DeepSchool

Как навести порядок в экспериментах Напоминаем, что сегодня мы проведем онлайн-лекцию, на которой расскажем, как навести порядок в экспериментах CV-инженера. Также по пути мы обсудим: 🔹требования к DL-инженеру на рынке в 2023 году 🔹с чего начать, чтобы приблизиться к соответствию этим требованиям 🔹почему датасаентисты тоже разработчики 🔹а также представим наш курс CV Rocket, подарим скидки на обучение и поделимся списком полезных библиотек для CV инженера 🎁 При регистрации по ссылке в боте вы получите доступ к одной из лекций нашего курса CV Rocket с разбором сверточных архитектур от VGG до Effnet. Лекция освежит в памяти основные открытия в сверточных архитектурах, поможет подготовиться к собеседованиям или улучшить свои модели! Регистрируйтесь по ссылке в боте, смотрите лекцию и развивайтесь в DL! 🗓 До встречи в 18:00 мск

Виды представления лидарных данных. Часть 3 Завершаем знакомство с лидарными данными! Впрошлый раз мы рассмотрели два способа их представления: Bird’s Eye View и Spherical проекции, а также затронули подход Bag-of-Points. В заключительной статье мы познакомимся с Voxel-based, Сylinder-based и Polar Bird’s Eye View проекциями. Эти представления: - требуют более сложной логики обработки - подходят для построения пайплайнов на базе 3D sparse convolutions - широко применяются в SOTA решениях для достижения высокого качества в perception-задачах Читайте нашу новую статью по ссылке: https://deepschool-pro.notion.site/3-c9b063b9051746eaafe131b635c249cd?pvs=4

​​Почему датасаентисты тоже разработчики Ещё в 2018 году работодатели требовали от DS-специалистов основы математики, теорию ML/DL, git и базовые знания python. Теперь даже для джунов к этому списку прибавляются Docker, FastAPI, k8s/ansible, CI/CD и прочие термины из Dev и Ops. Чтобы соответствовать рынку, необходимо постоянно учиться и изучать смежные области. Но надо с чего-то начать. Первым делом советуем привести в порядок репозитории с экспериментами — и хотим вам помочь с этим. Мы подготовили лекцию, которую проведём в четверг 3 августа. На онлайн-лекции мы обсудим: 🔹почему датасаентисты тоже разработчики 🔹требования к DL-инженеру на рынке в 2023 году и почему они растут 🔹что изменить в экспериментах, чтобы приблизиться к соответствию этим требованиям 🔹какие шаги нужно предпринять и какие инструменты использовать, чтобы сделать эксперименты воспроизводимыми, прозрачными и доступными для команды 🔹и представим наш курс CV Rocket, подарим скидки на обучение и список полезных библиотек для CV инженера Лекцию будут вести: - Тимур Фатыхов — один из основателей школы DeepSchool, ex Lead CV Engineer KoronaPay - Андрей Шадриков — Head of R&D в компании Verigram, команда которого занимает топовые позиции в независимых тестах биометрических систем 🗓 Лекция пройдет в четверг 3 августа в 18:00 Мск 🎁 При регистрации по ссылке в боте вы получите доступ к одной из лекций нашего курса CV Rocket с разбором сверточных архитектур от VGG до Effnet. Лекция освежит в памяти основные открытия в сверточных архитектурах, поможет подготовиться к собеседованиям или улучшить свои модели! Регистрируйтесь на лекцию в боте, чтобы повышать свои навыки в CV! Увидимся на лекции!

Базовые методы аугментации временных рядов При работе с временными рядами нам часто не хватает данных для обучения. Простой способ увеличить их количество — аугментировать. Но в попытках увеличить выборку, можно потерять временные признаки в данных. Например, если неосторожно вырезать окно (crop), можно упустить сезонный тренд. В этой статье мы подробнее расскажем про эту задачу, а также: - познакомим с базовыми методами аугментации временных рядов - проведем аналогии с методами из компьютерного зрения - рассмотрим библиотеки с готовыми решениями - и оставим советы по выбору подходящего метода Читайте нашу новую статью по ссылке: https://deepschool-pro.notion.site/664a7aac48a246a58ff6b800d6338211

Надо ли DL-инженеру осваивать навыки разработчика? В описании вакансий DL-инженеров часто встречаются термины из области Software Engineering и Dev/ML-Ops: docker, k8s, fastapi, ci/cd, ansible, MLFlow, Triton и другие. Мы уже обсуждали это явление на онлайн-интервью с Владом Лялиным и Андреем Шадриковым, но решили выпустить отдельный подкаст на эту тему. Чтобы ответить на вопросы “почему так происходит и что делать инженерам”, мы позвали на подкаст Галину Альперович. У Гали за плечами большой опыт в разработке ML-проектов. Она работала в JetBrains и Avast, руководила ML-командами, была хедом в стартапе, а теперь развивает собственную консалтинговую компанию и переходит в Coinbase, чтобы заниматься LLM. Из этого эпизода вы узнаете: - чем отличается работа датасаентиста в компании и в стартапе - кто такой mlops-инженер - надо ли погружаться в разработку, если вы планируете решать только мл-задачи - что “такое репозиторий по последнему слову техники” - и заменят ли нас всех бэкендеры с доступом к открытым API больших нейросетей Все это и даже больше в 60 минутах подкаста, которые можно комфортно ускорить в х1.5-2. Приятного прослушивания! PS кстати, Галина — выпускница нашего курса CV Rocket. На собственном примере она подтверждает свои слова из подкаста, что хороший специалист учится всю свою жизнь :)

Sharpness-Aware Minimization Продолжаем серию постов про оптимизаторы и способы обучения нейронных сетей. В новой статье рассказываем про свежий подход, который улучшает обобщающую способность нейросетей. Особенно при шумных данных. При таком подходе не просто ищут минимальное значение функции потерь, но и накладывают условие на “ровность” окружающего ландшафта. Из статьи вы узнаете: - почему ландшафт вокруг локального минимума может влиять на метрики - как можно штрафовать за «неровность» - и как апроксимировать эти вычисления на практике Читайте нашу новую статью и знакомьтесь с SAM: https://deepschool-pro.notion.site/Sharpness-Aware-Minimization-53ada454f1d64b66ba3bf3465e67df30?pvs=4.

DETR. End-to-End Object Detection with Transformers DETR - одна из первых работ, в которой соединили CNN и трансформер для решения задачи детекции. 💡Интересная фишка этой модели - она не требует пост-обработки в виде Non-maximum Suppression DETR и ее модификации на моменты выхода оказывались SOTA-моделями на COCO-датасете, а идеи из этой статьи используются в других работах. В новом видео Миша Лиз, куратор нашего курса CV Rocket, расскажет об этой архитектуре. Из видео вы узнаете: - Как устроена архитектура - Зачем нужно позиционное кодирование - Что такое "object queries" - Как сопоставляются предсказанные и размеченные объекты 🎞 Смотрите видео и подписывайтесь на канал: https://youtu.be/SVnbFqXtrQU

🎙Подключайтесь к эфиру в zoom, мы уже начали! https://us06web.zoom.us/j/86337976367?pwd=ZjV0R3FGNzl2T1gzenlYdmVMNGZMdz09

🎙Интервью с Софией через 30 минут! Подключайтесь онлайн в zoom — встречаемся в 17:00 МСК🔔

​​🎙Онлайн-интервью с Софией Потаповой Завтра, 20 июля, в 17:00 МСК Давно не приглашали в гости ребят из мира ML/DL поболтать онлайн. Помимо постов с теорией, мы также проводим онлайн-интервью, где вместе с вами задаем вопросы гостям и обсуждаем темы около machine learning. Нашим следующим гостем будет София Потапова — инженер, стартапер, исследователь. Коротко о Софии: - закончила ФИВТ МФТИ - работала в команде беспилотников Яндекса - сооснователь стартапа SmallTalk - 3 года жила в Англии, планирует переезжать в Испанию На подкасте мы обсудим: - работу в Яндекс - будни стартапера - жизнь в Англии - и важность нетворкинга Приходите онлайн и задайте любой вопрос Софии лично во время открытого микрофона. Или пишите вопросы прямо в комментарии к этому посту. Интервью проведем в zoom! Ссылку на встречу опубликуем за 15 минут до начала. Запись будет! Выложим позднее в этом канале👍 Встречаемся здесь завтра, 20 июля, в 17:00 МСК🔔

История YOLO. Часть 1 В этом году вышла уже восьмая версия одной из самых известных архитектур в области компьютерного зрения — YOLO. Если первая версия решала только задачу детекции, хоть и в режиме реального времени, то у последней итерации хорошее качество и скорость в целом спектре задач от классификации до pose estimation. Предлагаем вам вспомнить историю создания этого семейства архитектур. В первой части статьи мы вспомним: - причины популярности YOLO - особенности YOLO v1, которые позволили ей выделиться на фоне существующих детекторов Читайте нашу статью по ссылке: https://deepschool-pro.notion.site/YOLO-history-Part-1-ab32eb38799949c2ab4765ecc379b93a