Polska jest w wyjątkowej ciemniej d⁎⁎ie, jeżeli chodzi o wiedzę o zagrożeniach wynikających ze statystycznego uczenia.

Skąd to wiem? No cóż, mogę się założyć, że nawet gdybym teraz użył dużo bardziej znanego terminu "uczenie maszynowe" to i tak 90% z was pomaszerowała by szukać definicji w googlach...

Nie wiemy jakie prawa mamy, nie wiemy jakie prawa zyskaliśmy w nowym EU AI ACT. Nasza wyobraźnia jest pogrążona w jakiś dziwnych wyobrażeniach o terminatorze i nieistniejącym lekartwie na raka.

Ogólnie to Big tech będzie nas r⁎⁎⁎ać aż nas kukle będą swędziały...

#ml #ai (eh)

śmieszne zdjęcie dla atencji

Nic się nie nauczył od ostatniej rozmowy...

#chatgpt #ai #ml

Czy trudno jest się przebranżowić z webdev(głównie backend, głównie .NET, dwu letnie doświadczenie) do AI/ML? Zaplecze matematyczne posiadam.

#programowanie #ai #ml #pytaniedoeksperta

Uwaga! 10 grudnia odbędzie się pierwsza konferencja zorganizowana pod marką Order of Devs.

Darmowy bilet oraz więcej informacji możesz znaleźć: https://www.subscribepage.com/orderofdevsconference

Na konferencji pojawią się 3 ścieżki tematyczne:

• data science,
  

• cloud,
  

• frontend.
  

Każda osoba posiadająca bilet dostanie linki do transmisji mailem w dniu wydarzenia, dzięki czemu będzie mogła uczestniczyć w wydarzeniu online lub odtworzyć nagranie w innym momencie.

Właściciele biletów zostaną również zaproszeni do przedsprzedaży dostępu do naszego programu mentoringu grupowego.

Zapraszamy! Zapraszamy też do udostępniania

https://www.facebook.com/Order-of-Devs-238944198047414/

Już 26.06.2021 od 11 do 18! na naszym discord Data Society Community, aż 7 prelekcji pełnych praktycznej wiedzy. Tematyka od data science, ML, AI i projektowanie architektury. Zapraszam!!! https://summer-data-society-conf.carrd.co/

Pierwsze kroki z interpolacją wartości nieznanych w danych

Nie wchodzę w metmatyczne szczegóły, a jedynie w praktyczną implementację.

https://colab.research.google.com/drive/16oQRCZdGsy2WsliF5gwRmnOC6YZQO9Jx?usp=sharing

Jednym z bardziej ciekawych wzorców architektonicznych jest architektura zwana Pipe And Filters.

Co nam daje?

Polega ona na utworzeniu za pomocą modułów w kodzie idempotentych przepływów danych.

Przykład na ML flow:

Dane => Mapowanie danych => Analiza danych => Imputacja danych => Transformacja danych (np scalowanie) => Uczenie na danych => Weryfikacja modelu => Deploy modelu

Co nam daje P&F?

Możemy bez problemu każdą z tych części zrównoleglić od siebie i użyć tak zwanych collectors do zbierania wyników i przekazania ich do kolejnego modułu.

Dane => 1..N osobnych procesów => Mapowanie danych => Analiza danych => Imputacja danych => Transformacja danych => Kolektor => Uczenie na danych => weryfikacja modelu => Deploy modelu

P. S. Co to podziału analizy statystycznej na mniejsze batche opieram się na Centralnym Twierdzeniu Granicznym, dlatego mogę robić na zatomizowanych ilościach

Z ciekawości czy ktoś chciałby coś o ML/DS ?