Кто ищет, всегда что-нибудь найдет. Разного рода френологи, сторонники полигонии, "мичуринской генетики", защитники религий получают новое средство доказательства рассового превосходства, ну или идеологической отсталости. Средство мощное и неопровержимое, т.к. нельзя преследить логику принятия решения. Уже сейчас порой обученньіе модели принимают безапелляционньіе решения, а что будет далее ? Без суда, следствия, доказательств, защитьі - "обученная модель версии 100500 решила, что через 50 лет тьі будешь опасен для человечества, во благо всех решено уже сейчас отключить от цепочки жизнеобеспечения."
И зря удалили кадрьі из фильма "Теорема Зеро", они как раз об исследованиях по форме черепа.
28 апреля 2024
A AКто ищет, всегда что-нибудь найдет. Разного рода френологи, сторонники полигонии, "мичуринской генетики", защитники религий получают новое средство доказательства рассового превосходства, ну или идеологической отсталости. Средство мощное и неопровержимое, т.к. нельзя преследить логику принятия решен
Стикер
нажмите — покажем
нажмите — покажем
🤯
Видео
нажмите — покажем
нажмите — покажем
👨🎓 100 лекций по математике от Оксфорда
Оксфорд публикует лекции по математике, чтобы дать представление об опыте студентов и о том, как они преподают математику в Оксфорде.
В этом плейлисте собраны лекции из различных курсов за все студенческие годы (включая целые курсы).
За всеми лекциями следуют учебные занятия, на которых студенты встречаются со своим преподавателем и решают задачи.
Примерно 80 часов отборной математики.
• Плейлист
@data_analysis_ml
11.2K · Фотография
нажмите — покажем
нажмите — покажем
⭐️ Data Science разбор реальной задачи с собеседования. Прогнозирование оттока клиентов.
▪Смотреть
▪Данные
▪Ноутбук
@machinelearning_interview
30K · id 1582970876текст ещё не в индексе
Кто же вспомнит про него. А еще и про евгенику и нацистов. Каждое поколение должно пройти через свои грабли.
29 апреля 2024
Фотография
нажмите — покажем
нажмите — покажем
🌟 Perplexica — открытый поисковой движок с AI
Созданный на основе Perplexity AI, этот движок с открытым исходным кодом не просто ищет в интернете, но и понимает ваши вопросы.
Perplexica использует передовые ML-алгоритмы для уточнения результатов и предоставляет четкие ответы со ссылками на источники.
🖥 GitHub
@data_analysis_ml
6.9K · Видео
нажмите — покажем
нажмите — покажем
🧠 Open AI только что добавили новую функцию памяти в Chatgpt.
Память теперь доступна всем пользователям ChatGPT Plus.
Пользоваться памятью очень просто: просто запустите новый чат и напишите ChatGPT все, что вы хотели бы, чтобы он запомнил.
Функция памяти ChatGPT позволяет запоминать нужные вам детали, чтобы в будущем сделать общение актуальным и персонализированны.
ChatGPT автоматически сохраняет такие детали, как ваши личные предпочтения, но вы также можете попросить ChatGPT запомнить конкретную информацию, сказав:
"Запомнить это" или "Сохрани это в своей памяти".
Примечание:
1. Эта функция доступна только в GPT-4, но не в версии 3.5.
2. Если вы хотите удалить что-либо из памяти, вы можете сделать это через настройки управления памятью
3.Похоже, что это замедляет работу GPT-4, потому что он пытается получить доступ к памяти, а затем отвечает.
Память можно включить или отключить в настройках.
@data_analysis_ml
6.3K · Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
🌟 Cognita — опенсорсный RAG-фреймворк для построения сложных приложений с LLM
🟡Langchain/LlamaIndex предоставляют простые в использовании абстракции, которые можно использовать для быстрых экспериментов и создания прототипов в Jupyter Notebook. Но когда нужно сделать что-то крупнее пет-проекта, возникают ограничения — например, компоненты должны быть модульными и легко масштабируемыми.
И вот здесь отлично пригодится Cognita.
🟡Cognita использует Langchain/Llamaindex под капотом и обеспечивает организацию вашей кодовой базы, где каждый из компонентов RAG является модульным, управляемым API и легко расширяемым. Cognita может быть легко использована локально, при этом инструмент предоставляет вам готовую к производству среду вместе с поддержкой пользовательского интерфейса без кода.
🖥 GitHub
▶️ Затестить Cognita можно тут
@data_analysis_ml
7.1K · 30 апреля 2024
Фотография
нажмите — покажем
нажмите — покажем
🔥Common Voice 17 теперь на hf.
Common Voice 17 - датасет С 31 175 часами аудиозаписей (и транскрипций) на 124 языках 🎶
Большинство аудио в датасете содержат демографические метаданные, такие как возраст, пол и акцент, которые могут помочь повысить точность систем распознавания речи.
Хотите попробовать?
from datasets import load_dataset
cv17 = load_dataset("mozilla-foundation/common_voice_17_0",
"hi",
split="test",
streaming=True)
https://huggingface.co/datasets/mozilla-foundation/common_voice_17_0
@data_analysis_ml
6.7K · Вот что чат гпт высрал: При выполнении операции np.dot(inputs, np.array(weights).T) происходит умножение матриц inputs размером 3x4 на транспонированную матрицу weights размером 4x3. При этом, количество столбцов матрицы inputs должно быть равно количеству строк матрицы weights, чтобы операция умножения была возможна. Если перевернуть матрицу inputs вместо weights, то количество столбцов изменится на количество строк, что приведет к ошибке из-за несовпадения размерностей матриц для умножения.
У меня задача по обучению наивного байесовского классификатора.
Есть 9 признаков со значениями "x", "o" или "b". результат либо "positive", либо "negative". Сама задача это крестики-нолики, где 9 признаков это состояние сетки ("b" - blank), а результат это собственно ответ, победил ли игрок за крестики. Всего около тысячи строк. Сначала я импортирую данные и делаю разметку через sklearn.preprocessing.LabelEncoder, затем беру готовый GaussianNB из того же sklearn. Заметил, что при примерно любом разделении данных на обучающую и тестовую выборки эффективность предсказания вертится вокруг случайности (соотношение "positive" к общему числу случаев), хотя естественно эффективность на обучающей выборке чуть выше.
Для начала хотелось бы узнать, может ли в принципе байесовский классификатор выдать что-то осмысленное для такой задачи и если да, то как мне этого достичь?
I'm definitely not a double cigarette ethernet adapterУ меня задача по обучению наивного байесовского классификатора.
Есть 9 признаков со значениями "x", "o" или "b". результат либо "positive", либо "negative". Сама задача это крестики-нолики, где 9 признаков это состояние сетки ("b" - blank), а результат это собственно ответ, победил ли игрок за крес
а игры в крестики-нолики законченные или нет? если да, то как будто это проще просто алгоритмически проверять
касаемо самой задачи – вопросительно. все признаки в сущности означают одно и то же (разве что центральная клетка чуть сильнее влияет на таргет). если под "случайной" точностью подразумевается 50%, то выглядит так как будто классификатор константу предсказывает (потому что на дистанции процент побед каждого из игроков в крестиках ноликах к 50 сводится). еще, если принять во внимание то, как устроен наивный байес, кажется что он не очень хорошо подходит где две идентичные конфигурации поля (если речь идет все таки о незаконченных играх) приводят к противоположному результату (отсюда может быть и "случайная" точность предсказаний). так что предварительно ответ на вопрос
может ли в принципе байесовский классификатор выдать что-то осмысленное для такой задачи
– скорее нет, чем да. сама задача странная довольно, тут кажется что и человек сомнительно справляется (кроме очевидных ситуаций где можно взять и посчитать)
ваня ш.а игры в крестики-нолики законченные или нет? если да, то как будто это проще просто алгоритмически проверять
касаемо самой задачи – вопросительно. все признаки в сущности означают одно и то же (разве что центральная клетка чуть сильнее влияет на таргет). если под "случайной" точностью подразумевае
Это вообще лабораторная, у меня те же вопросы, но они останутся без ответов, увы.
Просто решил спросить, не хотелось бы тащить преподу что-то невразумительное
I'm definitely not a double cigarette ethernet adapterНапример, в выборке из 1000 случаев, есть 700 победных. Не поэтому ли случайно тыкая в небо точность примерно 70%?
ну вот как раз не случайно тыкая в небо, а тыкая константу, которая встречается чаще
т.е. представим что из 1000 случаев, 700 победных. модель предсказывает все 1000 как победные и получает 70% точность, хотя фактически она дает константные предсказания