Посоны, поясните за fp16 режим - если есть возможность его заюзать, то стоит ли его применять всегда? Или есть задачи где он не применим? Скажем, если я хочу заюзать энкодер T5 для построения поискового индекса по векторизированным представлениям фраз, то сильно ли мне режим fp16 при тренировке испортит результирующие фичи возвращаемые энкодером?

Народ, всем привет.я правильно понимаю что если сказать очень грубо и сильно упростить, то ML хорошо, работает с таблицами, для остального в основном используют DL

DL - это часть ML)

Дл маленькая часть МЛ

Думаю все поняли что имеется ввиду

Классическое ml

DL хорошо заходит для огромных датасетов либо для маленьких датасетов + огромных моделей, предобученных на огромных датасетах)
DL иногда бывает сильно лучше классического ML на данных, в которых есть куча скрытой структуры (картинки, аудио и текст).
Качество классического ML сильно зависит от feature engineering'а, и часто бывает, что на очень хороших фичах простые модели работают не хуже самой сложной и глубокой нейронки. Но если обучающие выборки большие, то нейронки часто умудряются выучить хорошие фичи там, где человеку не удаётся их руками скрафтить.

А можно пример, где кроме таблиц часто используют ml

Где угодно! Ведь из любых не-табличных данных можно извлечь признаки и положить их в табличку)

Например, в классификации текстов очень сильный бейзлайн - логистическая регрессия над tf-idf счётчиками слов или n-грамм.

А. Интересно

Простите за оффтоп, но никто не знает чата с вакансиями для системных инженеров, инфобеза, т.д.?

Список айтишных чатов и каналов телеграма:
https://github.com/goq/telegram-list

В списке выше есть много ресурсов с вакансиями, и каналы и чаты. А если у вас есть интересные вакансии по нашей теме - присылайте. Разместим в @datasciencejobs

Спасибо большое за помощь!

если инпут сетки структурированный (скажем, у каждой точки три канала: RGB) и при этом структура как то учитывается при обучении в отличие от одномерного плоского массива на входе, то такое обучение или модель как называется?

Сталкиваетесь в работе с базами данных?

6 месяцев практики и опыт 20-ти крутых экспертов помогут вам профессионально работать с популярными инструментами PostgreSQL, MySQL, Redis, Tarantool, MongoDB, Cassandra и др.

🚩Вы научитесь проектировать базы данных и создавать оптимальную структуру их хранения и различать основные СУБД.
🚩Освоите синтаксис и особенности работы SQL, DDL, DML.
🚩Сможете выявлять и оптимизировать медленные запросы.
🚩Вас ждет живое общение с экспертами на вебинарах, интенсивная практика и итоговый проект, которые помогут вырасти в карьере и уверенно решать сложные интересные задачи.

👉🏻Пройдите вступительный тест, чтобы успеть занять место по спец. цене: https://otus.pw/SlCe/

Здравствуйте
Я начал изучать машинное обучение , можете дать совет с чего начать

Какой курс пройти в первую очередь

привет всем, допустим я обучил нейронку, но иногда она показывает на теством дата сете результаты хорошие, потом делаю переобучение и показывает откровенно плохие. Что в этом случае делать, просто прогнать 100 раз - обучить и выбрать лучший вариант модели и с ней работать? Я верно логику понимаю или я в чем то ошибаюсь?