях, так и в условиях бездорожья и даже в шахтах. Также мы коснемся методов для решения широкого класса задач с использованием упомянутых датасетов: сегментация и детекция объектов на дороге, сегментация проезжей части, построение карты глубин по изображениям и облакам радарных точек.

В завершение мы расскажем об экспериментах, позволяющих преодолеть ограничения существующих мультимодальных датасетов. В качестве методов аугментации датасетов будут рассмотрены дифуззионные модели Kandinsky2-2, Stable Diffusion-2, Stable Diffusion XL. Сравним архитектуры моделей, время инференса и качество сгенерированных изображений в режиме восстановления выделенной области изображения.

📹 Трансляция Youtube

Подключайтесь к живому обсуждению и задавайте вопросы в прямом эфире! Ждем всех!

#семинары #CV #selfdriving #multimodal #diffusion

Пришла весна🌸
У меня снова появлилось настроение и желание ботать😼
Поэтому держите разбор мини темки👇

🟢Автоэнкодеры — это нейронные сети прямого распространения, которые восстанавливают входной сигнал на выходе. Автоэнкодеры конструируются таким образом, чтобы не иметь возможность точно скопировать вход на выходе.

Автоэнкодеры состоят из двух частей: энкодера g и декодера f. Энкодер переводит входной сигнал в его представление (код): h = g(x), а декодер восстанавливает сигнал по его коду: x=f(h). Автоэнкодер, изменяя f и g, стремится выучить тождественную функцию x = f(g(x)), минимизируя какой-то функционал ошибки: L(x, f(g(x)))

При этом семейства функций энкодера g и декодера f как-то ограничены, чтобы автоэнкодер был вынужден отбирать наиболее важные свойства сигнала.

#about_ml

🟢Примеры автоэнкодеров:
🔹Сжимающий автоэнкодер
Состоит из двух полносвязных слоев: енкодера и декодера.

🔹Глубокий автоэнкодер
Такой же автоэнкодер, но с большим числом слоев. Может вычленять более сложные нелинейные закономерности.

🔹Сверточный автоэнкодер
Присутствует некоторая пространственная инвариантность. Несмотря на то, что количество параметров у этой сети намного меньше чем у полносвязных сетей, функция ошибки насыщается на значительно меньшей величине.

🔹Denoising автоэнкодер
Автоэнкодеры можно обучить убирать шум из данных: на вход подавать зашумленные данные и на выходе сравнивать с данными без шума: L(x, f(g(x'))), где x' — зашумленные данные.

🔹Разреженный (Sparse) автоэнкодер
Разреженный автоэнкодер — просто автоэнкодер, у которого в функцию потерь добавлен штраф за величины значений в коде, то есть автоэнкодер стремится минимизировать такую функцию ошибки: L(x, f(g(x))) + Ω(h), где h = g(x) — код, Ω(h) — обычный регуляризатор (например L1): Ω(h) = λ * |h|
Разреженный автоэнкодер не обязательно сужается к центру. Его код может иметь и большую размерность, чем входной сигнал. Обучаясь приближать тождественную функцию x = f(g(x)), он учится в коде выделять полезные свойства сигнала. Из-за регуляризатора даже расширяющийся к центру разреженный автоэнкодер не может выучить тождественную функцию напрямую.

Если есть какие-то вопросы, замечания, предложения - жду комментариев🙃

Ссылка на хабр с кодом

#about_ml

🎓 — Семинар 26. 66-ая Всероссийская научная конференция МФТИ: секция технологий искусственного интеллекта ФПМИ

Сегодня в качестве семинара пройдет у нас будет Всероссийская научная конференция МФТИ: секция технологий искусственного интеллекта ФПМИ, на которой будем заслушивать доклады участников, чьи работы прошли отбор на конференцию. Среди всех участников выступят и наши сотрудники: Ульяна Изместьева, Ольга Матыкина, Егор Черепанов, Александр Чернявский, Анатолий Борзилов, Владислав Кузнецов, Zhang Huzhenyu, Александр Мелехин, Денис Васильев и Егор Зубков!

📹 Трансляция Youtube

Подключайтесь к живому обсуждению и задавайте вопросы в прямом эфире! Ждем всех!

#семинары #конференции #мфти #ии

Вечер воскресенья, впереди майские праздники🌸
А мне грустно от того, что я уже больше полугода в Москве, а роста себя как специалиста почти не ощущаю(((

Начала копать причины - почему так происходит? Как всегда натыкаюсь на одну и ту же проблемную часть себя - отсутствие дисциплины. Я слишком завязана на своих эмоциях, а учитывая то, что я очень эмоциональный человек, бывает трудно с ними совладать... Исходя из этого начинает страдать продуктивность и отдых, появляется тревожность, что отражается на физическом здоровье😬

Снова ищу методы решения такой проблемы. Наткнулась на прикольный видос с клевой анимацией на мой вкус. Легко и доступно преподнесли материал. Да, рассказали про очевидные вещи. Но для таких людей как я, у которых в голове вечно бардак, полезно слушать что-то подобное, потому что направляет в правильное русло мыслей и действий)))
Основные поинты ниже

Морально подготовься
Силы воли не существует (как и лени)
Необходимо твердо решить, что тебе это надо
Причины почему не можешь соблюдать дисциплину:
1. Берешь на себя слишком много - работай в своем темпе
2. Ждешь быстрых результатов. Плохо сейчас - хорошо потом
3. Много чешешь языком 🙂 Когда делишься слишком много своими планами или представляешь все достигнутые цели - психика думает, что это уже есть в реальности.

Начни делать
Лайфхаки для достижения целей:
1. Раздели большую цель на более мелкие
2. Определи вознаграждения за сделанный кусок работы (Чувствую себя рл агентом). Награда должна быть соразмерна со сделанным
3. Меньше отвлекайся - ограничь время на залипание в соцсети и тп. Хотя, можно контролировать этот процесс будильником

Не останавливайся
Чтобы поддержать дисциплину - нужно этого хотеть.
Если все время страдаешь - то тебя хватит не на долго

Ссылочка на видосик

#diff

Решила летними вечерами укреплять свою базу знаний 🥸

📚Курсы:
Курс по классическому мл от Радослава Нейчева - первая часть (база)
Прикладное машинное обучение от Радослава Нейчева - вторая часть
Курс по генеративным моделям - читается на физтехе

📄Шпаргалки и заметки:
The IllustratedMachine Learning website - схематичный конспект
Учебник по машинному обучению - от ШАД
Конспекты от Дъяконова

🧠Упражнения:
Практические упражнения по ML - 15 задач от градиентного спуска до до GPT с нуля в виде leetcode задач (меня это очень сильно привлекло, планирую сделать все)
Roadmap по литкоду - 150 задач на алгосы
Курс по Git - легкий курс в игровой форме (визуалам понравится)

📺Видосы и прочее:
Методичка: Поиск Работы в ML/DS от Бориса Цейтлина
Краткое и емкое видео про GIL
Асинхронность
Работа с памятью в python

Сюда еще планируется добавить курсы по git, linux, mlops (непосредственно, когда я до них доберусь)

#about_ml

Еееее

В день рождения юбилей в 100 подписчиков🎉🎉🎉

Можно теперь покупать тг-премиум и писать посты, не разделяя их (использовать прикольные стикеры в сообщениях)😄