Мы создали мини-приложение ChatGPT, которое работает локально на вашем компьютере.

В основе лежит модель Llama3.2-vision с открытым исходным кодом.

https://blog.dailydoseofds.com/p/building-a-100-local-mini-chatgpt

Лучшие проекты визуализации данных 2024 года

https://flowingdata.com/2024/12/30/best-data-visualization-projects-of-2024/

Краткое введение в использование векторной базы данных
В которой мы узнаем, как создать простую векторную базу данных с использованием вложений Pinecone и OpenAI, и обнаружим, что это гораздо проще, чем мы могли ожидать.

https://stevekinney.net/writing/using-a-vector-database

Дорожная карта по освоению машинного обучения в 2025 году

https://machinelearningmastery.com/roadmap-mastering-machine-learning-2025

Создание ИИ-агента для вашего фронтенд-проекта

https://blog.logrocket.com/building-ai-agent-frontend-project

Используем HTTP API Gemini 2.0 бесплатно

https://habr.com/ru/articles/876566/

Основы компьютерного зрения

https://yashshahh.notion.site/CV-Basics-1-163464be31028096bad4ffa3aca9851e

Beyond Jupyter — это сборник материалов для самостоятельного изучения проектирования программного обеспечения, в котором особое внимание уделяется приложениям машинного обучения. Он демонстрирует, как грамотное проектирование программного обеспечения может ускорить как разработку, так и эксперименты. https://transferlab.ai/trainings/beyond-jupyter

Как использовать DeepSeek R1 бесплатно в Visual Studio Code с Cline или Roo Code

https://dev.to/dwtoledo/how-to-use-deepseek-r1-for-free-in-visual-studio-code-with-cline-or-roo-code-3an9

Масштабирование во время тестирования — это многообещающий новый подход к языковому моделированию, который использует дополнительные вычисления во время тестирования для повышения производительности. Недавно модель OpenAI o1 продемонстрировала эту возможность, но не поделилась своей методологией публично, что привело к многочисленным попыткам репликации. Мы ищем самый простой подход для достижения масштабирования во время тестирования и высокой производительности рассуждений.

https://github.com/simplescaling/s1

Kimi k1.5: Масштабирование обучения с подкреплением с LLM

https://github.com/MoonshotAI/Kimi-k1.5

DeepSeek-R1 для чайников

https://habr.com/ru/companies/airi/articles/879178/

Все, что вам нужно знать для создания собственного приложения RAG

https://github.com/bRAGAI/bRAG-langchain

Ваша машина, ваш искусственный интеллект — наилучший локальный пакет производительности с Ollama

https://blog.det.life/your-machine-your-ai-the-ultimate-local-productivity-stack-with-ollama-7a118f271479

Vision Search Assistant: Расширьте возможности моделей Vision-Language в качестве мультимодальных поисковых систем

https://cnzzx.github.io/VSA

Изучите пять шаблонов проектирования агентского ИИ, которые повышают эффективность агентов ИИ

https://blog.dailydoseofds.com/p/5-agentic-ai-design-patterns

Агентские и RAG-системы обычно испытывают трудности с обновлением знаний в режиме реального времени и быстрым поиском данных.

Сегодня давайте обсудим недавнюю статью Zep , в которой представлена ​​интересная архитектура графа знаний с учетом времени, призванная решить эту проблему. https://blog.dailydoseofds.com/p/build-human-like-memory-for-your

Обнаружение аномалий в машинном обучении с использованием Python

https://blog.jetbrains.com/pycharm/2025/01/anomaly-detection-in-machine-learning

20 важных статистических подходов, которые знает каждый специалист по данным🐱‍🚀

https://medium.com/@sarowar.saurav10/20-advanced-statistical-approaches-every-data-scientist-should-know-ccc70ae4df28

Какой лучший PDF Extractor для RAG? Я пробовал LlamaParse, Unstructured и Vectorize

https://levelup.gitconnected.com/whats-the-best-pdf-extractor-for-rag-i-tried-llamaparse-unstructured-and-vectorize-4abbd57b06e0