Спасибо большое. Очень интересная форма подачи материала. Также повеселили отсылки к металлообработке - отжиг. Кстати, для понимания процедуры использования более качественных данных в конце можно использовать аналогию из слесарного дела - сначала металл обрабатывают напильником, а потом уже полируют чем-то с более мелкими зёрнами.
Он поэтому и называется отжигом, потому что идея позаимствована из обработки металла методом отжига, когда металл сначала выдерживают при высокой температуре, чтобы сбросить внутреннее напряжение в металле, а затем постепенно понижают температуру. Таким образом атомы постепенно встают на нужные места в кристаллической решетке и на выходе мы получаем однородный металл без внутренних напряжений и легко поддающийся обработке. Собственно в ML что-то похожее, только вместо температуры learning rate, а вместо атомов веса модели.
Присоединяюсь к предыдущему комментатору: было бы очень интересно смотреть такой разбор статей на англ.яз., т.к. я не владею им настолько, чтобы свободно читать техническую литературу. Да и искать такие статьи нет времени, т.к. увлекаюсь Data Science в свободное от работы время, которого не так много.
Возможно не последовательно изучаю материал, но слушать про современные приемы и рекомендации обучения куда интереснее поэтапного изучения всех веток нейронных сетей и математики стоящей за ними. Жду продолжения
![1. CS50 на русском: Лекция #1 [Гарвард, Основы программирования, осень 2015 год]](http://i.ytimg.com/vi/SW_UCzFO7X0/mqdefault.jpg)
Классный формат! Я бы с большим удовольствием продолжал смотреть разбор топовых статей!
Спасибо за топ контент! Буду рад послушать про мультимодальность, тема тоже интересная.
Приветствую, Учитель.
Интерес у аудитории к тематике есть.
Спасибо за контент!
Спасибо, что смотрите!
Классный разбор статьи
Спасибо!
Евгений, огромное спасибо за работу.
Много полезного.
Ждём продолжения.
Хорошего дня.
круто, спасибо за разбор
Огонь!!!!
Спасибо большое. Очень интересная форма подачи материала.
Также повеселили отсылки к металлообработке - отжиг. Кстати, для понимания процедуры использования более качественных данных в конце можно использовать аналогию из слесарного дела - сначала металл обрабатывают напильником, а потом уже полируют чем-то с более мелкими зёрнами.
В ML тоже есть такой алгоритм, который называется отжигом.
Он поэтому и называется отжигом, потому что идея позаимствована из обработки металла методом отжига, когда металл сначала выдерживают при высокой температуре, чтобы сбросить внутреннее напряжение в металле, а затем постепенно понижают температуру. Таким образом атомы постепенно встают на нужные места в кристаллической решетке и на выходе мы получаем однородный металл без внутренних напряжений и легко поддающийся обработке. Собственно в ML что-то похожее, только вместо температуры learning rate, а вместо атомов веса модели.
Спасибо за вашу работу! Очень интересный формат, т.к. самому не хватает компетенций читать такие статьи)
Присоединяюсь к предыдущему комментатору: было бы очень интересно смотреть такой разбор статей на англ.яз., т.к. я не владею им настолько, чтобы свободно читать техническую литературу. Да и искать такие статьи нет времени, т.к. увлекаюсь Data Science в свободное от работы время, которого не так много.
Возможно не последовательно изучаю материал, но слушать про современные приемы и рекомендации обучения куда интереснее поэтапного изучения всех веток нейронных сетей и математики стоящей за ними. Жду продолжения
Спасибо, там кстати когда вы про позиционные эмбэдинги обсуждали на экране про RoPE написано😁
Так и есть) Обсуждали позиционные эмбеддинги как раз потому, что в школе работали именно с ними)
Давай еще)🔥
На следующей неделе будет продолжение)