ml.
Разбор заданий AI CTF на Positive Hack Days Fest. Часть 2
Всем привет! Публикуем вторую и заключительную часть разбора заданий конкурса AI CTF 2025. Первая часть
Искусственный интеллект как часть CRM
Современные компании обрабатывают огромное количество информации, сталкиваясь с необходимостью адаптации к быстро меняющимся условиям рынка, технологическим инновациям и растущим ожиданиям клиентов. Это подогревает интерес к встроенным инструментам ИИ в составе любого ИТ-решения. Как результат, искусственный интеллект и машинное обучение остаются главным технологическим трендом, а компании-разработчики постоянно совершенствуют инструменты для анализа, прогнозирования и работы с большими массивами данных.В этой статье мы расскажем, как ИИ помогает пользователям
BirdCLEF+ 2025: обзор соревнования и ключевые решения топ-5 команд
BirdCLEF+ 2025 — очередная часть ежегодного соревнования от Cornell Lab of Ornithology по распознаванию звуков дикой природы. В этом году участникам предстало предсказывать целевое животное на коротких фрагментах записи, балансируя между качеством моделей и жёсткими ограничениями железа.Описание соревнованияВот тут полный пост с описаниемДанные – Объём: 12 ГБ аудиозаписей птиц, насекомых, амфибий и рептилий. – Источники: xeno-canto.org, iNaturalist, Colombian Sound Archive (CSA), причём первые два — чистый краудсорс, разметка «грязная»:
Топ вопросов с Data Science собеседований: Основы Classic ML, Линейные модели, Метрики классификации и регрессии
Секрет успешного трудоустройства — в дотошной подготовке к собеседованиям!Этот материал не рассчитан на изучение тем с нуля. Это чеклист и тренажёр, по которому стоит пройтись перед техническим интервью по классическому ML. Кратко, по делу, с акцентом на то, что действительно спрашивают.В этой части разберем:основы машинного обучения,переобучение и кросс-валидация,линейные модели,метрики классификации и регрессии.Параллельно доступно видеоинтервью с разбором тех же вопросов
Крупнейшая независимая оффлайн-конференция по Data Science
Привет, Хабр!Работаете с рекомендательными системами? Оптимизируете ML-модели под дорогое «железо»? Внедряете искусственный интеллект в бизнес-процессы? Тогда обязательно посетите AiConf X — прикладную конференцию по Data Science, которая пройдёт 26 сентября в Москве! На AiConf X 2025 вас ждёт насыщенная программа, открытые дискуссии и дружелюбная атмосфера. Это крупнейшая независимая офлайн-конференция по Data Science, где каждый найдёт что-то для себя.Программа и активности 25+ докладов от ведущих специалистов индустрии.
Need for speed: оценка ошибок измерений в футбольной аналитике. Часть 1
Привет! Меня зовут Артем, и я занимаюсь разработкой систем компьютерного зрения в сервисе Яндекс Спорттех. Среди основных задач нашей команды — футбольная аналитика и работа со статистическими данными.
Вот так подкрути геймификацию и мотивация болеть не будет
В учебнике обществознания за 9 класс есть определение экономики как науки: «Экономика — наука о том, как люди удовлетворяют свои постоянно растущие потребности в условиях ограниченности ресурсов». Точно так и в разметке — нам нужно удовлетворить свои постоянно растущие потребности в объёмах и качестве разметки, а бюджет ограничен. Помочь нам в этом может система мотивации.
Опыт миграции DWH и сложности, которые при этом возникают
Привет, меня зовут Владимир, я работаю во Flocktory дата-инженером и расскажу о том, как мы в процессе переезда с одного облака на другое построили фиче-стор, управленческую отчетность и о проблемах, с которыми мы столкнулись.
RecBole — «комбайн» на PyTorch для любых рекомендаций
Привет, Хабр!Сегодня разберём RecBole — универсальный фреймворк на PyTorch, который отвечает на три насущных вопроса любого ML-инженера рекомендаций:Как быстро обкатать десятки алгоритмов (от классического MF до SASRec и KGAT) на собственном датасете — без сотни скриптов?Как хранить все настройки в одном YAML, а не в трёх сотнях аргументов CLI?Как получить честное сравнение метрик и сразу вынести лучший чекпоинт в прод?Рассмотрим подробнее под катом.Установка и подготовка данныхpip install recbole>=1.2 python -m recbole.quick_start.run_recbole --model=BPR --dataset=ml-1m
