Видео

Спасибо!

это за 1 курс или просто семинар ?

спасибо большое Евгению Соколову за очень понятное и интересное обьяснение!

Very cool video, I liked it

Маркер х***й

Ппц. Ничего худшего не слышал.

Огромное спасибо ВШЭ, Алексею и Андрею за классный курс. Не ожидал получить столько полезных знаний, где все объяснено просто и понятно. Очень хочу увидеть обновленный курс в будущем. Большое спасибо за ваш труд и за то, что делаете такие ценные знания доступными для всех!

А у ВШЭ есть as?

Вот все бы лишние слова выкинуть и полезного текста останется минут на 10, что сильно бы облегчило понимание... а то чем то прием у психиатра напоминает.. без причины, без следствия.. просто какой то ассоциативный перебор всего в момент, что приходит в голову: нефильтрованный и беспричинный поток сознания... все уже с середины лекции забыли это вообще для чего.. )))) И этот трешачек, сделанный, на пофиг чисто потрындеть рекомендовали посмотреть из других лекций...... 🙃 Убить столько время и столько слов, на то что проходилось еще в школе физ-мат классе и можно описать несколькими предложениями - это фиаско... (Big (0)=infinity). Где то наверное икает какой ть индус, который запилил ролик про то же самое, но смог это все за 5 минут рассказать, только лучше... 🤣🤣🤣🤣

Вы потрясающий, Роман Сергеевич!

Начало 12:00

31:00 ЖНФ 2, 3, 4

супер!

1:30:54 не благодарите)

спасибо за разбор, конечно, но мне как юристу с нулевыми знаниями формулировки "ну тут и так все ясно" ясности не дают совсем... можно каждую строчку разбирать пожалуста... уровень все таки начальный, сами написали же

10:13 - start

Спасибо!

спасибо!!!

Добавьте в плейлист, пожалуйста, а то не удобно находить :)

Случайный бустинг, градиентный лес

начало 5:59

кто прочитал тот лох

Супер! Интересно

Поправьте, если ошибаюсь, но функция get_target что на видео реализована не корректно, что в гитхабе. Я взял функцию с гитхаба и добавил принты (+ немного модифицировал, захардкодил окно) для дебага, получилось: # WRONG CODE def get_target(words, idx, window_size=5): """ Get a list of words in a random-sized window around an index. """ # r = random.randint(1, window_size) r = window_size print( f"Context window: {r} /", f"Min context word: {words[max(0, idx - r) : idx]} /", f"Target word: {words[idx]} /", f"Max context word: {words[idx + 1 : min(len(words) - r, idx + r)]}", ) target = ( words[max(0, idx - r) : idx] + words[idx + 1 : min(len(words) - r, idx + r)] ) return target Если протестировать на простом примере: get_target([5233, 58, 741, 10571, 27349, 0, 15067, 58112, 3580, 58, 10712], 6, 3) То получим: Context window: 3 / Min context word: [10571, 27349, 0] / Target word: 15067 / Max context word: [58112] [10571, 27349, 0, 58112] Хотя корректный аутпут (т.к. в данном случае смотрим на 3 слова влево и на 3 слова вправо): Context window: 3 / Min context word: 10571 / Target word: 15067 / Max context word: 58 [10571, 27349, 0, 58112, 3580, 58] Скорректировал функцию, теперь вроде окей (только осторожно, там тоже линшие принты для дебага - захардкожена r): # CORRECT CODE def get_target(words, idx, window_size=5): """ Get a list of words in a random-sized window around an index. """ r = window_size print( f"Context window: {r} /", f"Min context word: {words[max(0, idx - r)]} /", f"Target word: {words[idx]} /", f"Max context word: {words[min(len(words) - 1, idx + r)]}", ) target = words[max(0, idx - r) : idx] + words[idx + 1 : min(len(words), idx + r + 1)] return target Плюс обучился и на некорректном варианте и на корректном. Во втором случае (внезапно) как будто чуть содержательнее эмбеддинги получились

42:40 Не понятно вот этот момент, если у нас выборка в 1000, а мы берем для бустрапа достаем выборку в 1000, то у нас будет такая же выборка (1000 штук достали из 1000). Или тут суть в "возвращении" - достали одно значение (случайно), положили обратно, достали второе значение (случайно), положили обратно. и так 1000 раз. И тогда в каждой бустрап-выборке будет некоторое кол-во одинаковых значений (но в каждой бустрап-выборке разное)

Допускаем, что искомое значение нужного нам члена временного периода можно представить в виде линейной комбинации n предыдущих членов ряда, и что бы соответствовало условия стационарности добавляем разложение еще по ряду заведомо стационарных функций (он же шум) из предположения, что если ф-ция стационарна, то и линейная комбинация с ней должна оставаться стационарной. Для этого подбираем в начале размер окна временного сдвига, по которому будет разложение по предыдщим членам со всякими там автокореляциями, далее подбираем коэфиценты разложения ряда. Все.. Зачем существует весь последующий час вообще не понятно.. Любой индус на ломаном английском спокойно за это время сможет не только временной ряд а все ML рассказать и еще на сдачу азы по кибербезопасности, а Вы тут в носу ковыряете..

1:26:24 так откуда берётся вариативность прогноза, если у модели константный вход, а внутри рандома нет?

Лучше чем дота 2

Когда уже включат донаты, хочется поддержать любимого стримера.

Отличная подача материала. Спасибо за лекцию!

/esokolov

Поправите ссылку в описании, а то она "битая"

Очень тихо говорит лектор, невозвожно слушать.

Супер!

Жалко, что нет записи с тетрадки, как было ранее. Формат живой доски для онлайна сильно проигрывает (

Спасибо

Понял, mystem - расист, его не используем

наконец-то нормальная лекция про OSI

Cool❤❤❤

Семинар 22

Семинар 21

А есть ли записи семинаров?