Machinelearning

2021-03-26 06:40:06 Каждый день мы загружаем и передаем все больше контента. Нагрузка на базовые станции операторов растет, но вместе с ней растет и качество связи. Как это получается? И какую роль в этом процессе играет big data?

Ответы найдете в видео «Как нейросети помогают оставаться на связи», где Тимур и Вика, датасайентисты из МегаФона, рассказывают, почему модернизация базовых станций – это задача из области data science, как работает модель, на основании рекомендаций которой принимаются решения о необходимости «прокачки» той или иной вышки, и остается ли в этом процессе место для человека.

Спойлер: место для человека остается. Например, в МегаФоне в команду по работе с большими данными ищут Team Lead, Senior data scientist, инженера SQL и других специалистов. Открыть/Комментировать

2021-03-25 08:43:52 The GENRE (Generarive ENtity REtrieval) system as presented in Autoregressive Entity Retrieval implemented in pytorch.

Github: https://github.com/facebookresearch/GENRE

Paper: https://arxiv.org/abs/2103.12528v1

Dataset: https://github.com/facebookresearch/GENRE/blob/main/scripts/download_all_datasets.sh

@ai_machinelearning_big_data Открыть/Комментировать

2021-03-25 07:30:11 The last article in uplift modeling tutorials by MTS data scientists: “Metrics in uplift modeling”

Uplift models are used to promote products and create advertising segments

Habr: https://habr.com/ru/company/ru_mts/blog/538934/
Code: https://nbviewer.jupyter.org/github/maks-sh/scikit-uplift/blob/master/notebooks/uplift_metrics_tutorial.ipynb Открыть/Комментировать

2021-03-23 09:53:45 The Best ML Frameworks & Extensions for Scikit-learn

https://neptune.ai/blog/the-best-ml-framework-extensions-for-scikit-learn

@ai_machinelearning_big_data Открыть/Комментировать

2021-03-22 09:20:10 Contrastive Learning of Musical Representations

Github: https://github.com/spijkervet/CLMR

Paper: https://arxiv.org/abs/2103.09410

@ai_machinelearning_big_data Открыть/Комментировать

2021-03-22 07:30:08 Продолжается набор на оплачиваемую летнюю стажировку в Яндексе

Если вы (или ваши друзья) давно хотели попробовать себя в роли разработчика, летняя стажировка — идеальный вариант.
Отлично проявившие себя стажеры получат шанс перейти в штат!

Направления: фронтенд- и бэкенд-разработка, машинное обучение, аналитика, мобильная разработка и другие — ознакомиться с ними можно здесь.
Особый формат стажировки — Deep Dive в Яндекс.Маркете.

Сколько длится: от трех до 6 месяцев.

Где: в Москве, Санкт-Петербурге, Екатеринбурге, Нижнем Новгороде, Новосибирске, Сочи, Симферополе и Минске.
Если вы из другого города — мы оплатим вам дорогу и проживание в Москве

Что нужно уметь: мы ждём отличного знания базовых алгоритмов и уверенных навыков программирования на одном из языков.

Как проходит отбор: зависит от направления, но в большинстве случаев нужно будет выполнить тестовое задание, пройти два-три технических интервью, а затем выбрать команду.

Подавайте заявку до 31 мая: https://clck.ru/TgiBN Открыть/Комментировать

2021-03-20 09:26:07 Large Scale Image Completion via Co-Modulated Generative Adversarial Networks, ICLR 2021 (Spotlight)

Gitub: https://github.com/zsyzzsoft/co-mod-gan

Paper: https://openreview.net/pdf?id=sSjqmfsk95O

Demo: http://comodgan.ml/

@ai_machinelearning_big_data Открыть/Комментировать

2021-03-19 09:57:39 PyTorch Geometric Temporal is a temporal (dynamic) extension library for PyTorch Geometric.

Github: https://github.com/benedekrozemberczki/pytorch_geometric_temporal

Paper: https://dl.acm.org/doi/10.1145/3308560.3316581

Dataset: https://pytorch-geometric-temporal.readthedocs.io/en/latest/notes/introduction.html#discrete-time-datasets

@ai_machinelearning_big_data Открыть/Комментировать

2021-03-18 09:30:08 Probabilistic two-stage detection

Two-stage object detectors that use class-agnostic one-stage detectors as the proposal network.

Github: https://github.com/xingyizhou/CenterNet2

Paper: https://arxiv.org/abs/2103.07461v1


@ai_machinelearning_big_data Открыть/Комментировать

2021-03-18 07:30:05 Яндекс создал новый сервис для ML-разработки и анализа данных — Yandex DataSphere.

Его можно попробовать бесплатно (предоставляется 50+ часов с GPU в фоновых ячейках) по ссылке: https://clck.ru/TkwJG

В чем его главные фишки
Не требует настройки: разворачивается в облаке за пару кликов и сразу же готов к работе. Поэтому забываем как страшный сон об установке ПО и выборе правильных мощностей заранее.
Привычный интерфейс Jupyter Notebook. А сами проекты не пропадают и живут столько же, сколько ваше облако.
После исполнения сохраняется состояние (состояние = код + вывод + переменные). Поэтому можно вернуться к любому шагу разработки и не придется заново запускать вычисления.

Продукт молодой, команда очень отзывчива к пожеланиям и на информацию о любых багах быстро реагирует в чате (https://t.me/yandex_datasphere). Вы можете принять реальное участие в становлении Yandex DataSphere. Открыть/Комментировать