так если ты учишься в универе, почему бы не найти отдельную лабораторию/бригаду людей, которые работают в интересующем тебя направлении. Попросись к ним с горящими глазами, что хочешь развивать и быть полезным в этой области. и потихоньку включишься в работу и начнешь писать статьи. я так кандидатскую защитил

Цель: 100к/мес.
Средства: публикация статей в крутых журналах

Цель: 100к/мес.
Средства: капля мозгов

тебя за публикации только одни никто брать не будет. здесь очень много составляющих, начиная от знаний, заканчивая софт скиллами и просто тем, понравишься ли ты тим лиду или нет

Ну знания статьи ведь могут показать.
А адекватным и вежливым я быть постараюсь

ты без большого опыта и багажа научных работ не сможешь публиковаться в журналах первого квартиля . и уже точно без соавторства не сможешь. поэтому сомнительное достижение, если ничего другого нет

🛰 Как быстрее всего оказаться в Data Science? 6 месяцев на онлайн-курсе «Machine Learning Basic» в OTUS — и вы получите всю необходимую подготовку и соберете портфолио проектов.

С нуля вы изучите Python, разберетесь с математикой для машинного обучения и поймёте принципы работы моделей. Персональный ментор поможет разобраться со сложностями и закрепить навыки. С первых занятий вы погрузитесь в мир Data Science: общайтесь с экспертами на лекциях, делитесь успехами с сокурсниками!

К концу курса у вас будет достаточно практики работы с реальными задачами, которые обычно в компаниях выполняют junior-специалисты. С таким опытом вы будете уверенно чувствовать себя на собеседованиях, а центр карьеры OTUS поможет получить первую работу в Data Science.

🔗 Оставьте заявку, чтобы занять место по спец.цене https://otus.pw/5Wal/

Привет.
Есть 60 классов, 100к картинок, но классы не сбалансированы. Например для топ 1 класса - 35к фотографий, топ 2 класс - 10к, и так дальше, последний -300 картинок.
Судя из вашего опыта, лучше тренеровать на всех картинках? или лучше рандомно взять, к примеру, 1500 картинок из классов у которых больше чем 1500 штук, и тренеровать на таком датасете?
Почему возник такой вопрос, потому что кажеться что модель сильно заучивает те мажоритарные классы.
После того как обрезал классы, вроде лучше, но все же, есть кто-то с опытом, который подтвердит что обрезать правильно?

можешь попробовать поюзать чтото похожее на SMOTE (хз не юзал такое в дип лернинге), но юзал на МЛ моделях. суть в том, что он синтетические данные создает чтобы сбалансить классы, можешь выбрпть oversampling, undersampling или SMOTE

Спасибо)

если честно хз работает ли это с картинками, но принцип думаю ясен) кстати, это не всегда полезно (по своему опыту)

Практика показывает, что статьи мало на что влияют. Потому что бизнесу нужно чтобы ты приносил ему деньги. А если ты хочешь заниматься ресечем (откуда иначе статьи?), то бизнес этому рад не будет, потому что результат хз, а деньги ты просишь. Только реально крупные конторы могут содержать исследователей. Ну или если очень-очень повезло и твои статьи реально по теме того, что нужно бизнесу. Правда, надо быть готовым, что если ты получишь какие-то результаты в рамках работы на бизнес, то опубликовать их тебе не дадут

Я обычно weighted loss юзаю и кормлю весь датасет.

Всем привет!
Подскажите open source софт для статистического анализа данных

Понятно, спасибо ..

SPSS

М.б. PSPP?

Кажется оба беспалнты...

Или условно бесплатный, через неделю придется переустановить)

Ну тот который SP.. вроде от IBM, и вроде как за деньги, а тот который PS.. опен сорс