Спецпроект на Wildberries или Ozon — это не «купить трафик», а отдельный формат с бюджетом от сотен тысяч рублей. Разбираем, чем он отличается от обычной рекламы и когда себя окупает.
Политика, обученная в симуляторе, отдаёт команды, которые реальный робот выполняет иначе. Обучаемая инверсная модель динамики переводит намерения из симуляции в моторные команды железа.
Анконференция по машинному обучению собирает инженеров без заранее свёрстанной программы: расписание участники строят сами утром первого дня. Разбираем, как это работает и зачем идти.
Обучение одной большой модели упирается не в код, а в железо, сеть и хранилище. Разбираем, что реально нужно для тренировок — от одной GPU до кластера.
На самоорганизующейся конференции нет расписания до начала: участники сами набивают сетку сессий за 40 минут. Разбираем, как это работает и почему разработчики выбирают такой формат.
Метод PATE позволяет обучить модель на медицинских или финансовых данных так, что по её ответам нельзя восстановить конкретного пациента. Разбираем, как работает перенос знаний через ансамбль учителей и дифференциальную приватность.
Neural GPU обучали умножать многозначные числа без единой заложенной формулы. Модель осваивала алгоритм по примерам — и на этом же спотыкалась. Разбираем, что она умеет и где ломается.
У обычного VAE есть неприятная особенность: если декодер достаточно мощный, латентный код перестаёт нести полезную информацию. VLAE предлагает разделить, что кодировать в латент, а что оставить декодеру.
Идея RL² в том, чтобы обучить нейросеть не решать одну задачу, а быстро осваивать новые за считаные эпизоды. Разбираем, как это устроено и зачем это нужно.
Работа #Exploration показала: даже старый трюк со счётчиками посещений работает в средах с миллиардами состояний, если хешировать наблюдения. Разбираем метод и его результаты на Montezuma's Revenge.
Три семейства моделей — GAN, инверсное обучение с подкреплением и энергетические модели — на бумаге выглядят по-разному. Но под капотом у них общая математика, и это меняет то, как их проектируют и отлаживают.
Perplexity, FID и BLEU дают три разных ответа на один вопрос. Разбираем, какие метрики для декодерных генеративных моделей врут, а какие можно предъявить в отчёте.