✍️ Разбираем сложные задачи прошедшей недели

1️⃣ Для рекомендательных систем используется несколько подходов. Один из них — подход, основанный на контенте (content-based). Такая система анализирует специфические данные о товарах и услугах, такие как описания, отзывы, метаданные. Рекомендации строятся на базе этих характеристик: жанр, производитель, конкретные функции и т.д. Поэтому content-based можно назвать систему, которая предлагает музыку по анализу предпочтений пользователя и характеристик его любимых песен.
2️⃣ Метод numpy.flip переворачивает массив элементов вдоль какой-то из осей. Так, при помощи np.arange(10, 50, 10) мы создаём массив [10, 20, 30, 40]. Затем np.flip(a) возвращает такой массив [40, 30, 20, 10]. Соответственно, c = b[1] извлекает второй элемент перевёрнутого массива, который равен 30.
3️⃣ Word2Vec позволяет получить векторные представления слов. Существуют две основные архитектуры для этого: Skip-Gram и Continuous Bag of Words (CBOW). В модели Skip-Gram центральное слово используется для предсказания контекстных слов. CBOW использует контекстные слова для предсказания центрального слова.

#разбор_задач

🧑‍💻 Статьи для IT: как объяснять и распространять значимые идеи

Напоминаем, что у нас есть бесплатный курс для всех, кто хочет научиться интересно писать — о программировании и в целом.

Что: семь модулей, посвященных написанию, редактированию, иллюстрированию и распространению публикаций.

Для кого: для авторов, копирайтеров и просто программистов, которые хотят научиться интересно рассказывать о своих проектах.

👉Материалы регулярно дополняются, обновляются и корректируются. А еще мы отвечаем на все учебные вопросы в комментариях курса.

✍️ Разбираем сложные задачи прошедшей недели

1️⃣ Автокодировщик (англ. autoencoder) — это специальная архитектура нейронных сетей, основная идея которой научиться сжимать входные данные в компактное представление и затем восстанавливать эти данные обратно к их исходному виду или как можно ближе к нему.

Автокодировщик состоит из двух частей: энкодера и декодера. Энкодер переводит входной сигнал в его представление, а декодер восстанавливает сигнал по этому представлению. При этом в центре нейронной сети создаётся узкий слой — бутылочное горлышко. Количество нейронов в нём должно быть на порядок меньше, чем у входа. Так мы заставляем нейросеть находить в объекте самую важную информацию и передавать через бутылочное горлышко только её.

2️⃣ В этой задаче сначала мы создаём numpy-массив, состоящий только из элементов-единиц. Автоматически используется тип данных numpy.float64 (если не указать иное). torch.from_numpy в свою очередь автоматически наследует тип данных массива numpy.

#разбор_задач

🤖 Напоминаем, что у нас есть еженедельная email-рассылка, посвященная последним новостям и тенденциям в мире искусственного интеллекта.

В ней:
● Новости о прорывных исследованиях в области машинного обучения и нейросетей
● Материалы о применении ИИ в разных сферах
● Статьи об этических аспектах развития технологий
● Подборки лучших онлайн-курсов и лекций по машинному обучению
● Обзоры инструментов и библиотек для разработки нейронных сетей
● Ссылки на репозитории с открытым исходным кодом ИИ-проектов
● Фильмы, сериалы и книги

👉Подписаться👈