Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-03-10

1 <ul><li><a>№1. Анализируем шедевры живописи с помощью классического ML</a></li>

2 <li><a>№2. Обзор олимпиады AIIJC 2021 и разбор задачи трека NLP</a></li>

3 <li><a>№3. Рекомендательная система торговой сети самообслуживания</a></li>

4 <li><a>№4. Рекомендательная система торговой сети самообслуживания. Часть 2</a></li>

5 <li><a>№5. Photo2recipe: рецепт блюда по одному фото</a></li>

6 <li><a>№6. Чем грозит Москве "британский" штамм COVID-19? Отвечаем с помощью Python и дифуров</a></li>

7 <li><a>№7. Как сделать тематическое моделирование форума быстро или что беспокоит людей с целиакией</a></li>

8 <li><a>№8. Создать мощный курс Machine Learning: миссия выполнена</a></li>

9 <li><a>№9. Style transfer для сериала "Друзья"</a></li>

10 <li><a>№10. ML-обработка результатов голосований Госдумы (2016-2021)</a></li>

11 <li><a>№11. Обработка временных рядов и байесовские модели для распознавания рукописного текста</a></li>

12 </ul><h4><a>№1. Анализируем шедевры живописи с помощью классического ML</a></h4>

13 <p>Данная статья изначально была выпускным проектом для<a>курса по машинному обучению</a>. Автор, вооружившись самодельным парсером, ворвался в онлайн галерею и вынес оттуда почти 50 тысяч картин. Давайте посмотрим, что интересного с этим можно сделать, используя только классические ML инструменты</p>

14 <h4><a>№2. Обзор олимпиады AIIJC 2021 и разбор задачи трека NLP</a></h4>

15 <p>Автор рассказал о своем опыте участия в соревновании Artificial Intelligence International Junior Contest и о решении своей команды, которое заняло первое место в треке NLP.</p>

16 <h4><a>№3. Рекомендательная система торговой сети самообслуживания</a></h4>

17 <p>Эта статья - некоторый итог погружения автора в стихию DS и ML. В рамках курса<a>"Machine Learning.Advanced"</a> автор изучил несколько любопытных направлений анализа с использованием машинного обучения, и когда настало время подготовки проектной работы, остановил свое внимание на рекомендательных системах.</p>

18 <h4><a>№4. Рекомендательная система торговой сети самообслуживания. Часть 2</a></h4>

19 <p>Продолжение описания хода учебного исследовательского проекта по разработке рекомендательной системы. В первой части мы остановились на том, что модель, полученная с использованием библиотеки LightFM, не оправдала ожиданий автора. Можно ли сделать что-то лучше?</p>

20 <h4><a>№5. Photo2recipe: рецепт блюда по одному фото</a></h4>

21 <p>В данном посте рассказывается фреймворке, который по фотографии еды определяет, из каких ингредиентов состоит блюдо, а затем предлагает несколько вариантов рецептов его приготовления.</p>

22 <h4><a>№6. Чем грозит Москве "британский" штамм COVID-19? Отвечаем с помощью Python и дифуров</a></h4>

23 <p>Туториал на основе трехмесячного исследования. В нём автор постарался передать все важные детали, которые могут сэкономить много недель работы.</p>

24 <h4><a>№7. Как сделать тематическое моделирование форума быстро или что беспокоит людей с целиакией</a></h4>

25 <p>В данной статье автор расскажет и покажет пример того, как человек с минимальным Data Science опытом смог собрать данные из форума и сделать тематическое моделирование постов с использованием LDA модели, а также выявить наболевшие темы людей с глютеновой непереносимостью.</p>

26 <h4><a>№8. Создать мощный курс Machine Learning: миссия выполнена</a></h4>

27 <p>У нас было 2 неудачных запуска, 169 студентов, 8 сердитых отзывов, 3 смены названий, слишком много теории и мало реальной практики. Не то чтобы это было полным провалом, но если начал обучать Data Science, надо сделать это идеально. В статье рассказываем историю о том, как мы развивали в OTUS направление анализа данных и какие на этом пути допустили, а потом исправили ошибки.</p>

28 <h4><a>№9. Style transfer для сериала "Друзья"</a></h4>

29 <p>В данном посте мы, с помощью методов автоматической обработки текстов, исследуем стиль речи шести главных героев знаменитого сериала "Друзья", проведем мультиязычный анализ для русского и английского языков, а также обучим нейросеть общаться в стиле главных героев.</p>

30 <h4><a>№10. ML-обработка результатов голосований Госдумы (2016-2021)</a></h4>

31 <p>Однажды автор наткнулся на сайт, на котором представлены результаты голосований Госдумы РФ за весь период её работы - с 1994-го года по сегодняшний день, и ему показалось интересным применить некоторые техники машинного обучения и обычной статистической обработки для выяснения некоторых вопросов. Каких вопросов и что из этого получилось - читайте в статье.</p>

32 <h4><a>№11. Обработка временных рядов и байесовские модели для распознавания рукописного текста</a></h4>

33 <p>Автор статьи - недавний выпускник курса<a>"Machine Learning.Advanced"</a>по продвинутым техникам машинного обучения и автор проекта "Применение алгоритмов обработки временных рядов и байесовских моделей для задачи извлечения символов из темпоральной информации с цифровой ручки".</p>

34 <p>Еще больше технических материалов вы найдете в <a>нашем блоге на хабре</a>.</p>