Часть 4: Обучение и валидация модели — 250 эпох, 94.55% точности и борьба с переобучением
От диплома до продакшена: Как я создавал архитектуры ИИ-проектовЧасть 4: Обучение и валидация модели — 250 эпох, 94.55% точности и борьба с переобучениемВ этой части я расскажу о самом критическом этапе — обучении модели. Здесь 250 эпох отделяют работающую модель от неработающей, а правильная настройка гиперпараметров определяет успех всего проекта.СодержаниеВведение: Почему обучение — это не просто «нажать кнопку»Подготовка данных к обучению
Pandas на Python: От чтения CSV до сложной аналитики за 1 статью
1. Введение и быстрый старт: Excel на максималкахДавайте начистоту. Если вы когда-нибудь пытались анализировать табличные данные с помощью стандартных списков и словарей Питона, вы знаете, какая это боль. Циклы внутри циклов, куча проверок на пустоту, простыни кода ради простейшей группировки...А если вы пробовали открыть CSV-файл на пару-тройку миллионов строк в обычном Excel — ну, вы наверняка помните этот зависший белый экран и звук взлетающего кулера.Так вот, Pandas
Менеджер ML-экспериментов. Что это и как он нас выручает
Привет, Хабр! Меня зовут Владимир Кочетков, и я тимлид Deep Learning разработки в области распознавания речи и соавтор курса «MLOps для разработки и мониторинга моделей» в Яндекс Практикуме. А ещё автор скромного образовательного телеграм-канала про ML :-)Сегодня поделюсь опытом, как мы с командой внедряли менеджер ML-экспериментов, и расскажу:в чём сложность обучения моделей;когда нам понадобился менеджер экспериментов;
Как я решил вкатиться в Android разработку через вайбкодинг. Часть 2. Ну или разработка мобильного приложения через ИИ
автор Gemini nanobananaВ прошлой части я остановился на том что собрал свое приложение, наладил работу и залил в google play. Здесь будет не то чтобы полноценный гайд, скорее тот путь что я прошел и попытка получить опыт в написании статьи
ООП в Python за 1 статью: от «Hello World» до архитектуры
Вы уже освоили переменные, циклы и функции. Ваши скрипты бодро парсят сайты и перекладывают файлы. Но однажды проект начинает расти.Вместо одного файла — десять. Переменные «путешествуют» по коду непредсказуемым образом, а попытка исправить один баг рождает два новых. Вы смотрите на редактор и понимаете: это не архитектура, это тарелка со спагетти.Именно в этот момент на сцену выходит ООП.Многие новички боятся этой аббревиатуры, представляя скучные университетские лекции и сложные диаграммы. Из-за страха они продолжают писать код «в столбик», лишая себя мощных инструментов разработки.
ИИ (Генеративное) видео без галлюцинаций: пишем CLI-конвейер на Python (Qwen + Manim)
Что мы научимся делать:1. Введение. Почему пиксели врут, а код — нет
Как я установил Ollama на Ubuntu 24.04 и начал обучать локальную LLM под свои задачи
В какой-то момент я понял, что хочу иметь свой личный ChatGPT прямо на ноутбуке — локальный, безопасный, работающий без интернета и полностью под моим контролем.
Изучаем Python: модуль json для начинающих с домашним заданием
Введение: JSON – универсальный язык обмена даннымиЕсли вам когда-либо приходилось передавать структурированные данные между двумя разными системами, вы наверняка сталкивались с JSON. Сегодня JSON (JavaScript Object Notation) — это общепринятый стандарт для обмена данными в интернете. Он стал настолько популярным благодаря своей простоте и эффективности.Что это такое простыми словами?Представьте, что вам нужно отправить кому-то информацию о пользователе: имя, возраст и список его увлечений. В Python вы бы, скорее всего, использовали словарь:
Как устроены AI агенты: разбираемся на примере ReAct и Reflection
Привет, Хабр! В последнее время AI агенты стали главным трендом. Многие используют готовые шаблоны, такие как create_react_agent из langchain, но не понимают, как они работают под капотом. При этом агенты становятся все сложнее, и придет время, когда нужно будет писать свою реализацию. В этой статье мы разберем:Устройство ReAct агента Устройство Reflection агента Примеры системных prompt запросов Кейсы использования и особенности Что такое AI агентПрежде чем переходить к коду, нужно понять, что можно считать агентом. Существует множество определений, например:
Создаем свой RAG: от загрузки данных до генерации ответов с LangGraph. Часть 2
Привет, Хабр!В этой статье я объясню, как работает технология RAG (Retrieval-Augmented Generation), и покажу её базовые реализации. Для примеров я буду использовать фреймворк LangGraph — его основы я разбирал в предыдущей статьеВ конце статьи вас ждет дополнительный пример, поэтому дочитывайте до конца. Как устроен RAGТехнология RAG состоит из двух ключевых компонентов:Индексация (Indexing)Загрузка данныхРазбиение на фрагменты Векторизация Хранение Поиск и генерация (Retrieval and Generation)
