151 торговая стратегия с формулами и кодом - бесплатная книга на 361 страницу В 151 Trading Strategies Зура Какушадзе и Хуан Андрес Серур разбирают математические основы стратегий для акций, облигаций, опционов, фьючерсов, валют и криптовалют. Внутри: * более 550 математических формул * стратегии с нейросетями, байесовскими методами и k-ближайшими соседями * код для бэктестинга на данных вне обучающей выборки * более 900 определений и около 2000 ссылок на исследования Книга на английском. Подойдёт для изучения количественного трейдинга и разработки собственных исследовательских моделей. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3247865

Курс по Visual GenAI от Yandex Research и ШАД Авторы CV Time не только пишут обзоры статей о компьютерном зрении, но и создают обучающие курсы. Сегодня делимся курсом ШАДа «Генеративные модели в компьютерном зрении», который ведёт Дмитрий Баранчук, руководитель группы GenAI в Yandex Research, вместе с праймовой командой исследователей в этой области. Будет полезно тем, у кого есть базовые знания по генеративкам и желание разобраться глубже: • в теории диффузионных моделей, эффективных методах их обучения и семплирования; • в новых гибридных моделях на основе диффузии для генерации изображений, видео и 3D. У курса есть открытый GitHub-репозиторий, где можно найти слайды, записи лекций и семинаров, а также домашние задания. CV Time

Object Concepts Emerge from Motion Метод учит нейросеть видеть объекты на картинке без ручной разметки просто наблюдая за движением Идея из детской психологии: младенец понимает, что части двигаются вместе, значит это один объект. Авторы применили то же к ИИ: если кусок видео движется как единое целое, считаем его объектом. Разметка не нужна, видео в интернете полно. Результат: на готовом фото модель сама разделяет машины, людей, тротуары. Сравнима с конкурентами, которых учили на дорогой размеченной разметке. Главное применение - автономное вождение: глубина, 3D-детекция, планирование пути Гитхаб HF #segmentation #video2feature VK | MAX

Учиться лучше помогает не практика, а пауза после неё Нейробиологи из японского Университета Тохоку нащупали любопытный эффект: стимуляция блуждающего нерва улучшает обучение — но только если включать её после тренировки, а не во время. Опыты ставили на мышах. Стимуляция была инвазивной — крошечный электрод-манжету закрепляли прямо на шейном отрезке блуждающего нерва. Мышей учили несложному навыку: следить глазами за движущимися полосками, это называется горизонтальный оптокинетический рефлекс. После каждого занятия часть животных получала стимуляцию. В день тренировки разницы не было никакой. А вот в следующие дни стимулированные мыши справлялись заметно лучше — эффект проявлялся на дистанции, к пятому дню. Стимуляция запускала двухфазный ответ: объём крови сначала слегка падал, потом рос. А при повторах в мозге появлялись ритмичные колебания кровотока — в клочке мозжечка, области, отвечающей за тайминг движений. Дальше команда хочет подобрать оптимальный момент и рисунок стимуляции и понять, как сосудистые ритмы участвуют в долговременной пластичности мозга. @vselennayaplus

Это лучшая визуализация того, как работают свёрточные нейросети (CNN) CNN — одна из причин, почему компьютеры способны «смотреть» на изображение и понимать, что на нём находится. Вот как это работает в двух словах: 1. Свёртка Небольшие фильтры проходят по изображению, выискивая базовые визуальные подсказки: края, изгибы, текстуры. 2. Пулинг Нейросеть сохраняет важную информацию, одновременно уменьшая объём данных, которые нужно обрабатывать. 3. Складывание всего вместе Слой за слоем эти мелкие подсказки превращаются в более крупные закономерности. Края становятся формами, формы становятся объектами, и в итоге сеть способна сделать предположение о том, что она видит. Именно этот принцип лежит в основе всего — от распознавания лиц до медицинской визуализации и беспилотных автомобилей. #полезное

"Ну у кого мамины глазки!", - восторгаются родственники. Потому что знают: гены переходят ребёнку от мамы и папы. По-другому никак. Мы, живые существа, эдакие биологические острова. Получить в середине жизни другой симпатичный ген от соседа по парте уже не получится. Ясно, понятно. Для всех, кроме бактерий. Потому что бактерии способны приобретать черты других бактерий не по наследству, а от соседа по чашке Петри. Им не нужно ждать смены поколений и тысячелетних мутаций. Как мы бы вот потусовались с блондинами, а потом обнаружили у себя светлые волосы. Прием оказался чудовищно полезным. Эволюция ускоряется в разы. Обменялся генами и сразу получил устойчивость к антибиотикам. Теперь ты супербактерия за один ход. Мы тоже не обошлись без горизонтального переноса: около 8% человеческого генома - остатки древних вирусов, которые когда-то встроились в ДНК наших предков и там остались. Но способность свободно переписывать свой ДНК-код в течение жизни Homo Sapiens так и не получил. Боже мой! Бактерии выигрывают! Нет. Человек придумал способ получать полезную информацию не только от родителей. Уже пару дней, начиная с 1 сентября, учителя пытаются всучить детям накопленные человечеством знания. Школьники отчаянно сопротивляются. Именно так человечество и эволюционирует. Айфон, высшая математика, рецепт борща или навык разведения огня - всё это мы передаем не через хромосомы. При этом, что у нас, что у бактерий логика схожа: не надо изобретать всё самостоятельно. Выгоднее получить уже найденное кем-то решение. Не только детям, не только с 1 сентября. Обучение - процесс длинною в жизнь. Так что проверьте - что является вашей личной чашкой Петри, откуда вы черпаете новые знания? ...в ожидании книги «Спринт к лучшему. Как изменить жизнь примату, который споткнулся о разум» 👀

Ебобаная привычка после 10-и минутных видосов писать кратко, емко и самое главное в быстром темпе, что б вы, СДВГшники, не заскучали 😄 Крч, я каким то хреном умудрился в первые 40 минут впихнуть следующий список тем: 1. LLM 2. Промпт 3. Обучение модели и инференс как разные процессы 4. Пост-тренировка в формате «инструкция → вывод» 5. Веса / параметры модели 6. Предсказание следующего токена 7. Токены и токенизатор 8. Особенности токенизации латиницы и кириллицы 9. Число параметров 10. Dense-модели 11. Эмерджентные свойства 12. Типы данных и точность весов (в т.ч. 16-бит) 13. Оценка потребления памяти по числу параметров 14. Квантизация 15. Floating point, мантисса и экспонента 16. FP8 и низкобитные форматы 17. Аппаратное ускорение низкобитных вычислений 18. Влияние квантизации на качество модели 19. Запуск квантованных моделей на CPU (в т.ч. SIMD) 20. Слои модели 21. Статическая квантизация по шаблонам 22. Защита отдельных слоев при сжатии (эмбеддинги, нормализация, ключевые блоки) 23. Адаптивная квантизация слоев с разной битностью 24. iMatrix и i-кванты 25. QAT (Quantization-Aware Training) 26. Сверхнизкобитная квантизация 27. Формат GGUF 28. Дистилляция (Distilled-модели) 29. Прунинг 30. Fine-tuning 31. LoRA и QLoRA 32. MoE (Mixture of Experts) 33. Роутер / маршрутизатор экспертов 34. Активные параметры 35. REAP 36. Спекулятивное декодирование 37. MTP (Multi-Token Prediction) 38. Reasoning 39. Мультимодальность 40. Vision 41. Speech-to-Text 42. Контекстное окно 43. Attention 44. Квадратичная сложность Attention 45. KV-кэш 46. Prefill / обработка промпта 47. Flash Attention 48. Квантизация KV-кэша 49. Paged Attention 50. Lost in the Middle Теперь думайте, а чё же там происходит дальше 😄

Завершилось лето, кончился отдых, можно нормально работать. На каникулах ленился я и прогуливал блог. Но теперь всё, баста, взялся за ум! Для начала - всех с началом учебного года! Новый год - как утро нового дня, новые возможности и перспективы, новые активности и привычки. Не прогуливайте свой блог, это затягивает, а жизнь не ждёт. Теперь итоги лета. Хотя плотность постов и была так себе, выделю кой-какие, которые вы, возможно, пропустили. Памятки, инструкции, курсы 🔹Терминология в сфере ИИ для начинающих 🔹Настройка Claude локально 🔹Анализ с помощью NotebookLM 🔹Свободные AI и ML курсы 🔹The AI-Native SDLC playbook Искусственный интеллект 🔹Stack Overflow для агентов 🔹Примеры ИИ в рабочих процессах 🔹Взлом HuggingFace Фронтенд 🔹Менеджер процессов PM2 🔹WYSIWYG-редакторы Инструменты 🔹Эмуляторы AWS 🔹Скрейпинг данных 🔹Сервисы туннелирования 🔹Геолокация по IP 🔹Развитие Git - GitButler Процессы 🔹Spec-Driven Development - SDD 🔹AI-Driven Product Development Lifecycle - AIPDLC 🔹Улучшение процессов через цикл Деминга - PDCA 🔹Jobs To Be Done - JTBD Найм 🔹Кого нанимают в 2026? 🔹Фиктивная компания в топе HH Опыт 🔹Про генерацию PDF 🔹Про гибридный (векторный+семантический) поиск Ну а мы тем временем продолжаем. #summary

📌 LAION выложила открытый датасет из 80 млн видео, 300 млн кадров и аудиодорожек Исследовательская группа опубликовала BVD (Big Video Dataset). Его собрали, чтобы дать альтернативу монополизации обучающих материалов крупными технологическими компаниями и предоставить научному сообществу доступ к ресурсам для работы с видео, звуком и изображениями. Отправной точкой послужили 1,3 млрд ссылок из архивов CommonCrawl. Из них LAION скачала 80 млн роликов общей длительностью 10 млн часов. Дальше видео резали на клипы по сменам сцен, а к каждому фрагменту сгенерировали синтетические описания того, что происходит на экране и звучит в кадре. Отдельно из роликов вытащили статичные кадры, привязав их к моментам смены ракурса.

Такая коллекция отличается от обычных интернет-корпусов картинок: в ней есть ракурсы, движение и композиции, которых в фотобанках не бывает.

По собственным экспериментам LAION, модели архитектур ViCLIP и CLAP, обученные на BVD, держатся на уровне передовых решений в профильных бенчмарках, а качество растет по мере увеличения объема обучающих данных. 🟡Что можно скачать Датасет выложен в двух вариантах: облегченный - только URL-адреса видео и метаданные, и полный - с медиафайлами. Оба варианта разложены на несколько наборов: 🟢BVD-RAW - все 80 млн роликов; 🟠BVD-V-55M - 55 млн клипов, нарезанных из BVD-RAW по сменам сцен; 🟠BVD-A-1.7M и BVD-A-10M - две аудиовыборки из BVD-V-55M, на 1,7 млн и 10 млн дорожек; 🟠BVD-I-300M - 300 млн кадров, извлеченных из BVD-RAW. Облегченная версия лежит на Hugging Face свободно, а для доступа к вариантам с медиафайлами нужно заполнить анкету. ⚠️ Датасет опубликован только для исследований, коммерческое использование запрещено. @ai_machinelearning_big_data #AI #ML #Dataset #LAION

737 страниц математики, которая стоит за современным Deep Learning. Книга “Mathematical Introduction to Deep Learning: Methods, Implementations, and Theory” подробно разбирает нейросети с математической стороны - от базовых методов до теории и практической реализации. Внутри: - линейная алгебра и оптимизация - основы нейронных сетей - backpropagation - CNN и sequence-модели - методы обучения и регуляризации - математический анализ архитектур - теория аппроксимации и обобщения - практические реализации алгоритмов Хороший вариант для тех, кто хочет понимать Deep Learning глубже, чем на уровне вызова готовых библиотек. PDF на 737 страниц доступен бесплатно: https://arxiv.org/pdf/2310.20360