💲 ТОП 3 на что смотрят инвесторы, когда выбирают стартап

1️⃣ Команда: Первое, на что обращают внимание инвесторы, — это команда. Идеально, если она способна покрыть все аспекты развития бизнеса. Важность команды постепенно снижается с развитием, но на начальном этапе это ключевой фактор.

2️⃣ Рынок: Инвесторы анализируют, насколько реально стартап может занять долю на рынке. Обязательный вопрос — какой потенциал доходности для инвестора. Общий "минимальный порог" — возможность достижения выручки в 1 млрд рублей для ранних стадий.

3️⃣ Ценностное предложение и соответствие рынку: Неважно, насколько хорош продукт, если он не решает значимую проблему. Инвесторы смотрят на то, насколько хорошо предложение компании соответствует потребностям рынка.

Ваш @dataminingteam👋

1️⃣Шпаргалка по теории вероятности
https://vk.com/wall-94208167_7704

2️⃣Многорукие бандиты: полный обзор
https://vk.com/wall-94208167_7709

3️⃣Туториал по визуализации моделей глубокого обучения
https://vk.com/wall-94208167_7715

4️⃣Множественное восполнение пропущенных данных
https://vk.com/wall-94208167_7698

5️⃣Топ-15 библиотек Python для DA и ML
https://vk.com/wall-94208167_7718

🗣Материал вводит в важность и процесс feature engineering с подробным рассмотрением двух подходов: the Checklist Approach и the Domain-based Approach.

🔵Вы углубитесь в численные агрегаци, выборы параметров, преобразования числовых данных, кодирование категориальных переменных, обработку пропущенных значений.

💬Приведен пример по кассовым сборам фильмов.

https://www.learndatasci.com/tutorials/intro-feature-engineering-machine-learning-python/

💬 В блоге рассматривается создание сверточной нейронной сети (CNN) для локализации и классификации объектов. Автор затрагивает темы, такие как архитектура модели для регрессии и классификации, обучение модели и оценка performance metrics,0 таких как  loss, accuracy и среднee пересечение по объединению (IoU).

📎В статье рассматриваются вызовы в области выявления мошенничества, проводится сравнение rule-based и machine learning-based approaches, исследуется анализ данных, техника oversampling, обучение модели и её оценка, с акцентом на важности решения проблемы дисбаланса классов для эффективного выявления мошенничества.

🔖 Кроме того, статья подчеркивает значимость настройки порогов для балансировки ложных срабатываний и пропущенных мошеннических операций.

🔗 В работе представлен подход к сегментации текста (chunking), синтаксической задаче, включающей группировку слов в неиерархическом порядке.

🔗 Авторы предлагают двухслойную иерархическую рекуррентную нейронную сеть (HRNN) для моделирования композиции слов в сегмент и сегмента в предложение, достигая заметного улучшения по сравнению с существующими методами, что поднимает F1-score до 6%.

🔄 Статья о Batch Normalization в нейронных сетях рассматривает две основные теории: стабилизацию распределений активаций и сглаживание ландшафта потерь и градиента.

🗣Описываются преимущества, включая более быструю сходимость и сниженную чувствительность к инициализации весов. Также ограничения, такие как неэффективность при малых размерах пакетов и неприменимость к рекуррентным сетям.

🧬 Статья описывает метод ZLaP для классификации в условиях отсутствия размеченных данных. Этот метод использует модели видео-языковых представлений (VLM), которые показывают впечатляющую производительность в нулевой классификации, когда предоставляется только список названий классов.

🔗 ZLaP основан на методе распространения меток (LP) и использует геодезические расстояния для классификации на графах, содержащих как текстовые, так и изображенческие признаки.

🤩Представление классификаторов минимаксного риска (MRC), минимизирующих потери в худшем случае для общих правил классификации и обеспечивающих точные гарантии производительности.

🍂Показано, как можно надежно оценить внесемпловую производительность MRC в процессе обучения, и что ошибка MRC из-за конечных размеров обучающих выборок определяется точностью оценок математических ожиданий. Кроме того, показано, что MRC являются сильно всесторонне согласованными в ситуациях, аналогичных тем, что соответствуют методам на основе ядра.