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

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.

Отличный вопрос! LLaMA 3.1 (8B) — это не просто "одна из нейросетей", это мощный и универсальный инструмент. Если говорить просто, это цифровой мозг, который можно "научить" решать множество задач, связанных с пониманием и генерацией информации.

Учёные Сбера и ИПЭЭ РАН разработали автоматический метод распознавания волчьего воя

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.

Это квантованная версия DeepSeek V3.1, которая дает заметную экономию памяти и ускоряет работу при использовании TensorRT LLM.

При этом модель сохраняет высокое качество генерации текста.

https://huggingface.co/nvidia/DeepSeek-V3.1-NVFP4

Во всяком случае, новый метод от российских учёных заставил нейросети сомневаться в своих ответах.

Мы продолжаем серию постов авторства студентов УрГЭУ. Сегодня узнаем немного больше об обучении ИИ от студента 2 курса направления "Экономическая безопасность" Корабейникова Ильи.

Miles (https://github.com/radixark/miles) - фреймворк для RL-обучения от команды LMSYS ORG (https://lmsys.org/blog/2025-11-19-miles/), ориентированный на энтерпрайз-уровень.

Салют, Хабр! Последний год выдался насыщенным: выпуск линейки GigaChat 2, которая может вас слышать, смотреть видео и даже понимать мемы; добавление функции Reasoning в наш Web (giga.chat); первое место в бенчмарке ruMTEB; а также вывод в open source GigaChat Lite и Giga-Embeddings (аж двух версий!).

Всё сводится к трём ключевым идеям:

1) Использовать Transformer Engine подменяет стандартные блоки на оптимизированные версии: меньше памяти, быстрее матричные операции, поддержка FP8/FP4. Это сразу увеличивает скорость обучения и инференса.

2) Масштабировать обучение до миллиардов параметров

В наше время, когда многие, включая астрономов собирают огромные объемы данных, изучение космоса становится все более сложным. Но новая разработка меняет эту реальность. Исследователи создали способ анализа гигантских космических наборов данных с помощью обычного ноутбука и нескольких часов обработки.

Лаборатория Intology представила новую итерацию своего ИИ-ученого — систему Locus. Главным достижением стал результат на бенчмарке RE-Bench, где Locus обошел команду людей-экспертов, набрав 1.30 балла против человеческих 1.27.

Мы стремимся не замыкаться в «закрытой» технологии, а строить открытую платформу для всей страны, поэтому мы публикуем веса наших моделей.

Что появилось в открытом доступе   

GigaChat Ultra Preview

Исследователи факультета вычислительной математики и кибернетики МГУ представили нейросетевой метод построения и сопоставления ключевых точек на изображениях радужной оболочки глаза. Работа проводилась на кафедре математической физики факультета в рамках спецсеминара «Обработка изображений и компьютерное моделирование».

Новейшая китайская нейросеть DeepSeek стала горячей темой на всемирной сцене. Как мощная открытая большая языковая модель (LLM), предназначенная для различных ИИ-приложений, от обработки естественного языка до генерации контента, она существует в моделях с разными размерами, что делает ее адаптируемой ко многим вычислительным средам.

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.

Консорциум OpenFold при поддержке NVIDIA представил микросервис OpenFold3 NIM- инструмент для прогнозирования трёхмерных структур белков с высочайшей точностью. Этот сервис открывает новые возможности для фармацевтики и молекулярной биологии, где важно понимать, как взаимодействуют белки, ДНК, РНК и малые молекулы.

1. Supervised Learning (обучение с учителем)

- Суть: обучение модели на размеченных данных (data with labelled data).

- Подразделяется на два типа задач:

- Classification (классификация): прогнозирование дискретных значений (например, «да/нет», категории). Визуализировано с помощью кругов с точками разных цветов.

Без официального анонса стала доступна новая ИИ-модель Polaris Alpha с контекстным окном до 256 тыс. токенов. Она описывается как универсальный инструмент для генерации кода и выполнении инструкций. Модель была запущена для сбора обратной связи от пользователей.

1. Machine Learning Models (Модели машинного обучения)

- Описание: учатся на размеченных или неразмеченных данных для выявления закономерностей, классификации или прогнозирования результатов. Включают подходы с учителем, без учителя и с частичным обучением.

Курс CME 295: Transformers & Large Language Models объясняет, как устроены современные ИИ вроде GPT и Llama, как их обучать, оптимизировать и превращать в полноценных агентов.

Что внутри:

— Архитектура трансформеров, RoPE и attention-трюки;

— Mixture of Experts и техники сжатия моделей;

Обычно это невозможно: сеть AWS (EFA) не поддерживает GPUDirect Async, поэтому GPU на разных машинах не могут обмениваться данными достаточно быстро.

Инженеры нашли обходной путь: они построили новый софт, который передаёт координацию CPU, позволяя GPU всё равно синхронизироваться почти напрямую.

Droid умеет выполнять широкий набор задач — дебажить среду разработки, обновлять устаревший код, управлять облачной инфраструктурой, писать документацию и даже обучать модели.

Инструмент позволяет рисовать архитектуры нейросетей не вручную, а параметрически. Поддерживает три вида:

- Полносвязные сети (FCNN)

- Сверточные сети (по примеру LeNet)

- Глубокие нейросети (по примеру AlexNet)

Ландшафт архитектур LLM превратился в настоящий зоопарк. Почти каждую неделю появляются новые методы, обещающие меньший расход памяти и более быстрый инференс. Разобраться в этом становится все сложнее.

В чём идея?

Многие привычные библиотеки (pandas, NumPy, scikit-learn) можно заменить их GPU-версией, сохранив API.

Это даёт прирост скорости в десятки раз.

Drop-in замены в коде:

- `pandas` `%load_ext cudf.pandas`

- `polars`  `.collect(engine="gpu")`

ASI-ARCH (https://arxiv.org/pdf/2507.18074) - экспериментальная демонстрация (https://gair-nlp.github.io/ASI-Arch/) искусственного сверхинтеллекта для исследований в области ИИ, который способен полностью автономно вести научную работу по поиску новых нейросетевых архитектур.

(Конкурентность):

Конкурентность означает, что приложение продвигается сразу по нескольким задачам одновременно.

Хотя одно ядро процессора может выполнять только одну задачу за раз, оно достигает конкурентности за счёт быстрого переключения между задачами.

Обычно машинное обучение учат по формулам или просто вызывают `fit()`. Но если ты хочешь увидеть, как алгоритмы учатся шаг за шагом, — этот проект создан для тебя.

Что это:

Открытый Jupyter Book с интерактивными ноутбуками, в которых:

- Алгоритмы реализованы «с нуля» на NumPy

Dolphin — это мультимодальная модель, которая умеет разбирать сканы и фотографии документов, включая текст, таблицы, формулы и графики.

Подойдет для автоматизации чтения и структурирования PDF-файлов, отсканированных отчётов и научных статей.

Как работает модель: