Каждый вторник в Новосибирском Академгородке кто-то завтракает

Помогаю интересным заказчикам решать интересные задачи с помощью анализа данных и машинного обучения. Помогаю запустить аналитический отдел в компании.

Разбор статьи "STaRK: Benchmarking LLM Retrieval on Textual and Relational Knowledge Bases".

Что почитать про топологический анализ данных

Что почитать про интерпретируемость больших языковых моделей.

Разбор статьи "ReFT: Representation Finetuning for Language Models".

Разбор статьи "BLADE: Enhancing Black-box Large Language Models with Small Domain-Specific Models".

Машинное обучение в физике ускорителей заряженных частиц - обзор подходов

Разбор статьи "GaLore: Memory-Efficient LLM Training by Gradient Low-Rank Projection".

Лекция про устойчивость моделей машинного обучения

Разбор статьи "Seven Failure Points When Engineering a Retrieval Augmented Generation System".

Как научиться программировать с нуля.

Подняли mattermost сервер сообщества OpenDataScience

Люди делятся на две половины - одни делят все на две половины, другие нет.

Внутренний микрокурс для джунов по pandas

Что почитать про анализ интервальных данных.

Что почитать про причинно-следственный анализ (causal inference).

Основы проектирования ML-систем.

Машинное обучение на практике.

Что почитать про вероятностное программирование.

Собираю третьекурсников для совместного участия в конкурсах по анализу данных и машинному обучению.

В августе будет новый запуск курса по проектированию систем машинного обучения (ML System Design).

Устойчивость ML-моделей после выкатки в прод. Выступление на Datafest2023 в секции Reliable ML.

Что ты сделал для Хип-Хопа в свои годы?

Устойчивость ML-моделей Как часто дообучать модель и как делать это правильно. О том, что модели нужно не только делать, но и поддерживать + пара советов на этом пути.

Лекция ML System Design Doc от Reliable ML. AI Talent Hub в ИТМО ai.itmo.ru

Разбор статьи "GPTs are GPTs. An Early Look at the Labor Market Impact Potential of Large Language Models".

Курс по проектированию систем машинного обучения (ML System Design).

Интеграция в бизнес-процессы.

ML инфраструктура и платформы.

Непредвзятость. Безопасность. Карточки моделей.

Временные ряды и графы.

Эксперименты и версионирование.

Жизненный цикл модели.

Потоковые данные.

Диагностика ошибок и отказов.

Развертывание.

Оценка качества модели.

Выбор и обучение ML-модели.

Подготовка и отбор признаков.

Выступление на митапе Омского сообщества по машинному обучению

Обучающие данные.

Основы проектирования ML-систем.

Машинное обучение на практике.

Что нового в интерпретируемости ML-моделей. Выступление на DataFest / Reliable ML

Лекция в ODSLab про регулярные выражения в Python

Лекция на Comptech @ 2022 про машинное обучение в бизнесе

Краткое введение в ML/AI для студентов курса Big social data кафедры медиакоммуникаций СПбГУ

Что у ней внутри: Зачем и как интерпретировать модели машинного обучения. НГУ, "Семинар невозможного"

Месторождения ошибок. Анализ пространства ошибок моделей машинного обучения (Dataconf, Барнаул)