Data Science | Machinelearning [ru] – Telegram
Data Science | Machinelearning [ru]
20.1K subscribers
628 photos
39 videos
29 files
3.52K links
Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM.

По вопросам рекламы или разработки - @g_abashkin

РКН: https://vk.cc/cJPGXD
Download Telegram
​​🧐Линейная регрессия: прямая, разделяющая плоскость на точки 2 классов

В этой статье мы напишем программу, которая будет проводить прямую так, чтобы красные точки были в одной полуплоскости, а зеленые — в другой.

Читать...
​​👾Графовые нейронные сети GNN в самообучающемся искусственном интеллекте

В этой статье автор расскажет как создать граф знаний, который состоит из ссылок на функции.

Читать...
​​🚀Как оптимизировать процесс привлечения клиентов B2B с помощью методов Продвинутой Аналитики

В этой статье мы поделимся примером первого практического применения Продвинутой Аналитики в процессах стратегического бизнес-планирования численности ресурсов Сети для привлечения клиентов Юридических Лиц.

Читать...
​​🧐Применение эффективного асинхронного web-парсинга при работе с Big Data

В этой статье автор рассмотрит принцип работы парсинга.

Читать...
​​👾Единая нейросетевая модель кредитного скоринга

В этой статье автор рассмотрит, как может быть реализована единая нейросетевая модель.

Читать...
​​🤖Автоматизация найма: как мы запустили HR-бота и избавились от рутинной работы при поиске кандидатов

В этой статье автор расскажет как можно ускорить и упростить найм, внедрив HR-чат-бота.

Читать...
​​🤓Положите это в корзину: как настроить рекомендательную систему для предсказания покупок на основе предыдущего опыта

В этой статье мы рассмотрим, как настроить рекомендательную систему для точного прогнозирования покупок на основе опыта покупателей, исследования закономерностей в покупках и других факторов.

Читать...
​​👾Сопротивление ИИ — почему сотрудники и бизнес не верят интеллектуальным системам и как исправить ситуацию

В данной статье автор расскажет что не так с ИИ, и как как исправить ситуацию с помощью атрибутов доверия.

Читать...
​​🤖Сравниваем модели машинного обучения с применением статистических тестов

В данной статье автор расскажет о трёх методах с применением статистических тестов.

Читать...
​​🧑‍💻Крестики-Нолики (Tic Tac Toe) с компьютером на Python. Мой первый шаг к Machine Learning. Часть 1

В данной статье автор покажет основные этапы создания игры, где пользователь выбирает роль (Х или О), играя с компьютером.

Читать...
​​🧑‍💻Улучшаем покупательский опыт: куда развивать работающую рекомендательную систему

В этой статье автор расскажет о насущных проблемах ML-разработки, делиться подходами к их решению и рассуждает на актуальные темы.

Читать...
​​🤩Улучшаем прогнозы Facebook* Prophet с помощью LightGBM и Optuna

В данной статье автор расскажет о нескольких полезных способах улучшения качества предсказаний модели Facebook Prophet.

Читать...
​​😵PINN (Physics-informed neural networks) и с чем их едят

В этой статье автор расскажет почему реальные физические системы обсчитываются сложными численными методами за очень большое время на суперкомпьютерах.

Читать...
​​👾Эволюция метрик качества машинного перевода. Часть 2

В этой статье автор расскажет об эволюции метрик качества машинного перевода, а также об основных традиционных метриках.

Читать...
​​👨‍💻Data Engineering: концепции, процессы и инструменты

В этой статье мы рассмотрим процесс data engineering, расскажем о его базовых компонентах и инструментах, опишем роль дата-инженера.

Читать...
​​🤔Звериные алгоритмы: какими представителями животного мира вдохновлялись исследователи для создания алгоритмов

В этой статье автор расскажет про алгоритмы, названные в честь различных представителей животного мира.

Читать...
​​🐶Сможете ли вы отличить собаку от кошки, или Как объяснить проблемы дата-сайентиста коллегам. Часть 1

В этой статье автор расскажет о нынешнем положении специалистов, их проблемах и типичных запросах, с которыми они сталкиваются.

Читать...
​​👾Как создавать качественные ML-системы. Часть 1: каждый проект должен начинаться с плана

В этой статье автор расскажет о том, как начинать с малого и быстро отказываться от слабых идей.

Читать...
​​🗣Как мы научили Алису реагировать на быстрые команды

В этой статье я расскажу, что из себя представляет новая функция, как мы её разрабатывали, с какими сложностями столкнулись.

Читать...
​​👤Как создавать качественные ML-системы. Часть 2: приручаем хаос

В этой статье поговорим о Data-centric ИИ, данных для обучения, разметке и очистке, синтетических данных и еще немного о Data Engineering и ETL.

Читать...
​​⚽️Kaggle для футболистов. Разбираем подходы призеров соревнований по детекции столкновений (5 — 3 место)

В этой статье автор рассмотрит некоторые из решений, которые принесли денежное вознаграждение и золотые медали участникам этого челленджа. 

Читать...