Работе с данными действительно должно быть посвящено больше времени, чем с моделями, хотя именно на втором часто сосредотачиваются во время разработки.
Тут рассматриваются работа над исправлением ошибок во время разметки, но как быть например в случае ambiguous данных? Например в разметке есть классы "каска" и "голова" и много картинок, где они встречаются вместе. Вот как объяснить как и на что реагировать?! (Примеров может быть множество, ["окно", "человек"] ["перила", "человек"] ["рука", "телефон"], ...) Есть ли какие методы хотя бы фильтрации таких данных, чтобы понимать, что вот такие картинки лучше не добавлять в датасет, так как они "запутывают" модель
не думал что я выберу такой трепещущий некоторых пример... Этот пример призван показать что у человека "внимание" тоже не абсолютное, а сфокусировано на конкретных предметах. Ровно такая же мысль была в статье про восстановление сигнала декодером, но с некоторой потерей информации
смею не согласиться. Сколько раз в "этих ваших тиктоках" видел видео на подобии "девушка показывает своему парню видео с красоткой, а потом спрашивает какого цвета у нее был маникюр\футболка\что-угодно" Тем самым проверяя было ли его внимание сконцентрировано на женских достоинствах
"добрый" вы перевели как "good", а вроде более корректно как "kind". Потому что "good" также трактуется как "хороший, добротный, качественный". Может из за этого отличия в "доброте" на разных языках?
Это нормально для чеголвека сопротивляться прогрессу. Сразу после появления технологии ее часто боятся и обвиняют в негативном эффекте на человека. Так было с телевизорами, холодильниками, микроволновками и т.д.
В этой статье мы собрали только лучшие бесплатные онлайн курсы по нейронным сетям и машинному обучению. Это курсы от известных IT‑компаний, которые предоставляют полное погружение в тему, а не являются просто прогревом перед каким‑то платным продуктом.
Здесь просто куча курсов не указаны, которые в русскоговорящем сообществе считаются классикой. Чем обусловлен выбор именно этих курсов?
Оч. сложная, но оч крутая статья!
Работе с данными действительно должно быть посвящено больше времени, чем с моделями, хотя именно на втором часто сосредотачиваются во время разработки.
Тут рассматриваются работа над исправлением ошибок во время разметки, но как быть например в случае ambiguous данных? Например в разметке есть классы "каска" и "голова" и много картинок, где они встречаются вместе. Вот как объяснить как и на что реагировать?! (Примеров может быть множество, ["окно", "человек"] ["перила", "человек"] ["рука", "телефон"], ...) Есть ли какие методы хотя бы фильтрации таких данных, чтобы понимать, что вот такие картинки лучше не добавлять в датасет, так как они "запутывают" модель
круто, спс. А есть возможность потом в ONNX конвертировать?
а что за трансформер? Можно подробнее что именно используете? репо на гитхабе или huggingFace? Тот же trocr? Датасет свой?
а статистика по полу не может быть смещенной?! Чаще всего дома смотрю сериалы не я, хотя оплата производится с моей карты
не думал что я выберу такой трепещущий некоторых пример... Этот пример призван показать что у человека "внимание" тоже не абсолютное, а сфокусировано на конкретных предметах. Ровно такая же мысль была в статье про восстановление сигнала декодером, но с некоторой потерей информации
смею не согласиться. Сколько раз в "этих ваших тиктоках" видел видео на подобии "девушка показывает своему парню видео с красоткой, а потом спрашивает какого цвета у нее был маникюр\футболка\что-угодно" Тем самым проверяя было ли его внимание сконцентрировано на женских достоинствах
а как после кучи-малы вы используете биометрич. данные, чтобы потом понять кто есть кто?
Как будто бы все-таки "0" показывает, что сходство полное
лол, фановый коммент, чекайте
это кто вам сказал подобное?! Вы сотрудник Яндекса с доступами к статистике?!
так а что за модель использовали? YOLO?
"добрый" вы перевели как "good", а вроде более корректно как "kind". Потому что "good" также трактуется как "хороший, добротный, качественный". Может из за этого отличия в "доброте" на разных языках?
а они откуда знают?
тут речь не о том, что плохо брать их произведения для обучения НС, а в том, что плохо брать их произведения для обучения НС и не делиться прибылью
Это нормально для чеголвека сопротивляться прогрессу. Сразу после появления технологии ее часто боятся и обвиняют в негативном эффекте на человека. Так было с телевизорами, холодильниками, микроволновками и т.д.
вот также нашел отличный пост https://habr.com/ru/articles/774844/ Он включает те курсы, которые я советовал выше
Для спрашивающих: https://mlcourse.ai/book/index.html (он же на гитхабе https://github.com/Yorko/mlcourse.ai) - это прям классика о классике, как говорится "знать надо" Лекции + ДЗ
Deep learning курс (след. ступень) https://www.youtube.com/playlist?list=PL5FkQ0AF9O_pTeRf6UjyfnsRbMyema6I3
Далее целый курс от Яндекса и Физтеха https://habr.com/ru/companies/yandex/articles/277427/ - я проходил на Курсере, как сейчас с этим я не знаю, но вроде есть альтернативные площадки
Также диплернинг - https://vk.com/dlschool_mipt от 0 до "базы" хороший курс на степике. С ДЗ, так что знания точно отложатся
Здесь просто куча курсов не указаны, которые в русскоговорящем сообществе считаются классикой. Чем обусловлен выбор именно этих курсов?
я не против технологии спутникового интернета, просто не понятно насколько это "золотая клетка"