While US markets are panicking you can try to play with DeepSeek by installing it locally or using Cursor, it is already available there.
https://dev.to/lunaticprogrammer/using-deepseek-r1-in-visual-studio-code-for-free-2279

Зимняя школа по аналитике и Data Science «IT-сеанс: погружение в мир данных»

📍 Москва
⏰ вс, 02 февраль 2025, 10:00 (+0300)

Центр непрерывного образования приглашает на зимнюю школу «IT-сеанс: погружение в мир данных». Вас ждут лекции и мастер-классы от спикеров из таких компаний, как: Яндекс, Т-Банк, Купер, Okko, Авито, Билайн, Банк России, Эйч.

Приглашаем всех, кто хочет разобраться:
зачем переходить в IT
как построить карьеру в аналитике и Data Science
-как Data Science применяется в разных индустриях

Помимо выступлений спикеров, вы сможете:
предоставить свое резюме, получить обратную связь и советы по улучшению
пообщаться с экспертами и понять, как устроены прикладные задачи в индустрии
выиграть памятные призы за участие в дополнительных активностях

Участие бесплатное для всех желающих, требуется регистрация.



Подписывайтесь на новые мероприятия в боте @NetworklyBot

Обзор ключевых направлений ML
#w06 вт 04.02 в 18:00 НИУ ВШЭ
https://cs.hse.ru/sber/ai_recsys_lectures/polls/1008383094.html

Хотите узнать, как ML меняет подход к взаимодействию с человеком? В нашей лекции мы рассмотрим методы пресонализации предложений во всех ключевых взаимодействиях с человеком.
Мы покажем, как возможно увеличивать покрытие персонализации, сокращая при этом ненужные коммуникации. Это отличная возможность погрузиться в ключевые ML-направления.

Расскажем о направлениях работы департамента данных и рекомендательных систем, а также поможем сориентироваться в выборе карьерного трека в Сбере.

Место проведения: г. Москва, ул. Покровский б-р д.11, R304

The Hugging Face AI Agents Course 🤗

На следующей неделе (10 февраля) стартует бесплатный курс Hugging Face Agents. Курс рассчитан на обучение в течение 6 недель, новый материал будет публиковаться раз в две недели. Цель курса научить вас создавать и деплоить ИИ Агентов в продакшен.


https://bit.ly/hf-learn-agents:
The Hugging Face AI Agents Course 🤗
Register now for the Hugging Face Agents Course 🤗!
Next Start Date: February 10th 2025!
In this free course, you will:
📖 Learn the basics of Agents from scratch.
🕵️ Build your own Agents using the latest libraries and tools.
🎓 Earn a certificate of completion to showcase your achievement.

Checkout the syllabus, prerequisites, and details on this Hugging Face Hub Organization 🏡 https://huggingface.co/agents-course
Join our community on Discord to connect with other learners and our team 👉🏻 https://discord.gg/UrrTSsSyjb


#ИИСаммари (as is)):
Курс агентов по уходу за лицом в обнимку

Запуск курса "Агенты по уходу за лицом в обнимку"
• Курс поможет создать и внедрить агентов искусственного интеллектаLink
• Рассчитан на 6 недель, проходящих раз в две неделиLink
• Начало курса: 10 февраля 2025 годаLink

Программа курса
• Адаптационный блок: предоставление инструментов и платформLink
• Основные принципы работы агента: инструменты, мысли, действия, наблюдения, LLM, сообщения, токены, шаблон чата, универсальные функции pythonLink
• Фреймворки: smolagents, LangGraph, LLamaIndexLink
• Варианты использования: создание примеров в реальной жизниLink
• Окончательное задание: создание агента по выбранному критерию, участие в таблице студенческих лидеровLink

Дополнительные бонусы
• В ближайшие недели будут выпущены дополнительные блокиLink

График
• Начало 10 февраля 2025 годаLink
• 4 тематических блока, новый блок каждые 2 неделиLink
• Блоки содержат живое занятие, письменные материалы и интерактивную викторинуLink

Предпосылки
• Программирование на PythonLink
• Запрос LLMLink
• Аккаунт Hugging Face (бесплатный)Link

Сообщество
• Присоединяйтесь к сообществу "Обнимающее лицо Диссонирует" для изучения курса, внесения вклада или обсужденияLink

Источник: https://www.tgoop.com/dataeng/624

📆 Что обсуждалось вчера 12.02.2025

🐳 Использование Docker в разработке (2 сообщений)

Интересные ссылки:

🔗 Мастер-класс по Docker, который объясняет его полезность и применение в разработке.

#dailysummary | ⭐️ поддержать команду

Ребята
Мы в команде решили проходить курс по графам :)
За основу взял стэнфордский курс
cs224w Machine Learning with Graphs
По материалам - на просторах интернета есть абсолютно все лекции 2021г и только 8 лекций 2023г
прикол в том что есть лекции которые есть в 2023, которых нет в 2021 и наоборот, поэтому я попробовал их объединить.

Сегодня начнем (поздний анонс немного), но там типа интро всего лишь, думаю не очень критично

Информация тут:
https://www.tgoop.com/sberlogawithgraphs/26044

Эти пет проекты должен сделать каждый ML специалист

Устроиться можно и без проектов, но если у вас их нет, то мл кейсы будут решаться неуверенно и на финалах будете выглядеть слабее других. Никто не ждет гениального проекта с инфраструктурой— реализовать какие-то бейзлайны и понимать специфику задач уже достаточно для стажера и джуна. А если хотите обогатить свое портфолио совсем мощными пет проектами, то советую наш курс МЛ хард.

1. Кредитный скоринг
Стоит ли давать кредит— довольно популярная задача и отличный выбор для новчиков, чтобы самостоятельно проделать все этапы. Сначала берем любой датасет на kaggle по запросу Credit Scoring. Проводим EDA, генерируем гипотезы, фичи, готовим данные для модели и делаем бейзлайн: логистическая регрессия. Затем уже можно попробовать случайный лес, градиентный бустинг, KNN или еще что по вкусу— сравниваем метрики. И на последок не забываем проанализировать результаты и культурно презентовать. Можно провести АВ тест на смой первой модели.
Все варианты решения и реализации можно найти в интернетах: GitHub, Хабр. Очень полезным будет посмотреть всякие выступления на конференциях по этой теме для вдохновения, да и это очень поможет на мл кейсах.

2. Наивный Байесовский классификатор (НБК)
Для конкретики будем классифицировать письма на спам. Опять же обработаем данные: удаляем числа, знаки препинания, стоп-слова, стемминги, лемматизацию.
Объединяем все методы предварительной обработки и создаём словарь слов и счётчик каждого слова в наборе данных для обучения:
1. Вычисляем вероятность для каждого слова в тексте и отфильтровываем слова со значением вероятности меньше порогового. Такие слова будут нерелевантными.
2. Для каждого слова в словаре создаём вероятность, что это слово окажется в спаме. Определяем условную вероятность для использования её в НБК.
3. Вычисляем прогнозируемый результат с помощью условных вероятностей.
НБК реализовать не сложно. Куда интересней погрузиться во всю теорию, которая за этим стоит, в вероятностные модели. К тому же, кейс фильтрации спама и подобного часто встречается на собесах.

3. MLOps
Можно наладить какой-то минимальный прод для проектов: например телеграм бот или FastAPI. Можно еще автоматизировать пайплайн с помощь AirFlow и попробовать запустить инфраструктуру не только локально, но и облаке. Конечно нужно будет поизучать Docker, Cuber, Hadoop, Spark, HDFS, Kafka. Но на самом деле ничего трудного— после нашего курса дата инженер будете делать такие вещи по щелчку пальцев.

4. Ранжирование и матчинг
Для начала лучше пробежаться глазами по статье и посмотреть, что пишут в интернетах. Можно выделить три подхода к задаче: поточечный, попарный, списочный. Советую начать с первого как самого простого. Для конкретики будем предсказать оценку релевантности для запросов тестового датасета. Здесь можно кстати поучиться парсить web-страниц и собирать сырые данные, размечать их с помощью какого-нибудь Яндекс-Толока. Делаем регрессию, а затем Random Forest Regressor, XGBoost, lightGBM, CatBoost.
Совсем продвинутые могут попробовать языковые модели в духе FastText, Word2Vec, DSSM и более сложные: BERT, можно даже попробовать архитектуру трансформеров.

5. Рекомендашки
Очень популярный кейс на собесах. Для начала лучше пробежаться глазами по этому разделу и посмотреть, что пишут в интернетах. Затем начинаем реализовывать самое простое как бейзлайн, например, content-based рекомендации, KNN. Дальше можно попробовать факторизации матрицы рейтингов по svd разложению или по более эффективной als архитектуре и функции ошибок bpr. Затем можно попробовать W2V подход, чтобы использовать последовательность взаимодействий пользователя для построения рекомендации следующего предмета.
Для знатоков DL можно попробовать DSSM, SasRec/Bert4Rec, MultVAE, Merlin или графовые нейронки: GCN-подобные архитектуры.
Также стоит попробовать обучение с подкреплением: многоруких бандитов.
Ну и конечно рекомендательные системы можно попробовать рассмотреть как задачу ранжирования.

@postypashki_old