🌟 Бесценный репозиторий с практическими Colab'ами по ML

Здесь собраны Colab'ы, в которых подробно на примерах разбираются такие темы как
— обучение без учителя, кластеризация, рекомендательные системы
— полносвязные нейросети, функции активации, кросс-валидация
— линейная алгебра, вектора, матрицы, преобразования
— линейная регрессия

(и много других тем)

🖥 GitHub

@data_math

🌟 Мощный учебник по использованию Julia в ML и Deep Learning

Здесь приведено много практических примеров, таких как реализация LSTM, реализация классического перцептрона, использование линейной/логистической регрессии и много других примеров.
Показывается, как работать с последовательностями, как корректно обрабатывать файлы, как использовать GPU.
Отличный материал, если планируете использовать Julia в работе

🟡 Deep Learning with Julia

@machinelearning_interview

📌Feast — open-source хранилище фичей для ML

— pip install feast

Если вдруг кто не сталкивался, существует Feast (Feature Store), который предоставляет простой способ управления существующей инфраструктурой данных для обучения ML-моделей.

Feast позволяет:
— загружать фичи в офлайн- и онлайн-хранилища. Первое подходит для хранения kv-store (оперативных данных), а последнее — для data lake (данных для обучения)

— отделить ML от данных, абстрагировать работу с данными от разработки ML-моделей

Feast содержит 5 функциональных блоков: Registry, Transform, Storage, Serving и Operational Monitoring.

🖥 GitHub
🟡 Доки

@data_math