---

Видео на тему: Артур Шайхутдинов - видео

https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Метод главных компонент (PCA, Principal Component Analysis) — это алгоритм машинного обучения без учителя, используемый для снижения размерности данных при сохранении максимального количества информации (дисперсии, т.е. разброса). Он преобразует коррелированные признаки в набор новых некоррелированных переменных — главных компонент, упорядоченных по степени важности. Позволяет перейти от множества признаков к меньшему их числу.Google запустил блестящий инструмент с искусственным интеллектом прямо внутри Творческой студии YouTube. "Спросить у Студии" – это AI-инструмент и партнер по созданию видеоконтента, интегрированный в Творческую студию YouTube. Он может пересказывать комментарии к вашим видео и отзывы о них, собирать актуальную статистику по каналу и генерировать идеи и планы для нового контента. Сейчас им можно пользоваться исключительно в браузерах на компьютере. Чтобы воспользоваться нажмите значок "Спросить у Студии" в верхнем углу Творческой студии YouTube. "Спросить у Студии" отвечает на вопросы об эффективности вашего канала и комментариях к вашим видео, а также помогает находить идеи для новых роликов. Вы можете выбрать один из предложенных вариантов, например "Резюмируй комментарии", а затем уточнить его. Вы также можете воспользоваться встроенным руководством "Как "Спросить у Студии" может помо́чь мне?". Ответы генерируются большими языковыми моделями (LLM), которые получают информацию с вашего канала, от YouTube и из интернета. Инструмент "Спросить у Студии" доступен большинству авторов YouTube в Великобритании, Индии, Канаде, Латинской Америке, Новой Зеландии, США и странах Европейской экономической зоны.https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Федеративное обучение — это способ обучать модель на данных, которые не покидают устройства: вместо самих данных отправляются только обновления модели, которые потом объединяются на центральном сервере. Это полезно для конфиденциальности и когда данные распределены по множеству устройств, например смартфонам или датчикам.https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Walk-forward оптимизация — это способ проверять и подбирать параметры модели на временных данных по шагам: обучают на прошлом участке, тестируют на следующем, затем окно сдвигают вперёд. Она помогает оценить, насколько модель устойчива и не переобучается на исторических данных. #машинноеобучение #нейросети #нейросетьПрезентация: https://vk.com/doc716766_697654677 Спикер: к.т.н., доц. Минитаева Алина Мажитовна / МГТУ им. Н.Э. Баумана, Москва, Россия Соавтор: Шайхутдинов Артур Анисович / АНО ДО «ВЦППИ», Москва, Россия, https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Репозитории проектов: https://github.com/NazarenkoYura/VRPublicSpeakingTrainer https://github.com/1Abraham1/lunar-station https://github.com/Petr09Mitin/vrshop https://github.com/AlexeiLDD/2025_Quest_Room https://github.com/MamykinVsevolod/Acrophobia_VR #vr #virtualreality #виртуальнаяреальностьПрезентация: https://vk.com/doc716766_697651658 Репозиторий: https://github.com/AntonKorzh04/VR-FPV-Simulator Спикер: Жартовский Владимир Юрьевич Соавторы: Тюсин Д.Е., Нефедов Г. Д., Плютто А. П., Жартовский В. Ю. Руководитель проекта: к.т.н., доц. Минитаева А. М. МГТУ им. Н.Э. Баумана, Москва, Россия Команда разработки • Тимлид и разработчик – Корж Антон • Разработчики основной механики – Нефедов Георгий • Разработчик VR-интеграции – Бабурский Юрий • Тестировщик – Жартовский Владимир #vr #virtualreality #виртуальнаяреальностьhttps://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Друзья, привет! Сегодня я в МГТУ им. Баумана на конференции Технологии виртуальной реальности.https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Переобучение — это когда модель слишком хорошо запоминает обучающие данные, включая шум и случайные детали, и поэтому хуже работает на новых данных. Недообучение — это когда модель слишком простая и не улавливает закономерности в данных, поэтому плохо работает и на обучающих, и на новых данных. Простейшим способом борьбы с переобучением является ранняя остановка обучения.https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Тренинг к ДЭ. Информационные системы и программирование. Программист. ГОСТ 19.701-90 в архиве: https://vk.com/doc716766_697061376 Архив с заданием к ДЭ: https://disk.yandex.ru/d/x1RzD2v9dpykHg #демэкзамен #демоэкзамен #дэhttps://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Conformal prediction — это метод оценки неопределённости, который по данным калибровки строит множество допустимых ответов или интервал, так что истинное значение покрывается с заданной вероятностью, например 95%. Он почти не зависит от конкретной модели и работает при очень слабом предположении о том, что данные приходят из одного и того же распределения. Для классификации он возвращает набор классов, а для регрессии — предсказательный интервал.https://courses.rcppe.ru НАиПСИС Тренинг 4. Выполнение Модуля 2 из задания демэкзамена на Windows 7. Обеспечение работоспособности программных и аппаратных средств устройств инфокоммуникационных систем. Оценочные материалы: https://vk.com/doc716766_696992937 Архив с заданием к ДЭ: https://vk.com/doc716766_695965175 Предыдущий тренинг: https://youtu.be/folTlawoaP4 #демэкзамен #демоэкзамен #дэhttps://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Softmax — это функция активации, которая применяется ко всему слою, а не к отдельному нейрону. Она превращает набор чисел модели в вероятности, где сумма равна единице. Для её вычисления берут каждое число, возводят в экспоненту, потом делят на сумму всех таких значений. Её обычно используют в последнем слое многоклассовой классификации, чтобы понять, какой класс модель считает наиболее вероятным. Это называется категориальной кросс-энтропией. #машинноеобучение #machinelearning #ии #ai #искусственныйинтеллект #artificialintelligence #neuralnetworks #нейросети #нейронныесетиhttps://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Сравнение интерактивных визуализаций по математике, физике и инженерии. ChatGPT против Gemini. Напишите в комментариях, где вам больше нравится.https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Дерево решений — это алгоритм машинного обучения, который последовательно задаёт вопросы по признакам данных и ведёт к ответу в виде класса или числового предсказания. Дерево решений строят рекурсивно — в каждом узле выбирают признак и порог, которые лучше всего разделяют данные, и повторяют это до условия остановки.https://courses.rcppe.ru Тренинг к ДЭ. Информационные системы и программирование. Программист. Архив с файлами к Тренингу 4: https://vk.com/doc716766_697061376 Диалог Qwen: https://chat.qwen.ai/s/51e2ef4b-73e3-444d-ae44-45836cde252d?fev=0.2.35 Архив с заданием к ДЭ: https://disk.yandex.ru/d/x1RzD2v9dpykHg #демэкзамен #демоэкзамен #дэhttps://courses.rcppe.ru Тренинг к демоэкзамену. Информационные системы и программирование. Разработчик web и мультимедийных приложений. Архив с кодом: https://vk.com/doc716766_697060129 Диалог Qwen: https://chat.qwen.ai/s/8c325a56-e6af-4140-a25b-3b8e2f72177a?fev=0.2.35 Архив с заданием к ДЭ: https://disk.yandex.ru/d/ZsNaZ4wlFrNI8g Модуль 2. Разработка дизайна веб-приложений Инструкция к выполнению практической части: В данном модуле уделите внимание дизайну. Вам предоставлены изображения, которые необходимо оптимизировать и улучшить, чтобы достичь основную цель - создание идеальной информационной системы. Разместите изображения, иконки, поля форм, кнопки, ссылки, графические элементы так, чтобы они дополняли приложение. Примените навыки работы с библиотеками и фреймворками, для улучшения качества графической подсистемы. Вам необходимо также разработать дизайн всех страниц для использования со смартфоном с разрешением 390x844 px. Дизайн допустимо представить в виде .html файлов (отдельный файл для каждой страницы). Заказчик также желает видеть в приложении слайдер, который будет автоматически сменять изображения с интервалом в 3 секунды. Слайдер должен иметь одинаковые по размеру 4 изображения, элементы управления (вперед/назад) и быть органично вписан в дизайн приложения. Все практические результаты должны быть переданы путем загрузки файлов в индивидуальный репозиторий системы контроля версий. Выполняйте коммиты хотя бы в начале и в завершении выполнения модуля. Дополнительный функционал информационной системы: 1. Страница регистрации. Ошибки валидации должны отображаться на форме. По кнопке «Зарегистрироваться» пользователь должен заноситься в базу, если поля прошли валидацию, а логин уникальный. 2. Страница авторизации. Ошибки валидации должны отображаться на форме. 3. Страница просмотра заявок. Возможность оставить отзыв доступна только после прохождения курса обучения. 4. Страница формирования заявки. Пользователь указывает: наименование курса (из выпадающего списка: Основы алгоритмизации и программирования, Основы веб-дизайна, Основы проектирования баз данных). Также пользователь указывает желаемую дату начала обучения путем заполнения соответствующего поля в формате ДД.ММ.ГГГГ. 5. Панель администратора. Функционал панели администратора должен быть удобен за счет использования дополнительных элементов (фильтрации данных, всплывающих сообщений, пагинации и прочего). #демэкзамен #демоэкзамен #дэhttps://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Automated Machine Learning (AutoML) — это автоматизация этапов машинного обучения: выбора модели, подбора параметров, обработки данных и оценки качества. Это способ быстрее и проще строить ML-модели, часто даже без глубокого ручного перебора.courses.rcppe.ruhttps://courses.rcppe.ru НАиПСИС Тренинг 4. Выполнение Модуля 2 из задания демэкзамена. Обеспечение работоспособности программных и аппаратных средств устройств инфокоммуникационных систем. Оценочные материалы: https://vk.com/doc716766_696992937 Архив с заданием к ДЭ: https://vk.com/doc716766_695965175 Предыдущий тренинг: https://youtu.be/sMQReEcM6B4 #демэкзамен #демоэкзамен #дэhttps://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Категориальная кросс-энтропия — это функция потерь для многоклассовой классификации. Она измеряет, насколько предсказанные моделью вероятности классов отличаются от истинной метки. Для её вычисления берут вероятности всех классов, смотрят только на вероятность правильного класса, берут её логарифм, меняют знак, и обычно усредняют по примерам. Чем меньше значение, тем лучше модель.