📌Отличная шпаргалка по разным распределениям

Здесь приведено подробное описание таких распределений как β-распределение, биномиальное, 𝛘-квадрат, нормальное, Пуассона
К каждому из распределений приведена реализация на Python и примеры использования

📎 Распределения

@machinelearning_interview

⚡️ Большая подборка из 210 реализованных проектов, связанных с ML и Deep Learning

Здесь собраны ссылки на репозитории этих проектов с датасетами и готовыми моделями
А вот некоторые из этих проектов:
— определение надёжности клиентов для банка
— расшифровка CAPTCHA
— определение: кот или собака на изображении
— определение наличия/отсутствия диабета

🟡 210 ML-проектов

@machinelearning_interview

🌟 Материалы по Deep Learning — ноутбуки и лекции от Парижского университета

— git clone https://github.com/m2dsupsdlclass/lectures-labs

Можно использовать, чтобы освежить теорию перед собеседованием;
здесь подробно разбираются такие темы как:
— рекомендательные системы
— свёрточные нейросети (CNN) и классификация изображений
— рекуррентные нейросети и NLP
— работа с последовательностями
— механизмы внимания и памяти

📎 Лекции и ноутбуки

@machinelearning_interview

🌟 Работа со статистикой на Python — серия лекций и видео

Здесь раскрываются такие темы как классификация, использование деревьев решений, SVM, обучение без учителя, Survival Analysis
Почти по каждой теме приведены подробные записи с нужной теорией — в целом, очень полезный ресурс для старта в ML

Если интересуют чисто видео, можно сразу сюда

📎 Statistical Learning using Python

@machinelearning_interview

🌟 Детальный разбор реального кейса ML — предсказание исхода больных пациентов по их физиологическим данным

Параллельно затрагиваются такие моменты:
— подготовка данных, удаление выбросов
— обучение ML-модели
— проверка прогнозов модели, оценивание

Используемые данные были взяты из датасета eICU Collaborative Research Database, содержащего обезличенные физиологические данные тяжелобольных пациентов.

🟡 Introduction to Machine Learning

@machinelearning_interview

⚡️ GraphRAG — методология улучшенного извлечения данных для генерации текста из определенных источников (RAG) от Microsoft.

GraphRAG использует графы знаний для улучшения ответов на запросы. Во время запроса система обращается к графу знаний и использует резюме сообществ и связи между сущностями для формирования контекста, который помогает LLM дать более точный ответ, чем традиционные методы, основанные на поиске по векторным сходствам.

Архитектура GraphRAG состоит из ключевых компонентов:

Indexer : разделяет корпус данных на мелкие текстовые блоки (TextUnits), извлекает из них сущности, связи и ключевые утверждения.
Clustering : группирует данные в иерархическую структуру с использованием метода Лейдена, создавая граф знаний.
Community Summarization : генерирует обобщенные описания для каждой группы данных, что помогает в понимании контекста и смыслового связывания всей информации.
Knowledge Graph : структура, объединяющая сущности и их связи, созданная на основе данных.

GraphRAG значительно улучшает работу моделей языка с частными данными, позволяя им более точно и полно отвечать на сложные вопросы, требующие синтеза информации из разных источников.

⚠️ Рекомендации и предупреждения:

- Эффективность индексации зависит от правильной идентификации понятий
- Индексация может быть дорогостоящей, рекомендуется создание тестового набора данных
- Система предназначена для опытных пользователей в предметной области
- Необходим анализ ответов человеком для получения достоверной информации
- Методология наиболее эффективна на текстовых данных с общей темой и множеством сущностей

📄 Документация:

🟢локальный запуск
🟢конфигурирование
🟢эмулятор Azurite

🖥Github
🖥Github для запуска на API Azure
🟡Страница проекта
🟡Arxiv

@ai_machinelearning_big_data

#LLM #GraphRAG #ML #RAG #NLP #Deeplearning