Как сравнить «яблоки» в «апельсины» математически? Ответив на этот вопрос, исследователи показали, что классификация групп чисел, называемых «абелевыми группами без кручения» — это предельно сложная задача. Подробностями о доказательстве делимся к старту флагманского курса по Data Science.

К старту курса о машинном и глубоком обучении делимся мнением Мэтью Стюарта, соискателя степени кандидата наук в Гарварде, который, по собственному признанию, устал слышать эти дебаты, повторяющиеся в социальных сетях и в моём университете практически ежедневно. Они сопровождаются несколько туманными заявлениями. Автор считает, что в этом виноваты обе стороны дебатов и надеется, что к концу этой статьи у читателей будет более обоснованная позиция в отношении этих несколько расплывчатых терминов. Неопределённых утверждений, которые автор часто слышит на эту тему, есть несколько, а самое распространённое из них звучит приблизительно так:

Основное различие между машинным обучением (далее — ML) и статистикой заключается в их назначении. Модели ML разработаны, чтобы делать максимально точные прогнозы. Статистические модели — для выводов о взаимосвязях между переменными.

Хотя технически это верно, формулировка не даёт чёткого или удовлетворительного ответа. Чтобы вы представляли, насколько далеко зашла дискуссия, в журнале Nature Methods опубликована статья, где описывается разница между статистикой и ML.

Эта статья, переводом которой мы делимся к старту курса о машинном и глубоком обучении, представляет собой обзор недавней работы "Генерация моделируемых данных посредством алгоритмической оценки коэффициентов силы для моделирования запуска роботизированных снарядов на основе ИИ", написанной Садживом Шахом, Айаном Хаке и Фей Лю. Авторы рассказывают о FCE-NN, новом методе моделирования роботизированного запуска ("выстреливания") нежёстких объектов с помощью нейронных сетей, обучаемых на дополнительных моделируемых данных, полученных в результате алгоритмической оценки коэффициентов силы. Данная работа была представлена на Азиатско-Тихоокеанской конференции по интеллектуальным роботизированным системам ACIRS в 2021 году. С содержанием статьи можно ознакомиться здесь: ArXiv. Информация о проекте представлена на веб-сайте проекта. Вначале авторы рассказывают о том, чего они хотели добиться, описывают проблему, затем рассматривают метод и, наконец, представляют краткие результаты и выводы.

Трансформеры за последние несколько лет штурмом захватили мир NLP, а сегодня они с успехом применяются в выходящих за рамки NLP приложениях. Они обладают такими возможностями благодаря модулю внимания, который схватывает отношения между всеми словами последовательностей. Но самый важный вопрос — как именно трансформеры делают это? Попытаемся ответить и понять, почему трансформеры способны выполнять такие вычисления. Итак, цель статьи, чуть сокращённым переводом которой мы делимся к старту курса о машинном и глубоком обучении, — разобраться не только с тем, как что-то работает, но и почему работает так. Чтобы понять, что движет трансформерами, мы должны сосредоточиться на модуле внимания. Начнём с входных данных и посмотрим, как они обрабатываются.