Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-03-10

1 <ul><li><a>Выявление схожести между произведением искусства из коллекции музея и работами автора методами ML</a></li>

2 <li><a>Предсказание остановок оборудования с использованием LSTM и Байесовского подхода</a></li>

3 <li><a>Алгоритмы быстрого возведения в степень</a></li>

4 <li><a>Обучение с подкреплением: 10 вариантов применения</a></li>

5 <li><a>Компромисс смещения и дисперсии в машинном обучении</a></li>

6 <li><a>Применение архитектурных шаблонов в машинном обучении: разбор Gradient Boosting</a></li>

7 <li><a>Архитектуры RL: DDPG иPPO</a></li>

8 <li><a>Введение в архитектуру MLOps</a></li>

9 <li><a>Что такое аналитический инжиниринг?</a></li>

10 <li><a>LIME и SHAP</a></li>

11 </ul><h2>Выявление схожести между произведением искусства из коллекции музея и работами автора методами ML</h2>

12 <p>Моим датасетом стало собрание картин Музея современного искусства (MoMA), Нью-Йорк. В нем представлено описание работ 20 956 авторов. Набор данных произведений искусства содержит 130 262 записи.</p>

13 <p>Мне очень хотелось поработать именно с этим датасетом. Этому способствовали три обстоятельства. Первое - на меня произвело неизгладимое впечатление то, что исследователи Музея MoMA изучают легитимность владения произведениями, созданными до 1946 года и/или приобретенными после 1932 года, которые могли находиться в Европе при нацизме, чтобы выявить любые незаконные приобретения в коллекции Музея.</p>

14 <p><a>Читать далее</a></p>

15 <h2>Предсказание остановок оборудования с использованием LSTM и Байесовского подхода</h2>

16 <p>Исследование выполнено в рамках выпускного проекта на курсе<a> </a>Machine Learning Advanced<a> </a>в OTUS. </p>

17 <p>В проекте развиты и реализованы в коде идеи Давида Пагано (Davide Pagano) из статьи <a>A predictive maintenance model using Long Short-Term Memory Neural Networks and Bayesian inference</a>, опубликованные в Decision Analytics Journal в марте 2023. Из-за соглашения о неразглашении никакие подробности о компании, а также ее данные и какой-либо код для иллюстрации исследования автором в статье предоставлены не были.</p>

18 <p>Для предсказания внеплановых остановок оборудования используется комбинация нейронных сетей с долгосрочной краткосрочной памятью (LSTM) и Байесовский подход. LSTM и Байесовская модель обучаются на периодах, когда оборудование находилось в хорошем рабочем состоянии (эталонные периоды).</p>

19 <p><a>Читать далее</a></p>

20 <h2>Алгоритмы быстрого возведения в степень</h2>

21 <p>В настоящее время мы уже так привыкли пользоваться готовыми решениями, что при написании высокоуровневого кода, даже не задумываемся над тем, а как вообще реализованы те или иные инструменты. И уж конечно, при возведении чисел в степень, мы никогда не задумываемся о том, а как вообще все это реализовано. И какие существуют алгоритмы для этого?</p>

22 <p>Возведение числа в степень является одной из основных операций в математике. Что вообще такое возведение в степень? Как нам известно еще со школы - это многократное умножение числа на себя. Но проблема кроется в том, что при возведении больших чисел в очень большие степени вычисления могут занять много времени.</p>

23 <p><a>Читать далее</a></p>

24 <h2>Обучение с подкреплением: 10 вариантов применения</h2>

25 <p>В системе обучения с подкреплением (Reinforcement Learning) агенты обучаются с помощью механизма вознаграждений и наказаний (или регресса). Агент получает вознаграждение за правильные действия и наказание за неправильные. При этом агент старается минимизировать неправильные ходы и максимизировать правильные.</p>

26 <p>В этой статье мы с вами рассмотрим некоторые из реальных применений обучения с подкреплением.</p>

27 <p><a>Читать далее</a></p>

28 <h2>Компромисс смещения и дисперсии в машинном обучении</h2>

29 <p>В этой статье мы рассмотрим такое понятие в машинном обучении, как компромисс смещения и дисперсии (bias-variance Tradeoff). Так как понимание того, что можно изменить в процессе обучения нашего алгоритма обучения, приведет нас к созданию более точных моделей.</p>

30 <p><a>Читать далее</a></p>

31 <h2>Применение архитектурных шаблонов в машинном обучении: разбор Gradient Boosting</h2>

32 <p>Архитектурные шаблоны в машинном обучении представляют собой общие структуры и методологии, которые позволяют разработчикам более эффективно решать задачи. Они представляют собой набор <em>bewährte Lösungen</em>, то есть "проверенных решений", которые могут быть адаптированы к конкретным задачам и данным. Использование архитектурных шаблонов позволяет сэкономить время и ресурсы при разработке моделей машинного обучения.</p>

33 <p><a>Читать далее</a></p>

34 <h2>Архитектуры RL: DDPG иPPO</h2>

35 <p>В RL существует множество алгоритмов, каждый из которых имеет свои преимущества и недостатки.</p>

36 <p><strong>DDPG</strong> (Deep Deterministic Policy Gradients) - это алгоритм, объединяющий в себе идеи из двух областей: DPG (Deterministic Policy Gradients) и DQN (Deep Q-Network). DDPG подходит для задач с непрерывным действием, и он стал основой к примеру для управления роботами и автономному вождению.</p>

37 <p><strong>PPO</strong> (Proximal Policy Optimization) - это алгоритм, который сосредотачивается на обучении стратегии (policy) с учетом границ для обновлений. PPO стал популярным выбором благодаря своей стабильности и хорошей производительности в различных средах. Он также широко используется в научном обучение, ИИ героев в играх и в других областях.</p>

38 <p><a>Читать далее</a></p>

39 <h2>Введение в архитектуру MLOps</h2>

40 <p>MLOps, или Machine Learning Operations, это практика объединения машинного обучения и операционных процессов. Она направлена на упрощение и ускорение цикла разработки, тестирования, развертывания и мониторинга моделей машинного обучения. В MLOps применяются принципы DevOps, такие как автоматизация, непрерывная интеграция и доставка, для создания более эффективных и масштабируемых решений в области машинного обучения.</p>

41 <p>Объемы данных растут экспоненциально, способность быстро и эффективно обрабатывать эти данные становится ключевой для успеха. MLOps позволяет не просто создавать модели машинного обучения, но и быстро адаптироваться к изменениям, обновлять модели и поддерживать их работоспосоность на высоком уровне. Это важно, поскольку модель, которая работала хорошо вчера, может устареть сегодня из-за изменения данных или условий окружающей среды.</p>

42 <p><a>Читать далее</a></p>

43 <h2>Что такое аналитический инжиниринг?</h2>

44 <p>Будучи единственным аналитиком в быстрорастущем сиднейском стартапе, Клэр испытала на себе все тяготы традиционного рабочего процесса аналитика - застревание в "хомячьем колесе", постоянно растущий бэклог и цифры, которые никогда не сходились. Поэтому она освоила dbt, командную строку, контроль версий и привнесла в свою команду всю скрупулезность аналитического инжиниринга. Попутно она так полюбила dbt, что в итоге собрала вещи и переехала в США, чтобы возглавить активно развивающееся сообщество dbt.</p>

45 <p>Инженеры-аналитики предоставляют конечным пользователям чистые наборы данных, моделируя их таким образом, чтобы конечные пользователи могли сами отвечать на свои вопросы. Сегодня мы с вами поговорим о тенденциях рынка, которые привели к появлению этой новой роли в современных командах по работе с данными.</p>

46 <p><a>Читать далее</a></p>

47 <h2>LIME и SHAP</h2>

48 <p>Модели МО часто сравнивают с "<em>черными ящиками</em>" из-за их неспособности ясно объяснить свои решения. Проблема "<em>черного ящика</em>" возникает, когда внутренняя работа модели настолько сложна или неясна, что даже ее создатели не могут точно понять, как был получен тот или иной результат. Это создает серьезные проблемы, особенно в ситуациях, требующих строгой подотчетности и прозрачности.</p>

49 <p>Методы к <strong>LIME</strong> (Local Interpretable Model-agnostic Explanations) и <strong>SHAP</strong> (SHapley Additive exPlanations), позволяют получить понимание решений, принятых сложными моделями.</p>

50 <p><a>Читать далее</a></p>

51 <a></a>