AI Новости: Машинное обучение и анализ данных. Python. Алгоритмы, методы, лекции. Новости 2018

Ученые создали открытый набор данных для оценки концентрации внимания. На их основе программисты смогут создать приложения, которые будут отслеживать концентрацию внимания человека. Подобные инструменты могут быть полезны для тренировки внимания у детей.

Мы уже рассказывали об исследовании Learning of Population Dynamics: Inverse Optimization Meets JKO Scheme ( https://t.me/AI_point_of_view/1954) , представленном на ICLR 2026. Теперь о работе написали российские СМИ: ТАСС , «Компьютерра» , ComNews и CNews.

Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps и даже вабкодинга.

Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и что должно получиться на практике после каждого этапа.

Roadmap разбит на 7 треков:

К концу марта 2026 SHRM опубликовал State of AI in HR: доля HR-департаментов с ИИ выросла с 26% до 43% за год. Параллельно Gartner опросил 114 HR-лидеров: 88% не получили значимой бизнес-ценности от ИИ. Инвестиции есть, эффекта — нет.

HuggingFace перезапустили Papers with Code — легендарный сайт, где можно бесплатно читать самые хайповые AI/ML исследования. Портал закрыли в июле 2025 года и наконец-то реанимировали!

Теперь следить за трендами в ИИ ещё интереснее:

Применение математики как инструмента описания мира состоит в построении математических моделей. Простой пример – описание полёта тела диффуром второго порядка, полученным из второго закона Ньютона.

Большой русскоязычный roadmap по машинному обучению: от первого `import numpy` до LLM, RAG, fine-tuning, AI-агентов и MLOps.

Adaption представила (https://www.adaptionlabs.ai/blog/autoscientist) систему AutoScientist, которая автоматизирует полный цикл дообучения: она сама и синхронно оптимизирует наборы данных и рецепты тренировки, пока модель не сойдётся к заданному поведению.

Трансформеры с помощью fine-tuning узнают, написал ли эссе искусственный интеллект или человек. Рассказываем о различных методах идентификации ИИ-текста и актуальных моделях

Это не обычная LLM, которую натянули на финансы. Kronos изначально обучали на K-line данных: open, high, low, close, volume и рыночных паттернах.

Что умеет:

- прогнозировать цену по свечам;

- оценивать будущую волатильность;

- работать zero-shot без дообучения;

Галлюцинация ИИ — уверенный, но вымышленный ответ машины, не соответствующий реальности или доступным источникам.

Начну с признания: истории формата «природа оптимизирует лучше людей» меня обычно раздражают, слишком уж часто это все притянуто за уши. Но с муравьями история действительно странная, и мне ее захотелось проверить.

Nemotron 3 Nano Omni (https://blogs.nvidia.com/blog/nemotron-3-nano-omni-multimodal-ai-agents/) - мультимодальная модель 30B-A3B, которая обрабатывает видео, аудио, изображения и текст в едином инференсе.

Исследователи из России улучшили ранее созданную архитектуру ИИ, способную решать множество разных задач, и сделали эту систему машинного обучения способной переключаться на новые условия работы без дополнительного обучения. Об этом сообщила пресс-служба Института искусственного интеллекта AIRI.

— их доступные запасы могут (https://www.sap.com/blogs/genai-running-on-empty) закончиться после 2028 года. Поэтому нейросети начали обучать на синтетических данных, которые они сами же и генерируют. Но оказалось, что от такого обучения модели деградируют.

Примерно каждый десятый рабочий остаётся "невидимкой" для системы, жалуются разработчики. В итоге люди с нормальными документами не могут пройти, а те, кто в розыске, иногда спокойно заходят на объекты.

Всем привет.

Сегодня статья о нейросетях (LLM) и создаваемых с их помощью книгах. В частности, на АТ, но не только. Тема давно назрела, для многих она болезненная, поэтому сразу выкачу два дисклеймера.

Дисклеймер 1

Большинство просто дергают API

Мало кто понимает, что происходит внутри

Если хочешь перейти из «пользователя» в «инженера» — вот база

1. Deep Learning

https://deeplearningbook.org

Библия нейросетей - backprop, архитектуры, вся база

2. Artificial Intelligence: A Modern Approach

Последние месяцы я полностью пересобрал свой подход к разработке. Раньше я писал код сам. Теперь я стратегически управляю нейросетями.

Раньше я тратил время на архитектуру, чтение документации и разбор чужого кода. Сейчас я трачу время на выбор правильной модели и обсуждение в твиттере, какая из них реально game changer.

Лёха — единственный биолог среди моих друзей. Мы сидим в баре, он тычет телефоном мне в лицо. На экране — чашка Петри. В колонию бактерий вливают бактериофаги. Бактерии лопаются. Колония редеет. Тает. Исчезает.

Перематывает на сутки.

Колония на месте. Как ни в чём не бывало.

План статьи

Введение в суть задачи. Для чего и зачем это нужно.

Как оценивать такие модели. Метрики и нюансы сравнения.

Основная часть. Разбор каждой модели. Краткое резюме. Возможности и ограничения. Выводы

Итоговый вывод, общая таблица сравнений OpenSource моделей для задачи TTS.

Введение

Любители нейросетей сейчас побросали всё и ставят на свои компьютеры OpenClaw — это приложуха, которая управляет компьютером с помощью большой языковой модели. Это прорывная вещь, потому что наконец-то нейросеть может полноценно что-то делать в вашем компе (а не просто чатиться).

Но есть нюансы:

Всего за два с половиной дня команда просмотрела почти 100 миллионов вырезок из изображений и обнаружила около 1400 аномальных объектов, более 800 из которых ранее не были описаны.

Сегодня я хочу показать и рассказать вам, как, подключив к ESP32-S3 тепловизионную матрицу MLX90640,можно запустить веб-сервер для стриминга теплового изображения с определением в реальном времени того, какие сущности попали в поле зрения тепловизора.

Запущена базовая версия отраслевой платформы данных строительной отрасли. Инициатива призвана повысить объем машиночитаемых данных девелопмента и способствовать ускоренному внедрению технологий искусственного интеллекта в отраслевые процессы.

MIT выложил полный интенсив по современным генмоделям — от LLM до диффузионных моделей. Разбирают архитектуры, принципы обучения, практические применения и ключевые идеи, которые лежат в основе сегодняшних систем.

Подойдёт тем, кто хочет быстро собрать цельную картину без воды.