🔥 Вышел PyTorch 2.6
🔷 Появился параметр
🔷 AOTInductor (компилятор для ускорения моделей) получил новые фичи. Теперь в нём есть «минификатор», который помогает находить ошибки в моделях, создавая минимальный код, воспроизводящий проблему.
🔷 Также добавили режим ABI — это значит, что при обновлениях PyTorch ничего гарантировано не сломается.
🔷 Теперь
Полный список изменений здесь 👉 https://clc.to/OcCJwA
🔷 Появился параметр
torch.compiler.set_stance — теперь можно управлять поведением torch.compile. Например, включить «жадный» режим, чтобы код выполнялся без лишней компиляции.🔷 AOTInductor (компилятор для ускорения моделей) получил новые фичи. Теперь в нём есть «минификатор», который помогает находить ошибки в моделях, создавая минимальный код, воспроизводящий проблему.
🔷 Также добавили режим ABI — это значит, что при обновлениях PyTorch ничего гарантировано не сломается.
🔷 Теперь
torch.compile совместим с Python 3.13.Полный список изменений здесь 👉 https://clc.to/OcCJwA
👍8❤1🎉1
🏆 Лучшие библиотеки для Machine Learning на Python
Этот список — настоящий топ open-source проектов по ML, который обновляется каждую неделю.
📊 920 лучших библиотек с общим числом 4.8M звёзд на GitHub!
📂 34 категории, от классического ML до дип-обучения.
📈 Высокий рейтинг проектов на основе качества, данных из GitHub и пакетных менеджеров.
📌 Репозиторий: https://clc.to/brfm8g
Этот список — настоящий топ open-source проектов по ML, который обновляется каждую неделю.
📊 920 лучших библиотек с общим числом 4.8M звёзд на GitHub!
📂 34 категории, от классического ML до дип-обучения.
📈 Высокий рейтинг проектов на основе качества, данных из GitHub и пакетных менеджеров.
📌 Репозиторий: https://clc.to/brfm8g
❤5👍2🥰1
Менеджер данных: как новая роль изменила подход к работе с ML
В статье разберём
🔹 Кто такой менеджер данных и какие у него задачи.
🔹 Как эта роль помогает ML-инженерам.
🔹 В каких случаях компании стоит задуматься о найме.
🔹 Как найти подходящего кандидата.
Подробнее по ссылке: https://clc.to/teOZ8w
В статье разберём
🔹 Кто такой менеджер данных и какие у него задачи.
🔹 Как эта роль помогает ML-инженерам.
🔹 В каких случаях компании стоит задуматься о найме.
🔹 Как найти подходящего кандидата.
Подробнее по ссылке: https://clc.to/teOZ8w
❤1🔥1
😢1
🔥 Hugging Face курс по практическому изучению агентов
На курсе обещают:
🔹 Теорию — разберут, что такое агенты, какие они бывают и как обучить LLM взаимодействовать с окружающей средой.
🔹 Практику — научат создавать агентов для реальных задач: от автоматизации SQL-запросов до генерации кода и анализа документов.
Запись открыта для всех — зарегистрироваться можно здесь.
На курсе обещают:
🔹 Теорию — разберут, что такое агенты, какие они бывают и как обучить LLM взаимодействовать с окружающей средой.
🔹 Практику — научат создавать агентов для реальных задач: от автоматизации SQL-запросов до генерации кода и анализа документов.
Запись открыта для всех — зарегистрироваться можно здесь.
👍5❤1
👍 Кодирование Хаффмана для сжатия данных без потерь
В эпоху быстрорастущих объемов данных эффективные методы сжатия стали необходимостью. Кодирование Хаффмана — это мощный алгоритм жадного сжатия без потерь, широко используемый в различных приложениях.
📌 Детальная статья с реализацией алгоритма
В эпоху быстрорастущих объемов данных эффективные методы сжатия стали необходимостью. Кодирование Хаффмана — это мощный алгоритм жадного сжатия без потерь, широко используемый в различных приложениях.
📌 Детальная статья с реализацией алгоритма
👍8❤1
🔢 Основы квантизации весов
Квантизация весов — это процесс преобразования высокоточных весов нейросети (обычно 32-битных чисел с плавающей запятой) в низкоточные представления (чаще всего 8-битные целые числа).
✅ Это позволяет значительно уменьшить размер модели и снизить потребление памяти, сохраняя при этом высокую производительность.
⚡ Главная сложность — сохранить точность модели, несмотря на снижение разрядности чисел.
Более подробно в статье: https://clc.to/-rZwSA
Квантизация весов — это процесс преобразования высокоточных весов нейросети (обычно 32-битных чисел с плавающей запятой) в низкоточные представления (чаще всего 8-битные целые числа).
✅ Это позволяет значительно уменьшить размер модели и снизить потребление памяти, сохраняя при этом высокую производительность.
⚡ Главная сложность — сохранить точность модели, несмотря на снижение разрядности чисел.
Более подробно в статье: https://clc.to/-rZwSA
👍6❤2👏2
Какие методы отслеживания здоровья вы используете?
Anonymous Poll
36%
🔄 Фитнес-трекер/умные часы
16%
📱 Приложения для трекинга здоровья
18%
📊 Регулярные анализы крови
9%
🌡️ Измерение температуры тела
33%
⚖️ Только вес на весах
38%
🤷♂️ Не отслеживаю показатели
Какие методы улучшения сна вы используете?
Anonymous Poll
18%
😴 Блокировка синего света вечером
22%
🌙 Строгий режим сна
19%
🌡️ Оптимальная температура в спальне
8%
💊 Мелатонин
14%
🍵 Травяные чаи для сна
11%
📱 Трекинг фаз сна
53%
🤷♂️ Никакие
Какие нетрадиционные методы оптимизации здоровья вы пробовали?
Anonymous Poll
22%
🧠 Ноотропы
18%
🥗 Интервальное голодание
12%
🦠 Пробиотики/ферментированные продукты
2%
🌿 Микродозинг
1%
🤖 Биохакерские гаджеты
56%
❌ Не пробовал(а) ничего из перечисленного
5%
📈 Другое (уточните в комментариях)
Сколько времени вы уделяете биохакингу ежедневно?
Anonymous Poll
12%
⏰ Менее 30 минут
3%
⏱️ 30-60 минут
1%
⌚ 1-2 часа
1%
📅 Более 2 часов
85%
🤷♂️ Не уделяю времени специально
Какой эффект вы заметили от практик биохакинга?
Anonymous Poll
12%
💪 Повышение энергии
15%
🧠 Улучшение концентрации
13%
😴 Лучшее качество сна
11%
😊 Улучшение настроения
10%
🏃♂️ Повышение физической формы
60%
🤷♂️ Не заметил(а) эффекта
10%
📈 Другое (уточните в комментариях)
Какую сумму вы тратите на биохакинг ежемесячно?
Anonymous Poll
15%
💰 До 5000 руб.
3%
💸 5000-15000 руб.
0%
🏦 15000-30000 руб.
0%
💎 Более 30000 руб.
80%
0️⃣ Не трачу деньги на это
🔍 4 метода тестирования ML-моделей в продакшене
Наглядная схема с основными стратегиями проверки ML-моделей в боевых условиях.
▪️ A/B тестирование — распределение запросов между старой и новой моделью.
▪️ Canary тестирование — постепенный запуск новой модели для небольшого числа пользователей.
▪️ Перемешанное тестирование — комбинирование предсказаний обеих моделей, например, в рекомендациях.
▪️ Shadow тестирование — тестирование модели без влияния на пользователей, с логированием результатов.
Наглядная схема с основными стратегиями проверки ML-моделей в боевых условиях.
▪️ A/B тестирование — распределение запросов между старой и новой моделью.
▪️ Canary тестирование — постепенный запуск новой модели для небольшого числа пользователей.
▪️ Перемешанное тестирование — комбинирование предсказаний обеих моделей, например, в рекомендациях.
▪️ Shadow тестирование — тестирование модели без влияния на пользователей, с логированием результатов.
❤6👏2🤩2