Machine Learning World. Страница 3

Как метод подмены задачи борется с несовершенством данных (и мира)

Что такое adversarial validationОдин из самых популярных примеров использования подмены задачи – adversarial validation – трюк, который пришел к нам из соревновательного анализа данных.В конкурсах по...

Иван Максимов | 13 способов ускорить А/В тест, или "Не CUPED-ом единым"

ML in Marketing hub: https://ods.ai/hubs/ml-in-marketing Телеграм-канал https://t.me/mlinmarketing Спикер: Иван Максимов, Data Science Team Lead at Delivery Club Многие аналитики для ускорения А/В тестов в первую очередь используют достаточно сложные статистические приемы (например, CUPED). Однако существует огромное множество более простых и эффективных способов ускорить А/В тесты. Мы обсудим 13 таких способов: от улучшения процесса дизайна теста до применения стат критерия и финального принятия решения о выкатке фичи. А также оценим потенциальный trade-off эффект-затраты от внедрения каждого из способов. Что было в докладе: 00:00 начало видео 01:18 сразу о результатах 02:07 содержание доклада 03:03 как выбирать АБ параметры 07:47 расчет количества групп 11:09 расчет количества метрик 16:18 трансформация метрик 18:58 линеаризация ratio метрик 23:39 как снизить дисперсию метрик 28:02 пост-стратификация, Cuped, cupac 31:20 !ссылка на статьи 32:44 параллельные тесты 35:07 механика бакетов 40:24 стандарт дизайна АБ теста 44:35 календарь АБ 45:29 авто расчет АБ 46:12 культура принятия решений после АБ 47:36 результаты 48:47 с чего начать внедрение АБ в компании https://t.me/mlinmarketing Посмотреть QNA сессию можно по этой ссылке https://t.me/c/1190393733/244 Ссылка на презентацию: https://drive.google.com/file/d/1VPNg-FlZ_XisPoaFLkoJw1Yv-hrHSj2M/view Соцсети Data Fest: https://t.me/datafest https://vk.com/datafest

GitHub - microsoft/SPACH

Contribute to microsoft/SPACH development by creating an account on GitHub.

On the Difficulty of Extrapolation with NN Scaling

A demo showing the difficulty of applying scaling to predict performance of large models.

neural.love | Generate realistic HD-quality portraits from artistic or photographic sources

Using AI, we can generate a realistic approximation of a subject based on old photographs, paintings, drawings, sketches, and assorted other media.

Tasks - Hugging Face

We’re on a journey to advance and democratize artificial intelligence through open source and open science.

Stitch it in Time: GAN-Based Facial Editing of Real Videos

Facial video editing with no temporal components

Grokking: Generalization beyond Overfitting on small algorithmic datasets (Paper Explained)

#grokking #openai #deeplearning Grokking is a phenomenon when a neural network suddenly learns a pattern in the dataset and jumps from random chance generalization to perfect generalization very suddenly. This paper demonstrates grokking on small algorithmic datasets where a network has to fill in binary tables. Interestingly, the learned latent spaces show an emergence of the underlying binary operations that the data were created with. OUTLINE: 0:00 - Intro & Overview 1:40 - The Grokking Phenomenon 3:50 - Related: Double Descent 7:50 - Binary Operations Datasets 11:45 - What quantities influence grokking? 15:40 - Learned Emerging Structure 17:35 - The role of smoothness 21:30 - Simple explanations win 24:30 - Why does weight decay encourage simplicity? 26:40 - Appendix 28:55 - Conclusion & Comments Paper: https://mathai-iclr.github.io/papers/papers/MATHAI_29_paper.pdf Abstract: In this paper we propose to study generalization of neural networks on small algorithmically generated datasets. In this setting, questions about data efficiency, memorization, generalization, and speed of learning can be studied in great detail. In some situations we show that neural networks learn through a process of “grokking” a pattern in the data, improving generalization performance from random chance level to perfect generalization, and that this improvement in generalization can happen well past the point of overfitting. We also study generalization as a function of dataset size and find that smaller datasets require increasing amounts of optimization for generalization. We argue that these datasets provide a fertile ground for studying a poorly understood aspect of deep learning: generalization of overparametrized neural networks beyond memorization of the finite training dataset. Authors: Alethea Power, Yuri Burda, Harri Edwards, Igor Babuschkin & Vedant Misra Links: TabNine Code Completion (Referral): http://bit.ly/tabnine-yannick YouTube: https://www.youtube.com/c/yannickilcher Twitter: https://twitter.com/ykilcher Discord: https://discord.gg/4H8xxDF BitChute: https://www.bitchute.com/channel/yannic-kilcher Minds: https://www.minds.com/ykilcher Parler: https://parler.com/profile/YannicKilcher LinkedIn: https://www.linkedin.com/in/ykilcher BiliBili: https://space.bilibili.com/1824646584 If you want to support me, the best thing to do is to share out the content :) If you want to support me financially (completely optional and voluntary, but a lot of people have asked for this): SubscribeStar: https://www.subscribestar.com/yannickilcher Patreon: https://www.patreon.com/yannickilcher Bitcoin (BTC): bc1q49lsw3q325tr58ygf8sudx2dqfguclvngvy2cq Ethereum (ETH): 0x7ad3513E3B8f66799f507Aa7874b1B0eBC7F85e2 Litecoin (LTC): LQW2TRyKYetVC8WjFkhpPhtpbDM4Vw7r9m Monero (XMR): 4ACL8AGrEo5hAir8A9CeVrW8pEauWvnp1WnSDZxW7tziCDLhZAGsgzhRQABDnFy8yuM9fWJDviJPHKRjV4FWt19CJZN9D4n

Сравнение матричной факторизации с трансформерами на наборе данных MovieLens с применением библиотеки pytorch-acceleratd

Современный человек много чем занимается в интернете: ходит по магазинам, слушает музыку, читает новости. Все эти задачи подразумевают поиск и выбор того, что ему нужно. При этом важную роль тут...

Как получить онлайн магистратуру по CS от американского университета по цене кофе

Поговорим о: Том как я попал в магистратуру по Computer Science от Georgia Tech пока жил и работал в Воронеже Требованиях к поступлению Стоимости Моих впечатлениях от курсов, которые мне...

Как работает DeepMind AlphaFold2?

DeepMind AlphaFold2 и Github Copilot являются одними из наиболее ярких успехов науки и техники в 2021 году. Спустя два года после исходного прорыва AlphaFold, специалисты из DeepMind выпустили вторую...