🧠 Есть ли у Claude сознание? Автор диссертации на эту тему сомневается На фоне обсуждений машинного сознания Майкл Тимоти Беннетт поделился своей позицией: > «Я достаточно уверен, что Claude не обладает сознанием». В 2025 году он подготовил в Австралийском национальном университете PhD-диссертацию How To Build Conscious Machines . В ней исследует, что такое субъективный опыт и какие свойства могли бы позволить…
Машиннное обучение | Наука о данных Библиотека
админ - @workakkk @ai_machinelearning_big_data - Machine learning @itchannels_telegram - 🔥 лучшие ит-каналы @pythonl - Python @pythonlbooks - python книги 📚 @datascienceiot - ml книги 📚 № 5037635661
Динамика подписчиков
с 20 июля 2026 по 12 октября 2026 · минимум 16 800 · максимум 16 900
Кто рекламировался за полгода
Рекламодатель определён по маркировке рекламы в постах канала.
Публикации
⚡️ Петля Карпати: как заставить ИИ работать, пока вы спите Как устроен цикл Карпати из репозитория autoresearch, почему он нашел 20 улучшений за два дня и как двухуровневый цикл сделал подход в пять раз эффективнее. Плюс готовый промпт, чтобы попробовать. Большинство до сих пор работает с ИИ так же, как с поисковиком в 2005 году. Написал запрос, прочитал ответ, написал следующий. Модель ничего не делает, пока вы ее…
📚 Бесплатная 309-страничная книга по Machine Learning: _Patterns, Predictions, and Actions_. Авторы — Moritz Hardt и Benjamin Recht. Это полноценный учебник, который разбирает ML через три идеи: паттерны в данных → предсказания → действия . Внутри: - supervised learning - optimization и generalization - causality - causal inference - reinforcement learning - sequential decision making - история и влияние ML на…
11 бесплатных книг по AI и Machine Learning, которые можно читать онлайн или скачать 📚 Подборка сильная: от классического ML и deep learning до RL, multi-agent систем и probabilistic ML. 1. Foundations of Machine Learning https://cs.nyu.edu/~mohri/mlbook/ 2. Understanding Deep Learning https://udlbook.github.io/udlbook/ 3. Introduction to Machine Learning Systems Vol. 1: https://mlsysbook.ai/vol1/ Vol. 2:…
Как сегодня строят рекомендательные системы — и что будет с ними завтра? 30 сентября собираем RecSys-сообщество — разработчиков, ML/DS-специалистов и всех, кто делает персонализацию и рекомендации в реальных продуктах. В программе — доклады от экспертов Сбера. Поговорим о свежих подходах и нестандартных решениях на реальных кейсах. А после докладов переключаемся на неформальный режим: знакомимся, спорим про RecSys,…
💼 ИИ всегда поддерживает подростка. А помогает ли это ему взрослеть? В статье на arXiv исследователи описывают риск, который называют «эмоциональным поддакиванием» . Если чат-бот постоянно подтверждает тревожные мысли и сразу выдаёт готовое решение, ребёнок может реже учиться проверять свои выводы и справляться со сложной задачей самостоятельно. Авторы предлагают иной подход для детских ИИ-сервисов: сохранять…
📘 195 страниц математики, чтобы понять, как устроен Generative AI Вышла The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer — компактная книга, которая объясняет математическую основу современных генеративных моделей без ухода в бесконечную теорию. Внутри: - PCA и probabilistic PCA; - VAE; - diffusion models; - normalizing flows; - autoregressive models; - GAN и Wasserstein GAN; -…
Математика глубокого обучения в одном учебнике 737 страниц о математических основах Deep Learning: методы, теория и практические реализации. Внутри линейная алгебра, оптимизация, нейронные сети, архитектуры и объяснение того, почему современные модели действительно работают. Бесплатный PDF: https://arxiv.org/pdf/2310.20360
Бесплатная книга по Physics-based Deep Learning 461-страничный учебник о применении глубокого обучения в физических симуляциях. Внутри: - Physics-Informed Neural Networks - физические ограничения в loss-функциях - дифференцируемые симуляции - обучение с подкреплением - моделирование неопределённости - практические примеры в Jupyter Notebook Полезно для изучения научного ML, PINN и нейросетевого решения физических…
Лучший coding-агент провалил 76% реальных задач Новый бенчмарк τᵗ-bench проверяет не просто генерацию кода, а весь процесс разработки AI-агента для клиента. Модель получает: — разрозненные данные компании; — существующий код и API; — требования клиента; — ограничения по бюджету; — неизвестные заранее пользовательские сценарии. Лучший результат показала связка Claude Opus 5 + Claude Code — всего 23,9% успешно…