Курс по анализу данных от Александра Дьяконова

https://vk.cc/csg1mP

Интересный пост о том, как погрузиться в DS

https://vk.cc/csg1v0

Библиотека для временных рядов

https://vk.cc/csg1DW

25 лучших книг для понимания машинного обучения 2022

https://vk.cc/csg1Li

Курс MITx: Введение в вычислительное мышление и науку о данных научит вас использовать вычисления для достижения различных целей и предоставит краткое введение в различные темы решения вычислительных задач.

Охватываемые темы включают в себя:
•Продвинутое программирование на Python 3
•Задача о рюкзаке, Графы и оптимизация графов
•Динамическое программирование
•Построение графиков с помощью пакета pylab
•Случайные прогулки
•Вероятность, Распределения
•Моделирование Монте-Карло
•Подгонка кривой
•Статистические ошибки

Курс длится до 21 декабря!

Топ 3 статистических парадокса в Data Science

https://vk.cc/csg1Rp

🔥Любопытная статья предлагает решение проблемы overconfidence в последовательных рекомендательных моделях с помощью Generalised Binary Cross-Entropy Loss function. Она превосходит популярную модель BERT4Rec при этом требуя меньше времени для обучения.

Статья получила награду the Best Paper award at ACM RecSys 2023

Обширный обзор включает в себя краткие описания более чем 40 библиотек Python. Автор выделяет ключевые особенности каждой библиотеки, подчеркивая их уникальные характеристики и более подходящие сферы применения.

Идеальный ресурс в качестве 'шпаргалки'.

Крутая статья демонстрирующая оптимизацию нейронных сетей методом Левенберга-Марквардта (LM) с использованием TensorFlow. Статья предоставляет понятное объяснение самого метода и важных аспектов, связанных с выбором оптимальных значений его параметров. Каждый шаг сопровождается примерами кода, математической базой и наглядными визуализациями.

В дополнение можно глянуть эту статейку с реализацией того же LM на Python.

Глазам приятно

Исчерпывающий гид, включающий в себя пошаговые инструкции по скрапингу, парсингу, восстановлению неполных данных, а также созданию репрезентативной выборки. Автор уделяет особое внимание визуализации, важности векторизации и параллельным вычислениям, делая процесс понятным на каждом этапе даже новичку.

Любопытная статья, где рассматривается проблема галлюцинаций в больших языковых моделях (LLM). Aвтор представляет широкий спектр стратегий для их устранения: oт разъяснения понятия 'галлюцинаций' и методов их измерения до разработки продуктов и выбора моделей. В статья предложен всесторонний подход к решению этой проблемы с сопутствующей визуализацией.

Крутой курс по книге Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, где автор подробно разбирает по одной главе в каждом видео с сопутствующими практическими примерами.

Сама книга представляет собой идеальное руководство по supervised и unsupervised learning.

Одни из тем, разобранных в книге: виды регрессии и классификации, деревья решений, ансамбли, RNN, CNN, GAN и многое другое.

Любопытная статья DISCOVERING LATENT KNOWLEDGE IN LANGUAGE
MODELS WITHOUT SUPERVISION, в которой авторы предложили нестандартный подход: вероятности ответов на вопросы должны суммироваться в единицу для уверенности модели. Используя пары вопросов и ответов, они модифицировали активации модели, настроили лосс и создали вероятности. К статье приложен также код.

Исчерпывающий гайд o Support Vector Machine (SVM), начиная с его базовых принципов и математического обоснования, и до практической реализации в Python. Статья содержит информацию о разных типах алгоритмов SVM, работе с ядрами, выборе гиперпараметров и другом.

В дополнение можно пройтись по данной статье, где SVM рассматривается более визуально.

Конкурс для C++ программистов и их любимых багов.

Что для этого нужно сделать? Всё очень просто! Вспомните свой самый эпичный, мемный или глупый фейл при написании кода. Отправьте его через специальную форму на этой странице и ждите подведения итогов в январе. Авторы 10 самых прикольных, крутых или глупых фейлов получат уникальную книгу от Андрея Карпова "Вредные советы для C++ программистов" с подписью автора.

Конкурс длится до 30 декабря!

Доклад о значимости последовательных методов Монте-Карло (SMC) для приближения апостериорных распределений динамических стохастических моделей общего равновесия. Исследуется возможность адаптивного выбора графика темперирования, эксплорируются преимущества варианта SMC, названного обобщенным темперированием, для "онлайн" оценки, и предоставляются примеры мультимодальных апостериорных распределений, хорошо уловленных методами SMC.

Авторы рассматривают меняется ли прогностическая способность DSGE-моделей при использовании более широких априорных распределений по сравнению с теми, которые обычно используются в литературе.

В статье автор продемонстрировал, как перевести сложную агентно-ориентированную модель в вероятностную графическую модель, чтобы получить обучаемую АОМ, подгоняемую к данным. Путем использования методов, таких как оценка максимального правдоподобия, автор оценивает латентные микростаты переменных агентов способом, согласующимся как с моделью, так и с наблюдаемыми данными.

Данный подход позволяет внедрить обученные переменные в АОМ, обеспечивая симуляцию микростатов, соответствующую предоставленным данным.

Курс по Advanced Data Visualization рассматривает как обычные, так и нестандартные типы графиков, грамматику графики и даже разбирает явление Симпсона.

Всего в курсе 5 глав. К каждому уроку есть конспект и детальный разбор на YouTube от автора.

Must-have для всех, кто стремится расширить навыки визуализации данных.

Книга о математическом введении в глубокое обучение: методы, реализации и теория.

https://arxiv.org/abs/2310.20360

Статья о том, как научиться прогнозировать цены с помощью методов анализа данных и машинного обучения.

https://habr.com/ru/companies/rosatom/articles/771534/