Локализовать нельзя ошибиться. Как работает локализация в автономном транспорте и почему это — самая сложная задача. 1-2
Представьте, что вы находитесь за рулем автомобиля. Даже находясь на пустой дороге, в отсутствии других участников дорожного движения, вам необходимо постоянно "подруливать", чтобы удержаться в полосе, притормаживать или останавливаться перед перекрестками и, наконец, поворачивать, останавливаться и парковаться. А теперь представьте, что все тоже самое вам необходимо делать с закрытыми глазами — примерно также "ощущает" себя автономный автомобиль без системы локализации.Всем привет! На связи вновь команда разработки ЭвоКарго, а именно — команда локализации и картирования. Ранее
Книга: «Машинное обучение на табличных данных: XGBoost, глубокое обучение и ИИ»
Привет, Хаброжители!
Курсы по машинному обучению в 2026 году: топ-6 для жаждущих практики
Представьте: через годик-полтора вы на собеседовании в топовом бигтехе. Вас спрашивают не про теорему Байеса, а про то, как вы чистили данные для модели, почему выбрали CatBoost вместо XGBoost и как развернули пайплайн в Docker. Вы уверенно отвечаете — потому что делали это на курсе. Не в теории, а в проекте, который теперь лежит в вашем GitHub. Мы нашли 6 программ в каталоге Хабр Курсов, которые моделируют именно такой путь: от первого import pandas до оффера на позицию Junior ML Engineer.Содержание
Прогнозирование цен на Airbnb в Нью-Йорке
Привет, Хаброжители! Мы открыли предзаказ на книгу «Машинное обучение на табличных данных: XGBoost, глубокое обучение и ИИ» Марка Райана и Луки Массарона. Предлагаем ознакомиться с главой 3 «Машинное и глубокое обучение». Чтобы сравнить машинное и глубокое обучение с точки зрения простоты, сопоставим два решения для конкретной задачи классификации табличных данных: прогнозирование того, будет ли объект недвижимости, предлагаемый в аренду на платформе Airbnb в Нью-Йорке (NYC), иметь цену больше или меньше средней цены в объявлениях Airbnb на этом рынке. Мы сравним:машинное обучение
