С 19 по 21 ноября пройдет онлайн-конкурс Digital Strawberry.

Кого ищем:
— Data science-специалисты
— Backend-разработчики
— Computer vision-специалисты

Какая задача:
Участникам предстоит разработать систему мониторинга состояния растений на основании размеченных изображений, на которых показан процесс роста и развития клубники.

Какой приз:
10 команд будут бороться за призовой фонд в 1 500 000 рублей.

Подать заявку можно на сайте

Прогнозирование параметров для невидимых глубоких архитектур.

https://proglib.io/w/2fdacb70

✍🏻 Выпустили третий модуль курса «Статьи для IT». Модуль посвящен авторской редактуре. Рассказываем, как выбирать правильные слова, перекраивать предложения и абзацы так, чтобы текст было приятно читать.

📈 На курс за две недели записалось 120 человек. Не стесняйтесь писать комментарии под степами: и критические, и одобрительные. Начало обсуждения — хороший стимул для других, чтобы включиться в дискуссию. Активность учащихся поможет быстрее запросить у Степика возможность выдавать сертификаты.

Ссылка на курс: https://stepik.org/101672

🧩 5 интересных головоломок и задач, чтобы отвлечься от рутины и немного пошевелить извилинами

В очередном выпуске еженедельной подборки мы подготовили 5 математических, логических и алгоритмических задач, которые помогут скоротать свободное время с пользой.

https://proglib.io/sh/beZhLMwDIA

Deep Learning with PyTorch (2020)
Авторы: Eli Stevens, Luca Antiga, Thomas Viehmann
Количество страниц: 520

Каждый день мы слышим о новых способах эффективного использования глубокого обучения: улучшенных медицинских изображениях, точном обнаружении мошенничества с кредитными картами, долгосрочном прогнозировании погоды и многом другом. Данная книга научит вас создавать системы глубокого обучения и нейронные сети с PyTorch. Изучив основы, вы познакомитесь с передовыми практиками для всего конвейера глубокого обучения, берясь за сложные проекты по мере того улучшения навыков. Все образцы кода легко изучить в загружаемых блокнотах Jupyter.

Скачать книгу

Использование DeepSpeed и Megatron для обучения крупнейшей в мире генеративной языковой модели.

https://proglib.io/w/1cb8910b

Бурное прошлое и неопределенное будущее искусственного интеллекта.

https://proglib.io/w/f5ea1c51

Нейронные сети (с нуля).

https://proglib.io/w/13860160

Facebook откажется от распознавания лиц и удалит данные о более чем 1 миллиарде человек.

https://proglib.io/w/fe7f9836

Начните путь в Data Science уже сейчас!

Тогда без знаний, которые даст вам онлайн-курс Математика для Data Science от преподавателей из МГУ & proglib.academy за 5 месяцев, не обойтись.
Для обучения достаточно школьных знаний по математике. Специальный модуль "Базовая математика" поможет подготовится к курсу.

Оставьте заявку и получите доступ к демо-урокам курса, а также не упустите свой шанс записаться в группу по специальной цене: https://proglib.io/w/c4413cc4

Deep Learning for Vision Systems (2020)
Автор: Mohamed Elgendy
Количество страниц: 480

Как компьютер учится понимать то, что видит? Автор данной книги отвечает на этот вопрос, описывая применения глубокого обучения в компьютерном зрении. Эта книга, в которой используется только школьная алгебра, освещает концепции, лежащие в основе визуальной интуиции. Вы поймете, как использовать глубокое обучение для создания систем компьютерного зрения, работающих с изображениями и распознаванием лиц.

Скачать книгу

🕵️ 10 самых опасных компьютерных вирусов нового века

Список наиболее опасных вирусов, нанесших в XXI веке значительный урон пользователям по всему миру.

proglib.io/w/10v

Math for Deep Learning: What You Need to Know to Understand Neural Networks (2021)
Автор: Ronald T. Kneusel
Количество страниц: 345

Автор объясняет математику, необходимую для понимания дискуссий по глубокому обучению, изучения более сложных реализаций и более эффективного использования инструментов глубокого обучения. Читая книгу, вы проработаете примеры на Python, чтобы изучить ключевые темы, связанные с глубоким обучением, в области вероятности, статистики, линейной алгебры, дифференциального и матричного исчисления, а также узнаете о том, как реализовать поток данных в нейронной сети, обратное распространение и градиентный спуск. Вы также используете Python для работы с математикой, лежащей в основе этих алгоритмов, и даже для построения полнофункциональной нейронной сети.

Скачать книгу

Краткий обзор индустрии ИИ и финансовых услуг.

https://proglib.io/w/245dfebe

🧩 5 интересных головоломок и задач, чтобы отвлечься от рутины и немного пошевелить извилинами

Читайте очередную еженедельную подборку 5 новых интересных алгоритмических, логических и математических задачек для отдыха и прокачки мозгов.

https://proglib.io/sh/RfSQldjrhX

Hands-On Unsupervised Learning Using Python (2020)
Автор: Ankur A. Patel
Количество страниц: 362

Многие эксперты считают, что машинное обучение без учителя - это новый рубеж в области искусственного интеллекта, который может стать ключом к святому Граалю в исследованиях ИИ, так называемому общему искусственному интеллекту. Поскольку большая часть мировых данных немаркирована, традиционное обучение с учителем часто не может быть применено; здесь помогает Unsupervised Learning. Неконтролируемое обучение может быть применено в работе с немаркированными наборами данных, чтобы обнаруживать значимые закономерности, скрытые глубоко в данных, шаблоны, которые могут быть почти никогда не раскрыты людьми.

Скачать книгу

#вопросы_с_собеседований
Почему ReLU лучше и чаще используется в нейронных сетях, чем сигмоида?

Представьте сеть со случайно проинициализированными весами (или нормализованными). Почти 50% сети дает 0 после активации из-за ReLu (вывод 0 для отрицательных значений x). Это означает, что срабатывает меньше нейронов и сама сеть легче.

Может ли нейронная сеть обучать другие сети?

https://proglib.io/w/5eb544ef

Автор обсуждения делится впечатлениями от первого года работы на позиции аналитика данных.

https://proglib.io/w/ff0d126b

💡 Выжимаем из гигантских нейросетей качество, обучая всего 40к параметров из 3 млрд

Гремучая смесь из глубокого обучения и покемонов — статья о том, как Яндекс применил метод P-tuning для модели YaLM.

https://habr.com/ru/company/yandex/blog/588214/