В какой-то момент обучения кажется, что в любой области – бесконечное количество тем и их никогда все не изучить. При работе же иногда возникает ощущение, что достаточно хорошо понять лишь с пару десятков фундаментальных вещей и они закроют 95% всех задач, которые вам встретятся. А многие прорывные работы – просто умное использование или расширение этих тем. Вот то, что встречается постоянно в вычислительной биологии: 🤘 Линейная регрессия. Разберитесь в этой теме и вы поймёте огромное количество статистических методов. Кроме того, линрегом можно решить удивительное количество задач и без всяких нейросетей. Ну и логистическую регрессию туда же. Чисто AGI на минималках 🤘 Principal component analysis (PCA, он же метод главных компонент). Этот придуманный 100 лет назад метод до сих пор рвёт многие foundational large scale general purpose gluten free organic модели. Не шутка 🤘 p-value. Это далеко не идеальная штука, но уж очень распространённая. Просто разберитесь один раз как она на самом деле работает и что означает, посчитайте руками на разных примерах. И вам этот мир станет сильно более понятен 🤘 Разбиение на тренировочную, валидационную и тестовую выборки. Почти в любой области вот прямо сейчас можно написать хорошую работу, найдя примеры дурацких разбиений в популярных статьях 🤘 Основные задачи машинного обучения – регрессия, классификация, representation learning, генеративный ИИ. Хотя бы что это такое, лучше – с метриками для оценки, их особенностями и недостатками 🤘 Хотя бы на пальцах (если вы не разрабатываете методы) – что такое полносвязные и свёрточные нейросети, а также трансформеры. Если вы ML-разработчик, нужно уметь написать их все руками с как можно меньшим использованием библиотек. Смотрите Карпатого для эталонных примеров 🤘 Байесовский подход. В зависимости от личных предпочтений, можно как ознакомиться с основами, так и закопаться в него на всю жизнь. Но хотя бы в общих чертах понимать надо А если вы разрабатываете новые методы машинного обучения, в дополнение к предыдущим постоянно встречаются следующие темы: 🤘 Метрики. Вы должны понимать метрики из вашей области как вашего родного брата. Если брата у вас нет, можно будет представить, что у вас он появится со странным именем Рокаук. Не берите метрики просто так из книги, курса или другой статьи. Знайте как они ведут себя на ваших данных, что они показывают, а что пропускают. Посмотрите на данные глазами и заметьте паттерны, а затем превратите их в метрику. Часто подбор правильной метрики – это как минимум пол пути к разработке нового метода 🤘 KL divergence. Просто удивительно часто встречающаяся штука 🤘 Singular Value Decomposition. Лучше разбираться вместе с PCA. Постоянно встречается в математических выводах 🤘 Неравенство Йенсена туда же. Я лично никогда не применял в работе, но в выводах читаю постоянно 🤘 Градиентные методы оптимизации. Хотя бы прочитайте раздел в книге Deep Learning и оригинальную статью по Adam, посмотрите пару лекций и напишите всё руками 🤘 Основные лосс-функции – хотя бы MSE и кросс-энтропия вам должны быть знакомы как мама родная. Если двух родителей вам мало, посмотрите ещё статью по InfoNCE 🤘 Преобразование Фурье. Не во всех областях встречается часто, но тоже очень фундаментальная вещь, которую нужно понимать Мне нравится изучать темы через применение, понимание, а затем их поломку. Сперва разберитесь, зачем что-то нужно на практике, используя как чёрный ящик. Потом поймите как это работает. И наконец найдите случаи, когда это не работает. Для относительно новых методов лучше всего начать с чтения оригинальных статей, там часто всё очень хорошо написано. Скормите это сообщение любимому чат-боту, он придумает вам подробный план Базу для этого – матан, линал – тоже, конечно, знать нужно. Заботайте эти темы, дополируйте парой практических проектов и будет вам счастье в карьере и жизни (но это не точно). И не надо думать, что учиться бессмсленно, потому что ИИ всё знает лучше. Понимание этих тем выведет ваше общение с ИИ на совсем другой уровень. И как бонус – позволит проходить собеседования Что пропустил? Пишите в комментариях! А если вы ведёте телеграм-канал, напишите такой же список по вашей области, буду рад собрать их в подборку

Общепит никогда не был лёгкой прогулкой в бизнес. По разным оценкам, от трети до половины новых заведений не доживают до второго дня рождения. Но то, что творится сейчас, тянет уже не на нормальную текучку, а на какой-то мор. По данным “Коммерсанта”, с января по сентябрь в РФ закрылось 28 тысяч компаний и ИП, работающих в сфере общепита. Понятно, что какую-то часть ликвидаций можно объяснить плановой реорганизацией и закрытием нерентабельных точек сетями. Но это всё равно не объясняет тот факт, что смертность юрлиц год к году подскочила на 15%. Для понимания масштаба: даже в пандемию, когда всех принудительно заперли по домам, заведения схлопывались медленнее. Сами участники рынка объясняют происходящее ростом операционных расходов и выросшей фискальной нагрузкой: порог для НДС на упрощёнке снизили втрое, и у множества небольших точек модель перестала сходиться. Прибавьте сюда дикий кадровый голод, который взвинтил зарплатные ожидания персонала. Переложить всё это на гостей уже не получается: реальные доходы россиян падают, и поход в ресторан стал той статьёй бюджета, которая первой идёт под нож. Но корень проблемы, думаю, лежит ещё глубже – в фундаментальном изменении потребительских привычек. Люди не стали меньше есть – они стали есть по-другому. Повседневный спрос перетёк туда, где быстрее и дешевле: в вездесущую доставку и супермаркеты. Продуктовый ритейл расширяет ассортимент готовой еды, устанавливает столики и кофемашины в торговых залах, тем самым безжалостно отъедая аудиторию у классического общепита. Вдобавок молодёжь всё меньше пьёт, о чём уже открыто говорят владельцы баров. Это, напомню, общемировой тренд, и Россия здесь не исключение. Вывод напрашивается неприятный: рынок общепита, похоже, не просто чистится от убыточных проектов – он физически сжимается. И выживут на нём только те, кто способен тонко настраивать бизнес-модель под меняющиеся реалии, предлагать клиенту нечто по-настоящему конкурентоспособное и при этом иметь юнит-экономику с конским запасом маржи.

📊 Подключил телеметрию к своим студиям и немного офигел Друзья, всем привет! Наконец-то добавил в свои опенсорс-студии анонимную статистику. До этого я честно не понимал, сколько людей ими реально пользуется: звёздочки на гитхабе это одно, а живые установки - совсем другое. Включил 9 октября, прошло три с половиной дня - и вот цифры на картинке. Неожиданно и очень приятно. А ещё внезапно английский интерфейс обогнал русский 😅 Я-то думал, что делаю софт в основном для своих. ⭐️ А теперь немного похвастаюсь На гитхабе у меня сейчас 1 705 звёзд на 37 своих репозиториях. Самые звёздные: • YuE2 Studio - 547 ⭐️ • ACE-Step Studio - 392 ⭐️ • Dub Studio - 154 ⭐️ • MiniMax Music3 Studio - 93 ⭐️ • HiggsAudio Studio - 92 ⭐️ Короче, я теперь вроде как популярный опенсорс-разработчик на гитхабе. Кто бы мог подумать 🙂 🔌 Кто ещё подключён Через тот же хаб телеметрии и новостей теперь работают ещё два проекта: Булка (лайв-кодинг музыки, форк Strudel с ИИ-агентом) и Dungeon Ultimate (локальная ИИ-ролевая игра). В статистике их пока почти не видно, они совсем молодые - посмотрим, как вырастут. 🔒 Что собирается Только обезличенное: сколько установок, сколько песен сделано и сколько упало, на какой видеокарте и в какой ОС. Никаких текстов, звука и имён файлов. Галочка на первом запуске, отключается в настройках. И самое приятное: телеметрия уже оправдала себя - сделала ровно то, зачем была нужна. По ней я за пару дней нашёл и починил несколько багов, о которых мне никто не писал, - они просто тихо ломали людям работу. Скачать студии: ➡️YuE2 Studio ➡️ACE-Step Studio ➡️MiniMax Music3 Studio ➡️Dub Studio Пишите в комменты, какой студией пользуетесь и что в неё добавить. А если ещё не ставили звёздочку на гитхабе - самое время, мне правда приятно 🙏 Всех обнял, увидимся на стриме всегда ваш - Nerual Dreming ❤️

Чем меньше вам собираются платить, тем быстрее надо бежать подаваться на вакансию 😂 Правильный ответ на вчерашнюю загадку $80K. Я тут получила доступ к данным по 1,35 млн вакансий в США, и первая же закономерность меня удивила. Оказывается, чем выше зарплата, тем дольше вакансия остается опубликованной на сайте работодателя. До $100K — 29 дней $100–150K — 36 дней $150–200K — 45 дней $200K+ — 50 дней То есть вакансии с зарплатой $200K+ живут почти в 1,7 раза дольше, чем вакансии до $100K. Я сначала подумала: ну понятно, просто низкооплачиваемые позиции чаще junior, а senior и executive искать сложнее. Но нет. Если взять только senior roles, картина практически такая же: 30, 36, 45 и 52 дня соответственно. Почему так? Есть несколько гипотез. Первая, на менее оплачиваемые позиции может быть больше подходящих кандидатов, проще требования и короче hiring process. Вторая, которая мне особенно интересна: кандидаты сами себя дисквалифицируют из вакансий с зарплатой $200K+. Даже если по опыту вполне подходят. Видят зарплату, название компании, требования и решают, что это не их уровень. Хотя hiring manager, возможно, решил бы иначе. Третья, высокооплачиваемые вакансии могут дольше висеть из-за сложности согласований, требований к кандидату или потому, что компания собирает pipeline на будущее. Но это всё гипотезы. Данных по количеству applicants у нас нет, поэтому проверить причины пока невозможно. Что из этого следует для поиска работы? Если ищете работу до $100K, я бы особенно не откладывала отклики на потом. А если целитесь в $200K+, не надо автоматически отсеивать себя из-за зарплаты. Пусть лучше работодатель решит, подходите вы ему или нет. Это первая находка из большого исследования. Дальше покажу, что происходит с remote, seniority и AI-вакансиями. Там тоже есть сюрпризы. #statistics #сша

С работой айтишников все хуже Вот данные Бюро статистики труда США, обновленный график, отдельно по рабочим местам в tech. Все плохо! Три года падения tech сектора США - такого не было раньше: после бума доткомов долгое время прирост был по 100-150 тыс. рабочих мест в год. Мы привыкли, что все растет. Видимо зря! Сильнее других страдает аутсорс и заказная разработка. Как я писал ранее, главная причина - это ставки ФРС: при дешевых деньгах в R&D инвестируют охотнее. Но учитывая 2трлн капекс в AI, многие ожидали все же рост tech занятости, хотя бы в последний год. Но видимо он есть только у инженеров и работяг, которые строят дата-центры! 🥲 @kyrillic