Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-03-10

1 <ul><li><a>Классификация аудиофайлов с библиотекой Librosa</a></li>

2 <li><a>Swin Transformer V1 и V2 - лучшие модели компьютерного зрения не на основе CNN</a></li>

3 <li><a>Обнаружение границ с использованием градиентов</a></li>

4 <li><a>Преобразование Хафа</a></li>

5 <li><a>Марковские цепи в обработке естественного языка и моделировании текстовых данных</a></li>

6 <li><a>Reinforcment Learning: Google Recsim</a></li>

7 <li><a>Чем мы можем заменить тест Тьюринга</a></li>

8 <li><a>Создаем конвейер машинного обучения с помощью DBT</a></li>

9 <li><a>Классификация грибов методами ML</a></li>

10 </ul><h2>Классификация аудиофайлов с библиотекой Librosa</h2>

11 <p>В этой статье поработаем с аудиофайлами, используя библиотеку librosa и алгоритмы Machine learning.</p>

12 <p>Для начала - что представляет собой аудиосигнал? Это сложный сигнал, состоящий из нескольких одночастотных звуковых волн, которые распространяются вместе как изменение давления в среде. Каждый аудиосигнал имеет свои определенные характеристики: частота, амплитуда, ширина полосы, децибел и т.д. Число волн, производимых сигналом за одну секунду, называется частотой. Амплитуда показывает интенсивность звука, то есть является высотой волны. <a>Продолжение</a></p>

13 <h2>Swin Transformer V1 и V2 - лучшие модели компьютерного зрения не на основе CNN</h2>

14 <p>В этой статье пойдет речь о революционных сетях компьютерного зрения, которые НЕ основаны на CNN. V2 еще больше улучшила V1 и превзошла сети SOTA по точности и скорости.<a>Полное объяснение.</a></p>

15 <h2>Обнаружение границ с использованием градиентов</h2>

16 <p>Поговорим про обнаружение границ с использованием градиентов. Мы рассмотрим, как найти границы между двумя объектами или двумя частями объекта на изображении с помощью OpenCV. Очень важно найти очертания фигур, чтобы в конечном итоге создать сложную программу, например программу для распознавания лиц. Рассмотрим градиентные фильтры Собеля и Лапласа. В конечном итоге разберем обнаружение границ Кэнни, которое использует градиент для получения изображения, состоящего исключительно из границ.<a>Читать далее</a></p>

17 <h2>Преобразование Хафа</h2>

18 <p>В этой статье рассмотрим преобразование Хафа - популярный метод обнаружения фигур среди граней и границ. Также поговорим про использование преобразования Хафа для обнаружения линий и кругов (хотя в целом, его можно расширить до любой формы). Статья будет интересна прежде всего начинающим специалистам по компьютерному зрению.<a>Перейти к статье</a></p>

19 <h2>Марковские цепи в обработке естественного языка и моделировании текстовых данных</h2>

20 <p>В последние десятилетия марковские цепи стали широко используемым инструментом в обработке естественного языка и моделировании текстовых данных. Они представляют собой вероятностную модель, которая основывается на предположении о марковских свойствах последовательности событий.</p>

21 <p>В данной статье мы рассмотрим основные принципы и подходы к использованию марковских цепей в обработке естественного языка и моделировании текстовых данных. Изучим, как применять марковские цепи для предсказания следующего слова в тексте, генерации новых текстовых данных, анализа структуры и семантики текста, а также решения других задач текстовой обработки.<a>Продолжение</a></p>

22 <h2>Reinforcment Learning: Google Recsim</h2>

23 <p>Google RecSim - это библиотека для разработки и экспериментов с рекомендательными системами с использованием обучения с подкреплением. Она предназначена для исследования и разработки рекомендательных систем, которые могут предоставлять рекомендации пользователям, учитывая их предпочтения и интересы, и максимизировать какие-либо ключевые метрики эффективности, такие как клики, конверсии или удовлетворенность пользователями.<a>Читать полностью</a></p>

24 <h2>Чем мы можем заменить тест Тьюринга</h2>

25 <p>На самой заре появления и стремительного распространения социальных сетей возник такой простой лайфхак. Если вы хотите убедиться в том, что собеседник присылает вам свои фотографии, а не чужие, попросите его прислать фотографию, на которой будет видно четыре пальца. Появились большие языковые модели и все как‑то сразу решили, что тест Тьюринга пройден. А это означает, что теперь отличить живого собеседника от виртуального не так‑то просто. Есть ли какой‑то относительно простой способ сделать это? Об этом и о тесте Тьюринга<a>поговорим в статье.</a></p>

26 <h2>Создаем конвейер машинного обучения с помощью DBT</h2>

27 <p>Создание хорошего конвейера данных, который способен на конструирование признаков (feature engineering), обучение и формирование прогнозов на основе ваших данных, может оказаться довольно сложной задачей. Может, но это совсем не обязательно. В этой статье проведу вас по этому процессу шаг за шагом.</p>

28 <p>Для обучения и прогнозирования непосредственно в нашей базе данных, будем использовать BigQuery ML. Затем рассмотрим, как использовать инструмент DBT для создания конвейера данных, который конструирует признаки, обучает модель, делает прогнозы, и все это без необходимости извлечения данных из базы данных.<a>Перейти к статье</a></p>

29 <h2>Классификация грибов методами ML</h2>

30 <p>Хочу поделиться с вами своим опытом анализа данных и машинного обучения на примере интересной и полезной задачи - классификации грибов на съедобные и ядовитые. А именно, в этой статье я расскажу о том, как обучал различные модели машинного обучения отличать съедобные грибы от несъедобных, с какими сложностями столкнулся в процессе и какие интересные наблюдения про грибы и ML открыл по пути. </p>

31 <p>Итак, пройдемся по шагам от подготовки данных к машинному обучению до оценки разных моделей градиентного бустинга.<a>Продолжение</a></p>