🖥 5 советов по работе с Jupyter, которые упростят вам процесс программирования

Поэтому в этой статье я представлю 5 крутых возможностей Jupyter, о существовании которых вы, вероятно, даже не подозревали.

📌 Читать

@machinelearning_ru

⏩ ​Пишем GPT в 60 строк NumPy — часть 1

Если уже тестировали популярные модельки нейросетей через API или даже просто когда-то что-то где-то слышали и хотите копнуть глубже, в этой статье автор рассказал, как написать GPT всего в 60 строках numpy с нуля: https://habr.com/ru/post/716902/

Для понимания статьи достаточно базово разбираться в Python, NumPy и обладать небольшим опытом в обучении нейросетей. В реализации отсутствует большая часть функциональности, чтобы максимально её упростить. В общем, enjoy.

Вообще, понимание архитектуры GPT — всего лишь небольшая часть более масштабной темы больших языковых моделей, но жизненно важная для разработчиков нейросетей. GPT оказалась первой архитектурой, у которой есть удобные свойства масштабирования, высокой параллелизации на GPU и качественного моделирования последовательностей. Ну и самое приятное, что исходники выложены на гитхабе: github.com/jaymody/picoGPT.

@machinelearning_ru

🏷 Ресурсы, которые дадут очень прочную основу для начала работы с машинным обучением.

Набор тем, ранжированных по темам.

Градиентный спуск

Метрики — классификация

▪Матрицы неточностей, точность, прецезионность, recall, чувствительность
▪F1-оценка
▪TPR, TNR, FPR, FNR
▪Ошибки I и II типов
▪Кривые AUC-Roc

Метрики — регрессия

▪Общая сумма квадратов, объясненная сумма квадратов, остаточная сумма квадратов
▪Коэффициент детерминации и его скорректированная форма
▪AIC и BIC
▪Преимущества и недостатки RMSE, MSE, MAE, MAPE

Компромисс отклонение-дисперсия, Over/Under-Fitting

▪Метод k-ближайших соседей
▪Random Forests
▪Асимптотические свойства
▪Проклятие размерности

Выбор модели

▪k-Fold кросс-Валидация (перекрестная проверка)
▪L1 и L2 регуляризация
▪Байесовская оптимизация

Sampling

▪Классовый дисбаланс при обучении классифицирующих моделей
▪SMOTE
▪Несбалансированность классов в независимых переменных
▪Систематическая ошибка выборки

Модели регрессии

▪Глубокие нейронные сети для проблем регрессии
▪Случайная лесная регрессия
▪Регрессия XGBoost
▪ARIMA / SARIMA
▪Байесовская линейная регрессия
▪Регрессия на основе гауссовского процесса

Алгоритмы кластеризации

▪Метод К-средних
▪Иерархическая кластеризация
▪Процессы Дирихле

Классификационные модели

▪Логистическая регрессия
▪Множественная регрессия
▪XGBoost
▪Метод опорных векторов

@data_analysis_ml

✔️ The Intel Neuromorphic DNS Challenge

Intel Neuromorphic DNS Challenge

🖥 Github
📌Статья
💨Dataset

@machinelearning_ru

TemporalMaxer: Maximize Temporal Context with only Max Pooling for Temporal Action Localization

🖥 Github: https://github.com/tuantng/temporalmaxer

⏩ Paper: https://arxiv.org/abs/2303.09055v1

💨 Dataset: https://paperswithcode.com/dataset/kinetics

@machinelearning_ru

🖥 3 быстрых и простых способа визуализации ваших данных с помощью Pandas

В этой статье мы рассмотрим 3 простых и экономящих время способа визуализации ваших данных с помощью Pandas. Кроме того, я приложил Jupyter-Notebook со всеми примерами в конце этой статьи.

▪ Читать дальше

@machinelearning_ru