On Training in Imagination

📗 Read

@datascienceiot

Получите офер в Яндекс за 2 дня

Участвуйте в онлайн-мероприятиях быстрого найма. Такой формат позволяет пройти всего две секции, вместо трёх в обычном найме, и финалы за выходные и сразу получить офер.

Как всё устроено:

🔴 Зарегистрируйтесь на мероприятие — с вами свяжется рекрутер и договорится об удобном времени для интервью.

🔴 В субботу пройдите две технические секции.

🔴 В воскресенье познакомьтесь с командами и получите офер.

Какие мероприятия проводим:

⚡️30–31 мая Weekend Offer ML

Для ML- и DL-инженеров с опытом в доменных областях NLP, CV, RecSys и Classic ML.

Подробности и регистрация — на сайте: https://yandex.ru/project/events/wo-ml-0526

⚡️6–7 июня Weekend Offer Analytics

Для продуктовых, дата-аналитиков и датасаентистов с опытом на Python от 3 лет.

Подробности и регистрация — на сайте: https://yandex.ru/project/events/wo-analytics-0626

How AI Impacts Skill Formation

📗 Read

@datascienceiot

The new Claude for Legal repo gives firms and in-house teams prebuilt agent workflows for contract review, litigation prep, and regulatory monitoring—completely free.

🔗 https://github.com/anthropics/claude-for-legal

@datascienceiot

D><Vision — серия митапов для CV-инженеров, исследователей и всех, кто работает с ИИ

📍 21 мая в 18:30, Quattro Space (Москва. Мясницкая ул., 13, стр. 20)

На ближайшей встрече вас ждут:
— Александр Паркин (VisionLabs) — визуальные аватары и как они устроены
— Анастасия Анциферова (Сбер) — генеративный ИИ в архитектуре
— Никита Шубин (ЦПТ «АГРОЦИФРА») — как ускорить разметку данных в 5 раз с помощью DataOps и foundation models
— Василий Висков (Яндекс) — как команда AliceAI VLM повышала качество модели на образовательных STEM-сценариях

D><Vision — это не только доклады, но и профессиональное комьюнити: живое обсуждение и нетворкинг.

Можно участвовать очно или подключиться к онлайн-трансляции, участие бесплатное

Регистрация

GLM-5V-Turbo: Toward a Native Foundation Model for Multimodal Agents

📗 Read

@datascienceiot

🚀 Claude Code: от «балуюсь в терминале» до агента в проде

Claude Code уже не просто пишет код. Он рефакторит монорепо, делает code review, катит миграции и ведёт расследования инцидентов.
Разница между «иногда играюсь» и «выжимаю реальные часы экономии» — огромная.

Этот курс закрывает её за 20 практических модулей.

Что соберёшь своими руками:
— кастомные slash-команды и sub-agents
— свои MCP-серверы под твой стек
— хуки и автоматизация ревью
— workflow в GitHub Actions и интеграция в CI/CD
Что получишь на выходе:

• релизы быстрее
• ревью короче
• токены дешевле
• спокойный сон по поводу безопасности

Подойдёт разработчикам, тимлидам, DevOps и архитекторам, которые почувствовали, что Claude Code - почти магия, и хотят довести её до магии на продакшене.

🎓 Курс на Stepik
🔥 Сейчас действует скидка −50%
Хватит играться. Пора выкатывать агента в прод 👉
https://stepik.org/a/285842

Can LLM agents explore codebases and reason about code semantics without executing the code

📗 Read

@datascienceiot

"DeepSeek-V4 Technical Report"

📗 Read

@datascienceiot

Image Generators are Generalist Vision Learners

📗 Read

@datascienceiot

Два сценария: а) работаете с данными на прикладном уровне, но есть теоретические пробелы б) есть теория, но не хватает глубины в ML и инфраструктуре

Так вот. Школа анализа данных от Яндекса закроет оба этих сценария.
Двухлетняя бесплатная программа, в которой сильная теория совмещается с постоянной практикой.

Направления:

— Разработка машинного обучения
— Data Science
— Инфраструктура больших данных
— Анализ данных в прикладных науках ← особенно актуально для тех, кто на стыке DS и инженерии

Два трека поступления: классический (3 этапа) и альтернативный — для специалистов с опытом. Можно обучаться офлайн в городах присутствия, гибридно или онлайн.

Заполнить анкету на поступление можно по ссылке. Принимают заявки только до 3 мая.

Boxer: модель для подъема 2D-детекций в 3D.

У WildDet3D от Института Аллена появился сосед по задаче: Reality Labs корпорации Марка Цукерберга опубликовала проект с той же целью - перевести 2D-детекции в 3D, но с иным профилем возможностей и открытости.

Boxer - более узкий, но геометрически более строгий инструмент для indoor-сценариев с трекингом и фузией.

Пайплайн трехступенчатый:

детектор OWLv2 находит объекты в кадре;

BoxerNet с DINOv3 под капотом через кросс-внимание поднимает каждую 2D-рамку в 3D, опираясь на внутренние параметры камеры, направление гравитации и глубину;

детекции между кадрами либо сливаются офлайн через венгерский алгоритм, либо ведутся онлайн-трекером.

В отличие от WildDet3D, Boxer работает с видеопоследовательностями: ему нужны 6-DoF позы каждого кадра, гравитация и калибровка.

Взамен он дает то, чего у WildDet3D нет: согласованные сценовые 3D-боксы на уровне всей сцены и онлайн-трекинг с сохранением идентичности объектов.

Boxer поставляется как inference-решение: авторы не планируют выкладывать код обучения и оценки, объясняя это нежеланием тянуть долгосрочную поддержку.

В репозитории - только скрипты запуска и загрузчики датасетов Project Aria (Gen 1 и 2), CA-1M, SUN-RGBD и ScanNet.

Boxer запускается на macOS и Linux. Windows официально не поддерживается


Лицензирование: CC-BY-NC-4.0 License.


Страница проекта
Модель
Arxiv
GitHub


@ai_machinelearning_big_data

#AI #ML #CV #Detection #Boxer #RealityLabs

«Я думал, что ИИ будет работать за меня, но в итоге я стал секретарем у нейросети»

Знакомая ситуация? Промпты написаны, API подключен, но вместо отдыха вы часами правите код за моделью и вычищаете ошибки. Автоматизация обернулась новой рутиной, потому что разовые запросы к чат-боту не встраиваются в реальные бизнес-процессы.

Проблема в том, что промпт-инжиниринг сам по себе не масштабируется. Нельзя построить надежный продукт, который держится на «удачно подобранном слове» в запросе. Чтобы ИИ приносил деньги, а не отнимал время, нужно внедрять агентские архитектуры, способные работать автономно.

28 апреля на бесплатной конференции мы покажем, как это делают те, у кого цена ошибки – миллионы.

✅ Руслан из Авиасейлс расскажет, как они «обожглись» на готовых решениях и с нуля собрали свою платформу.
✅ Даниил из Сбера покажет, как не сливать по $20 на каждую метрику и заставить LLM работать на результат.
✅ Максим из TripleTen выдаст схему, как их команда маркетинга высвободила 1000+ часов в месяц с помощью ИИ-агентов. Представь, сколько это в деньгах.

Мы не будем лить воду. Вы получите 9 готовых кейсов внедрения. Это конкретные алгоритмы: «запрос бизнеса – техническое решение – итоговый профит в цифрах».

После конфы у вас на руках будет 70 страниц конспекта – пошаговое руководство, которое можно внедрить в свой проект уже на следующий день.

Разберитесь, как превратить нейросети в надежный инструмент для бизнеса.

🚀 Участие бесплатное. Занимайте место - https://karpov.courses/conf


Реклама

Introduction to Algorithms and Machine Learning

📗 Read

@datascienceiot

Dive into Claude Code: The Design Space of Today's and Future AI Agent Systems

📗 Read

@datascienceiot

The Future of Everything is Lies.

📗 Read

@datascienceiot

Хаос в данных — это хаос в прибыли. Наводим порядок.

Вы ежедневно тонете в разрозненных источниках, противоречивых отчётах и «ручном» Excel? Ваша команда тратит 80% времени на “вычистку” данных, а не на инсайты?

Представьте: единая, прозрачная структура, где каждый цифровой актив ложится на своё место, а скорость принятия решений растёт в разы. Без простоев, перекладывания битых CSV и устаревших метрик.

Практикум «Порядок в данных» — это не скучная теория. Это управленческий инструментарий:

✅ Как построить систему управления данными без сбоев
✅ Как избавиться от «аналитического мусора» и срезать операционные издержки
✅ Как делегировать контроль качества так, чтобы подразделения сами несли ответственность за чистоту информации

Живой Практикум от руководителя Яндекс eLama - 22 апреля в 19:00 (мск)

Количество мест ограничено - зарегистрируйтесь сейчас