🔥 Google мощно улучшила Gemini 1.5 Pro. Теперь нейронная сеть понимает аудио и работает быстрее.

Она может легко трансформировать аудио в текст, создавать краткую выжимку из лекции, анализировать любимую песню. Есть множество возможностей применения.

Тестируем новый функционал здесь. Нужно включить VPN.

@machinelearning_interview

📌 Яндекс открыл YandexART API и рассказал, как обучали модель

Исследователь генеративных моделей из Yandex Research делится подробностями разработки и усовершенствования API YandexART v2, которая недавно стала доступна для тестирования компаниям в Foundation Models, сервисе платформы Yandex Cloud: как отбирали данные для обучения модели, какие подходы лежат в её основе, как добились качества работы нейросети по нужным критериям. Внутри также замеры на DrawBench.

🔗 https://habr.com/ru/companies/yandex/articles/805745/

@machinelearning_interview

🦾 Google выпустили модель с новой архитектурой Griffin, которая превосходит transformers по своим характеристикам.

Griffin превосходит базовые показатели transformers baseline в контролируемых тестах как по шкале MMLU для различных размеров параметров, так и по среднему баллу в различных тестах.

Архитектура модели имеет преимущества в плане эффективности за счет более быстрого вывода и меньшего потребления памяти при выводе длинных контекстов.

▪Статья: arxiv.org/abs/2402.19427
▪Версия 2B на hugging face: huggingface.co/google/recurrentgemma-2b

@machinelearning_interview

🔥 Большая подборка вопросов для собеседования по DS, AI, ML, DL, NLP, компьютерному зрению. Часть 2

🚀 Часть 1

▪Вопросы и ответы на собеседования по машинному обучению для специалистов в области анализа данных
▪Вопросы и ответы на собеседования по глубокому обучению для специалистов в области обработки данных
▪Вопросы по статистике
▪Вопросы по теории вероятности
▪Репозиторий для линейки онлайн-курсов по статистике
▪Вопросы и ответы для специалистов по анализу данных на Python
▪Вопросы и ответы для собеседований по SQL и DB для специалистов по обработке данных
Вопросы, основанные на резюме
▪Вопросы и ответы на собеседования по большим языковым моделям (ВПН)
▪Вопросы и ответы на собеседования по компьютерному зрению часть 1( ВПН)
▪Вопросы и ответы на собеседования по компьютерному зрению часть 2 (ВПН)
▪Вопросы и ответы на собеседования по компьютерному зрению часть 3 (ВПН)

@machinelearning_interview

⚡️ 4 Репозитория на Github для подготовки к 4 различным типам собеседований по разработке программного обеспечения:

1. Собеседования по системному дизайну: https://github.com/ashishps1/awesome-system-design-resources

2. Собеседования по низкоуровневому проектированию: https://github.com/ashishps1/awesome-low-level-design

3. Собеседования по программированию: https://github.com/ashishps1/awesome-leetcode-resources

4. Поведенческое собеседование: https://github.com/ashishps1/awesome-behavioral-interviews

@machinelearning_interview

🔥 Решение тестового задания на стажировку в Контур Data Science

В данном задании предлагается вам сделать модель, которая поможет отделу госзакупок извлекать нужный кусок текста из документа для того, чтобы сформировать анкету заявки.

То, какой именно фрагмент текста нужно извлечь, зависит от пункта анкеты, соответствующего документу.

Всего в каждом документе, с которыми вы будет работать, есть 1 из 2-х пунктов анкеты, по которым необходимо извлекать кусочки из текста:

▪обеспечение исполнения контракта
▪обеспечение гарантийных обязательств

Соответственно, ваша модель, принимая на вход текст документа и наименование одного из двух пунктов, должна возвращать соответствующий кусочек текста из текста документа.

Тестовое задание
Для выполнения тестового задания требуется разработать модель, которая будет способна по паре текст документа и пункт анкеты извлекать из текста документа нужный фрагмент текста. Обучив модель, добавьте в файл test.json поле extracted_part в том же формате, что и в файле train.json.

Новый файл назовите predictions.json

Подсказка: изучив данные, вы можете заметить, что у части наблюдений отсутствует фрагмент текста к извлечению (пустая строка внутри поля extracted_part с answer_start и answer_end равными нулю). Это означает, что в тексте документа нет нужного фрагмента текста, соответствующего пункту анкеты. Учтите это в обучении вашей модели и при формировании файла с ответами.

Тестовое задание
Для выполнения тестового задания требуется разработать модель, которая будет способна по паре текст документа и пункт анкеты извлекать из текста документа нужный фрагмент текста. Обучив модель, добавьте в файл test.json поле extracted_part в том же формате, что и в файле train.json. Новый файл назовите predictions.json

Подсказка: изучив данные, вы можете заметить, что у части наблюдений отсутствует фрагмент текста к извлечению (пустая строка внутри поля extracted_part с answer_start и answer_end равными нулю).

Это означает, что в тексте документа нет нужного фрагмента текста, соответствующего пункту анкеты. Учтите это в обучении вашей модели и при формировании файла с ответами.

▪Dataset
▪Решение
▪Github

@machinelearning_interview

🌟 Введение в машинное обучение (классические методы машинного обучения)

курс "Введение в машинное обучение" для студентов третьего курса ЭФ ЭМИТ РАНХиГС. В курсе расмотрены практические аспекты классических методов машинного обучения.

▪ Github

@machinelearning_interview

⚡ Data Structures Reference

​​Если вы собираетесь на техническое собеседование, то не забудьте повторить структуры данных и алгоритмы.

Здесь собраны все структуры данных с краткими определениями и красивой визуализацией.

Помимо всего прочего, в гайде перечислены сильные и слабые стороны каждой структуры, трюки и связанные алгоритмы.

Поэтому держите годную статью, для подготовки.

🔗 Гайд
🔗Теоретические основы всех популярных алгоритмов ML и их реализация на Python

@machinelearning_interview