Николай Карелин nikolay_karelin

Как по мне, это скорее Евклидово расстояние, нежели чем Манхэттенское ;)

Дело как раз в том, что word2vec и его аналоги умеет находить семантическую близость между словами. Рекомендую зайти на https://rusvectores.org/ и поэкспериментировать. Год назад я встречал статью в Nature, в которой авторы смогли предсказывать химические свойства соединений с помощью эмбеддингов. Поэтому я думаю, что для вашей задачи это тоже может дать гораздо больше, чем простой подсчет символов.

Кстати, по NLP советую глянуть книгу С. Николенко с соавторами, "Глубокое обучение", она гораздо лучше чем та, что вы цитировали (мне лично книга Бенгфорта с компанией показались слишком слабой работой и изрядно устаревшей в момент написания).

И последнее: для NLP и машинного обучения в целом лучше говорить не о библиотеках и алгоритмах, а о данных и моделях. Вот например коллеги из Яндекс совершенно открыто рассказывают об основных алгоритмах, которые у них крутятся, т.к. их петабайт данных и моделей на их основе все равно больше ни у кого нет! И данных банков тоже нет больше ни у кого.

Решение задачи, которое вы предложили, называется в народе character-level embedding ;)

Основной недостаток: не может найти близость слов типа "курица" и "цыпленок". Советую посмотреть в сторону word2vec (есть готовые модели для русского, но лучше учить на нескольких гигабайтах специализированных текстов).

Интересная статья, спасибо.

Жаль, что вы не добавили в проверку проект spacy-ru (его автор, buriy, тоже здесь). По моему опыту, неплохой результат.

У меня на Самсунге зависело на принятии пользовательского соглашения :(

Прогон доклада за 2-3 дня гораздо полезнее.

Спасибо за интересную статью. Только позволю себе высказать замечание: информационная энтропия в физике тоже используется, в частности в оптике и в квантовой физике.

Текст местами не вычитан…
Или его ваша модель писала?

OpenSeaDragon?

А используете ли вы какой-нибудь специальный софт для управления знаниями?

Сейчас это стало очень просто ;)

Для начала можно взять любую сетку для классификации (ResNet, допустим), предобученную на ImageNet и брать выход ее предпоследнего слоя — это и будет эмбеддинг (представление) изображения. Работы на десяток строк, даже меньше, примеров в сети куча.

Посоветую еще сравнить с классическими подходами image hashing
Был обзор на митапе в Минске пару лет назад: https://www.youtube.com/watch?v=80QO8TjuDBE

Спасибо, интересно.

Только непонятно зачем EDFA на одном стране (70 км)...

А можно в будущем дублировать стрим сразу на YouTube? Ну пожалуйста!

Заголовок читается как будто они репу MySQL выложили, а не креды… Скандал?!

Интересно, выкатят ли они похожие вещи для других групп поисковых запросов (помимл COVID-19)...

На мой взгляд, лучше всего смотреть официальные доки NVDIA, особенно по оптимизации программ

А код авторы не опубликовали?

ISO выпустило международный стандарт по менеджменту знаний: https://www.iso.org/standard/68683.html (в бесплатном превью есть терминология)

Ничего. Для машинного обучения Tesla очень мало что дают (кроме бОльшего объема памяти и фишек с особыми числами, типа INT8, но это не для начала). В остальном CUDA поддерживается всеми свежими видюхами и библиотеками.

А можно ли подклюить в Эластик какой-то свой алгоритм ML?

Использует ли ваш фреймворк numpy/pandas/dask — уже готовые, широко распространенные реализацию быстрых массивов и операций над ними?

По упоминан PyPy думаю, что нет, и это крайне плохо.

Ну, например вот список: https://en.wikipedia.org/wiki/List_of_software_under_the_GNU_AGPL

Там парочка приватных клаудов, ghostscript и т.п. Пока меня это лично не задевает, но всякое может случится.

С кодом, который выложен под BSD, но запатентован, уже встречался.

Про AGPL (Affero) ничего к сожалению не рассказано… Вот там действительно ад для бизнеса.

Печально, мне меркуриал тоже больше нравился :(

Репозиторий с примерами: https://github.com/Apress/practical-quantum-computing

Абсолютно верно. Кстати, если скомпилированную с помощью Cython функцию часто сызывать для мелкой работы — будет то же самое.

Я бы еще смотрел в сторону векторных операций NumPy/SciPy (они очень оптимизированы) и Numba вместо Cython.

А еще он кросс-платформенный, и отлично крутится под виндой, ибо Python ;)

А код авторы выложили?

Советую еще почитать книгу "Первые 5000 лет долга". Местами это левацкий памфлет, но в целом неплохо рассказано, почему долг — это и есть деньги.

Жаль, что Sparql толком не развивается, да и по Cypher всего одна реализация.

Numpy без целых произвольной длины, только быстрые вычисления с float32/64 и их собратьями (и стандартными целыми).

Странно, почему он не взял leaflet с OSM. Совсем бесплатно...

Кто-то из сов. цензоров мог раньше заметить, что изначально роман посвящен не только Леонову, и запретить просто из-за Сахарова.

В первом приближении -это так.

Плюс GPU часто дает чуть-чуть другой результат для тех же входных данных.

Подборка интересная, но качество перевода ужасно… и не везде нормальные ссылки (например multidiff — это несколько вариантов библиотек разного назначения).

Можно сделать сильно быстрее, если взять модуль array из стандартной библиотеки. Но все-таки еще лучше пользоваться numpy — это почти часть языка, есть несколько встроенных в Python вещей чисто для нужд numpy.

А на чем тестировали качество?
Интересует виды изображений, размер выборки, мера качества.

Перевод ужасен....

Понятно.

А сравнение с готовыми библиотеками (yargi/natasha, spacy) или решениями с конференций типа диалога делали?