MLinside

Напомним правила – мы публикуем фрагмент кода, а вы смотрите, что с ним не так. Но трюк в том, что ошибки может и не быть. Так что если хотите прокачать навык чтения и анализа чужого кода, а это крайне полезный навык в работе ML-инженера, рубрика вам пригодится. Вот фрагмент кода: funcs = [] for i in range(3): funcs...

С вами рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях. Девятая задача: предсказание качества вина по его характеристикам Что нужно сделать: на основе различных характеристик вина определить каким будет его итоговое качество Как можно сделать: ▪️Обучить регрессор, затем классификатор, сравнить их качество предсказания ▪️Нормализовать данные...

Собрать первое ML-портфолио сейчас – не проблема. Проблема - показать работодателю, что вы готовы работать с реальными задачами. Поэтому, если вы покажете подходящие pet-проекты, то можно считать, что оффер у вас в кармане. Вот 3 типа проектов, которые особенно хорошо работают для ML-портфолио. Очевидный, но тем не менее, крайне важный совет. Используйте актуальные технологии, например, это может быть работа с большими языковыми моделями, транспортерами или современными NLP-подходами. Идеи для таких проектов можно найти прямо в вакансиях...

Да, у нас в специализации ИИ и анализ данных появился третий блок. 37 уроков, выстроенных в единую систему без лишней теории и разрозненных тем. Это модуль, который собирает нейросети в цельную картину и дает понимание того, как устроены современные модели. Стартуем с базы: повторяем архитектуру нейросетей, SGD, backpropagation, вычислительные графы и автоматическое дифференцирование. Затем переходим к Computer Vision и Natural Language Processing. Материал выстроен последовательно, чтобы от фундаментальных принципов перейти к прикладным задачам и современным архитектурам...