tgoop.com »
United States »
Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение » Telegram Web
🙌 Agents 101: Ваш первый ИИ-агент за 30 минут — это реально
Создание собственного агента может показаться непростой задачей: куча концепций, фреймворков и практик, которые нужно освоить.
Но не переживайте — мы нашли простой способ добавить агента в ваше приложение.
Подробный туториал уже ждет вас по ссылке: https://clc.to/P-6evQ
Создание собственного агента может показаться непростой задачей: куча концепций, фреймворков и практик, которые нужно освоить.
Но не переживайте — мы нашли простой способ добавить агента в ваше приложение.
Подробный туториал уже ждет вас по ссылке: https://clc.to/P-6evQ
❤3👍3
А вообще, какой моделью вы пользуетесь?
Anonymous Poll
50%
ChatGPT — классика жанра.
29%
DeepSeek — не верю слухам о безопасности.
3%
Gemini — я не такой как все.
18%
Экзотика: Qwen, Mistral , Grok — всегда что-то новое.
👍2
📍 Введение в программирование на CUDA для Python-разработчиков
Современные GPU содержат тысячи ядер, способных обрабатывать огромные объемы данных параллельно. В отличие от CPU, выполняющего несколько сложных задач последовательно, GPU идеально подходят для задач, требующих массовых вычислений, таких как машинное обучение, обработка изображений и симуляции.
В этой статье вы узнаете:
✅ Как устроены GPU и чем они отличаются от CPU
✅ Что такое CUDA и как она позволяет программировать GPU
✅ Как PyTorch, TensorFlow и JAX скрывают сложность работы с CUDA
✅ Простой пример работы с CUDA в Python
🔗 Читать статью: https://clc.to/DWE_Ag
Современные GPU содержат тысячи ядер, способных обрабатывать огромные объемы данных параллельно. В отличие от CPU, выполняющего несколько сложных задач последовательно, GPU идеально подходят для задач, требующих массовых вычислений, таких как машинное обучение, обработка изображений и симуляции.
В этой статье вы узнаете:
✅ Как устроены GPU и чем они отличаются от CPU
✅ Что такое CUDA и как она позволяет программировать GPU
✅ Как PyTorch, TensorFlow и JAX скрывают сложность работы с CUDA
✅ Простой пример работы с CUDA в Python
🔗 Читать статью: https://clc.to/DWE_Ag
🔥2❤1👍1
Forwarded from Библиотека питониста | Python, Django, Flask
💾 10 способов работы с большими файлами в Python, о которых ты не знал
Годнота для всех, кто работает с данными. Статья раскрывает разные подходы к обработке больших файлов — от простых итераторов до распределенных вычислений.
👍 Сохраняй себе, точно пригодится в работе: https://proglib.io/sh/VOcgo7w0W1
Годнота для всех, кто работает с данными. Статья раскрывает разные подходы к обработке больших файлов — от простых итераторов до распределенных вычислений.
👍 Сохраняй себе, точно пригодится в работе: https://proglib.io/sh/VOcgo7w0W1
❤1
😱 10 Python-библиотек, которые изменят ваш Data Science
Python для Data Science — это не только Pandas и NumPy! В нашей статье — 10 скрытых библиотек, которые ускорят работу с большими данными, автоматизируют ML и улучшат визуализацию.
✅ Быстрые альтернативы Pandas (Dask, Modin, Polars, Datatable)
✅ AutoML для моделей (PyCaret, H2O.ai)
✅ Упрощение трансформаций (Fugue)
✅ Умная визуализация (Sweetviz, Lux)
Ссылка на сборник библиотек: https://clc.to/ibe2ew
Python для Data Science — это не только Pandas и NumPy! В нашей статье — 10 скрытых библиотек, которые ускорят работу с большими данными, автоматизируют ML и улучшат визуализацию.
✅ Быстрые альтернативы Pandas (Dask, Modin, Polars, Datatable)
✅ AutoML для моделей (PyCaret, H2O.ai)
✅ Упрощение трансформаций (Fugue)
✅ Умная визуализация (Sweetviz, Lux)
Ссылка на сборник библиотек: https://clc.to/ibe2ew
❤1
Главные ИИ-новости февраля
🦾 Hugging Face запустила Spaces — гигантский каталог, где собрано почти 400,000 нейросетей.
🎙 Джефф Дин и Ноам Шазир (Google) дали двухчасовое интервью о будущем ИИ.
🚀 Grok-3 с улучшенным ризонингом.
🤖 Яндекс выпустил YandexGPT.
📸 YOLO v12 — новая версия культового детектора объектов.
🧠 OpenAI выпустили GPT-4.5 — еще умнее и креативнее.
📚 Анонс бесплатного курса по генеративному ИИ от Kaggle и Google.
👨💻 Google представил AI co-scientist и Gemini Code Assist — новый ИИ-помощник для кодинга.
ИИ не стоит на месте — следите за обновлениями!
🦾 Hugging Face запустила Spaces — гигантский каталог, где собрано почти 400,000 нейросетей.
🎙 Джефф Дин и Ноам Шазир (Google) дали двухчасовое интервью о будущем ИИ.
🚀 Grok-3 с улучшенным ризонингом.
🤖 Яндекс выпустил YandexGPT.
📸 YOLO v12 — новая версия культового детектора объектов.
🧠 OpenAI выпустили GPT-4.5 — еще умнее и креативнее.
📚 Анонс бесплатного курса по генеративному ИИ от Kaggle и Google.
👨💻 Google представил AI co-scientist и Gemini Code Assist — новый ИИ-помощник для кодинга.
ИИ не стоит на месте — следите за обновлениями!
❤2👍1🔥1
🧑💻 Статьи для IT: как объяснять и распространять значимые идеи
Напоминаем, что у нас есть бесплатный курс для всех, кто хочет научиться интересно писать — о программировании и в целом.
Что: семь модулей, посвященных написанию, редактированию, иллюстрированию и распространению публикаций.
Для кого: для авторов, копирайтеров и просто программистов, которые хотят научиться интересно рассказывать о своих проектах.
👉Материалы регулярно дополняются, обновляются и корректируются. А еще мы отвечаем на все учебные вопросы в комментариях курса.
Напоминаем, что у нас есть бесплатный курс для всех, кто хочет научиться интересно писать — о программировании и в целом.
Что: семь модулей, посвященных написанию, редактированию, иллюстрированию и распространению публикаций.
Для кого: для авторов, копирайтеров и просто программистов, которые хотят научиться интересно рассказывать о своих проектах.
👉Материалы регулярно дополняются, обновляются и корректируются. А еще мы отвечаем на все учебные вопросы в комментариях курса.
👍1
🎬 Предсказываем ваш следующий любимый фильм с NetworkX, Jaccard Similarity и cuGraph
В мире, переполненном данными, делать осознанный выбор становится сложнее. К счастью, рекомендательные системы помогают упростить этот процесс, используя мощь графов.
Почему графы?
Они отлично моделируют связи между объектами, а NetworkX — популярный инструмент для графового анализа в Python. Он удобен, богат алгоритмами и имеет активное сообщество.
❌ Но есть проблема — NetworkX не справляется с большими масштабами данных, которые нужны для рекомендаций.
Можно ли создать эффективную рекомендательную систему на графах в несколько строк кода, сочетая удобство и высокую производительность?
💡 Ответ ищите в статье: https://clc.to/hE8VPA
В мире, переполненном данными, делать осознанный выбор становится сложнее. К счастью, рекомендательные системы помогают упростить этот процесс, используя мощь графов.
Почему графы?
Они отлично моделируют связи между объектами, а NetworkX — популярный инструмент для графового анализа в Python. Он удобен, богат алгоритмами и имеет активное сообщество.
❌ Но есть проблема — NetworkX не справляется с большими масштабами данных, которые нужны для рекомендаций.
Можно ли создать эффективную рекомендательную систему на графах в несколько строк кода, сочетая удобство и высокую производительность?
💡 Ответ ищите в статье: https://clc.to/hE8VPA
❤3👍3
🤔 Основы математики в Machine Learning / Deep Learning
🗓 6 марта приглашаем вас на прямой эфир, где мы подробно разберем ряд Тейлора, собственные векторы и другие ключевые понятия в ML.
(ссылка)
🌟 Спикер: *Мария Горденко* – Старший преподаватель ФКН НИУ ВШЭ, НИТУ МИСИС, аспирант департамента анализа данных и искусственного интеллекта ФКН НИУ ВШЭ, а также преподаватель на курсе Алгоритмы и структуры данных в proglib academy.
Место работы: Инженер-программист, ведущий эксперт НИУ ВШЭ, цифровой ассистент и цифровой консультант НИУ ВШЭ.
😮 На вебинаре вы узнаете:
🔵 Теорию вероятностей: обсудим случайные величины, вероятность, математическое ожидание и дисперсию.
🔵 Линейную алгебру: изучим векторы, матрицы, собственные векторы и собственные значения.
🔵 Математический анализ: разберем производные и разложение функций в ряд Тейлора.
🔵 Практику: применим полученные знания на реальных кейсах из области Machine Learning и Deep Learning.
🎯 Почему это важно?
Понимание математических основ помогает глубже разобраться в работающих под капотом алгоритмах ML/DL и эффективно применять их на практике.
👉 Присоединяйтесь к нам и совершенствуйте свои навыки в машинном обучении!
📌 Регистрация по ссылке: https://proglib.io/w/6693dce7
🗓 6 марта приглашаем вас на прямой эфир, где мы подробно разберем ряд Тейлора, собственные векторы и другие ключевые понятия в ML.
(ссылка)
🌟 Спикер: *Мария Горденко* – Старший преподаватель ФКН НИУ ВШЭ, НИТУ МИСИС, аспирант департамента анализа данных и искусственного интеллекта ФКН НИУ ВШЭ, а также преподаватель на курсе Алгоритмы и структуры данных в proglib academy.
Место работы: Инженер-программист, ведущий эксперт НИУ ВШЭ, цифровой ассистент и цифровой консультант НИУ ВШЭ.
😮 На вебинаре вы узнаете:
🔵 Теорию вероятностей: обсудим случайные величины, вероятность, математическое ожидание и дисперсию.
🔵 Линейную алгебру: изучим векторы, матрицы, собственные векторы и собственные значения.
🔵 Математический анализ: разберем производные и разложение функций в ряд Тейлора.
🔵 Практику: применим полученные знания на реальных кейсах из области Machine Learning и Deep Learning.
🎯 Почему это важно?
Понимание математических основ помогает глубже разобраться в работающих под капотом алгоритмах ML/DL и эффективно применять их на практике.
👉 Присоединяйтесь к нам и совершенствуйте свои навыки в машинном обучении!
📌 Регистрация по ссылке: https://proglib.io/w/6693dce7
👍1
❗ Гессиан больше не нужен! Упрощаем оценку неопределённостей в ML.
Оценка неопределённости в нейросетях — важная, но вычислительно затратная задача. В недавнем исследовании, показано, что традиционные методы на основе Гессиана не только требовательны к ресурсам, но и порой неточны.
Что предложено:
✅ Заменяем Гессиан на единичную матрицу в аппроксимации Лапласа
✅ Улучшаем определение выбросов в данных
✅ Достигаем точности на уровне небайесовских методов
Как это работает? Читайте в статье: https://clc.to/yxJ1sQ
Оценка неопределённости в нейросетях — важная, но вычислительно затратная задача. В недавнем исследовании, показано, что традиционные методы на основе Гессиана не только требовательны к ресурсам, но и порой неточны.
Что предложено:
✅ Заменяем Гессиан на единичную матрицу в аппроксимации Лапласа
✅ Улучшаем определение выбросов в данных
✅ Достигаем точности на уровне небайесовских методов
Как это работает? Читайте в статье: https://clc.to/yxJ1sQ
👍3❤2🤔1
🦆 Освоение DuckDB для тех, кто привык к pandas или Polars
Вы, возможно, слышали о впечатляющей надежности и производительности DuckDB. Возможно, вы хотите его попробовать, НО ПОГОДИТЕ! Вы — дата-сайентист и привыкли к pandas или Polars, а не к SQL. Вы умеете пользоваться SELECT, JOIN и GROUP BY, но не многим больше.
И теперь у вас вопрос: возможно ли использовать SQL для выполнения таких задач, как:
✔️ Центрирование переменной (т.е. вычитание её среднего значения)?
✔️ Ресемплирование по времени?
✔️ Вычисление скользящих статистик?
Не только возможно, но и довольно просто! Давайте разберёмся, как реализовать основные операции с датафреймами в SQL.
Вы, возможно, слышали о впечатляющей надежности и производительности DuckDB. Возможно, вы хотите его попробовать, НО ПОГОДИТЕ! Вы — дата-сайентист и привыкли к pandas или Polars, а не к SQL. Вы умеете пользоваться SELECT, JOIN и GROUP BY, но не многим больше.
И теперь у вас вопрос: возможно ли использовать SQL для выполнения таких задач, как:
✔️ Центрирование переменной (т.е. вычитание её среднего значения)?
✔️ Ресемплирование по времени?
✔️ Вычисление скользящих статистик?
Не только возможно, но и довольно просто! Давайте разберёмся, как реализовать основные операции с датафреймами в SQL.
👍8❤1
This media is not supported in your browser
VIEW IN TELEGRAM
🔍 Топ-5 библиотек для объяснения ML моделей
🟢 SHAP (Shapley Additive Explanations)
Один из самых популярных методов объяснения модели на основе вкладов признаков.
🟢 LIME (Local Interpretable Model-agnostic Explanations)
Модель-агностичный подход, который обучает локальную интерпретируемую модель вокруг конкретного предсказания.
🟢 Eli5 (Explain Like I’m Five)
Упрощённое объяснение сложных ML-моделей, поддержка scikit-learn, Keras и других фреймворков.
🟢 AI Explainability 360 (AIX360)
Библиотека от IBM для объяснения моделей на различных типах данных: табличных, текстовых, изображениях и временных рядах.
🟢 InterpretML
Инструмент от Microsoft, который включает как интерпретируемые «прозрачные» модели, так и объяснители для «чёрных ящиков».
🟢 SHAP (Shapley Additive Explanations)
Один из самых популярных методов объяснения модели на основе вкладов признаков.
🟢 LIME (Local Interpretable Model-agnostic Explanations)
Модель-агностичный подход, который обучает локальную интерпретируемую модель вокруг конкретного предсказания.
🟢 Eli5 (Explain Like I’m Five)
Упрощённое объяснение сложных ML-моделей, поддержка scikit-learn, Keras и других фреймворков.
🟢 AI Explainability 360 (AIX360)
Библиотека от IBM для объяснения моделей на различных типах данных: табличных, текстовых, изображениях и временных рядах.
🟢 InterpretML
Инструмент от Microsoft, который включает как интерпретируемые «прозрачные» модели, так и объяснители для «чёрных ящиков».
🔥6👍3❤1
TSFRESH: автоматическое извлечение признаков из временных рядов
📌 TSFRESH (Time Series Feature extraction based on scalable hypothesis tests) — это мощная библиотека для автоматического извлечения признаков из временных рядов.
🔹 Использует алгоритмы из статистики, анализа временных рядов, обработки сигналов и нелинейной динамики.
🔹 Позволяет анализировать не только временные ряды в классическом понимании, но и любые последовательности событий.
🔹 Включает встроенный механизм отбора релевантных признаков.
Ссылка на проект: https://clc.to/TntpNw
📌 TSFRESH (Time Series Feature extraction based on scalable hypothesis tests) — это мощная библиотека для автоматического извлечения признаков из временных рядов.
🔹 Использует алгоритмы из статистики, анализа временных рядов, обработки сигналов и нелинейной динамики.
🔹 Позволяет анализировать не только временные ряды в классическом понимании, но и любые последовательности событий.
🔹 Включает встроенный механизм отбора релевантных признаков.
Ссылка на проект: https://clc.to/TntpNw
👍7❤1
🚀 Что должны уметь супергерои Data Science?
Data Science — это такая область, где требуется баланс между программированием, математикой и исследовательской работой. В разных компаниях ожидания от дата-саентистов могут сильно различаться: кто-то требует глубоких знаний в математике, а кто-то больше акцентирует внимание на навыках разработки. В любом случае, хороший код — это основа работы каждого супергероя DS.
Хотите узнать, как развивать навыки дата-саентиста, работать с командой и интегрировать решения с коммерческой и продуктовой разработкой?
Ответ в статье: https://clc.to/3o7TpA
Data Science — это такая область, где требуется баланс между программированием, математикой и исследовательской работой. В разных компаниях ожидания от дата-саентистов могут сильно различаться: кто-то требует глубоких знаний в математике, а кто-то больше акцентирует внимание на навыках разработки. В любом случае, хороший код — это основа работы каждого супергероя DS.
Хотите узнать, как развивать навыки дата-саентиста, работать с командой и интегрировать решения с коммерческой и продуктовой разработкой?
Ответ в статье: https://clc.to/3o7TpA
❤1