Видео

Благодарим за комментарий!

Благодарим за обратную связь!

Добрый день! Закрывая слова токеном [MASK] мы знаем заранее какие слова закрыли, эти слова и являются нашими классами для обучения. Оценка вероятности получается после некоторых преобразований, в рамках курса мы это не рассматриваем, можете дополнительно почитать про функцию softmax.

Благодарим за обратную связь.

Здравствуйте! МФК (межфакультетские курсы) проводятся в МГУ с целью повышения общего уровня эрудиции студентов. Материал, преподаваемый на лекциях МФК, должен быть понятен широкой аудитории. Более подробно с основной программой нашего курса можно ознакомиться в плейлисте "Программа обучения 2.0", а также в репозитории, где самая актуальная разработка нашего курса.

А ты значит родился со знания создания, настройки и обучения нейросетей? 😄 Это вводная лекций по конкретному курсу, очевидно же.

Добрый день! Алгоритмы понижения размерности устроены так, что мы стараемся близким объектам из исходного пространства поставить в соответствие близкие объекты из малоразмерного. Не гарантируется, что уменьшающее размерность отображение является биекцией и каждому объекту в пространстве высокой размерности соответствует ровно один объект в пространстве низкой. При отображении нескольких исходных объектов в одну и ту же точку возможны два варианта: 1) исходные объекты на самом деле почти одинаковые в выбранном нами смысле. 2) алгоритм построен плохо и на самом деле не решает поставленную задачу по снижению размерности.

Добрый день. Доменная область в контексте машинного обучения определённая область или задача. Например, если вы обучаете модель для распознавания изображений кошек и собак, то доменная область - это набор изображений с этими животными, включая их фон, разрешение и условия съёмки. Если вы используете другую доменную область, например, фотографии автомобилей (другое освещение, фон, разрешение), то модели может быть сложнее обобщать свои знания на эти данные из-за различий в доменных областях.

@@MSU_AI Огромное спасибо за развернутое пояснение.

Добрый день! Модель предсказывает центр + ширину(w) и высоту(h). Центр круга должен совпадать с центром предсказанного прямоугольника, а радиус = (h+w)/4

​@@MSU_AI я так понимаю, это постобработка. реализовать полное изменение архитектуры под circle detector очень сложно? просто мои круги на изображении это множество пустых контуров пересеченных друг с другом и мне важна точность их местоположение и радиус, справятся ли стандартный bounding box?

Здравствуйте! На данный момент материалы наших лекций также доступны по ссылкам: Лекция на Rutube: rutube.ru/video/8706788af86491bff3413d3da5659d1d/?r=wd Лекция на VK видео: vk.com/video-204135333_456239232

Здравствуйте! Воспроизвести возникшую у вас ошибку в блокноте, который приложен по ссылке в описании, не удалось. Пожалуйста, попробуйте запустить блокнот с самого начала повторно, предварительно перезагрузив среду. Рекомендуем запускать наши блокноты либо в режиме "Выполнить все" ("Run all"), либо выполняя ячейку за ячейкой по порядку от начала до конца блокнота. Если у вас останутся трудности при использовании наших материалов, пожалуйста, обращайтесь!

Благодарим за комментарий!

Здравствуйте! Воспроизвести возникшую у вас ошибку в блокноте, который приложен по ссылке в описании, не удалось. Пожалуйста, попробуйте запустить блокнот с самого начала повторно. Рекомендуем запускать наши блокноты либо в режиме "Выполнить все" ("Run all"), либо выполняя ячейку за ячейкой по порядку от начала до конца блокнота. Если у вас останутся трудности при использовании наших материалов, пожалуйста, обращайтесь!

Рады стараться! Благодарим за комментарий

Благодарим!

Благодарим за комментарий!

Благодарим за положительную оценку!

Благодарим за положительный комментарий!

Благодарим!

Задача, о которой вы спрашиваете - img2img задача. В контексте диффузионных моделей чаще всего решаются задачи в которых входное изображение используется как источник дополнительного контекста для генерации. Вот тут есть примеры кода: huggingface.co/docs/diffusers/using-diffusers/img2img По ретуши фото: зависит от задачи. Для повышения качества изображения (задача Super Resolution) можно посмотреть на модели на основе GAN, например github.com/xinntao/Real-ESRGAN Для восстановления цвета и улучшения качества старых изображений github.com/jantic/DeOldify По задаче inpainting можно посмотреть на DeepFill модели: github.com/JiahuiYu/generative_inpainting и на Lama (она тяжелая) github.com/advimman/lama

Также дополним, что восстанавливать пропавшие части на изображении естественно могут негауссовы диффузные модели. Про это есть классическая статья о "холодной диффузии" arxiv.org/abs/2208.09392

@@MSU_AI Спасибо за примеры. Теперь хоть стало более понятно куда копать. Просто во всем интернете похоже нет нормального примера с объяснением что и зачем делаем. Но теперь хоть примеры кода есть...

Благодарим за распространение!

Что вы создали за последние 60 лет? В наши дни повсюду есть эксперты.

Благодарим за положительный комментарий!

Благодарим!

Главной уникальной составляющей данной работы была попытка объединить данные ЭЭГ и ЭМГ с целью улучшения качества классификации мысленно проговариваемых фонем на русском языке