Блокнот
Датированные заметки о наших исследованиях и разработках.

- Почему SI, а не AI: в защиту симбиотического интеллектаБольшинство технологических компаний, основанных в этом десятилетии, ставят в свою презентацию две буквы. Мы поставили в своё название две другие. Что означает симбиотический интеллект и как он определяет, что мы делаем и почему именно так?
- Что такое интерфейс мозг–компьютер на самом деле: от сигнала ЭЭГ к решениюНикакого чтения мыслей и никакой магии. Просто и точно рассказываем, как микровольты на коже головы превращаются в решение, которое может выполнить машина.
- Принцип X: как мы подходим к задачам, которые кажутся невозможнымиX в нашем названии означает отказ от слова «невозможно». Не потому, что мы игнорируем ограничения, а потому, что относимся к ним как к вопросам. Четыре шага, которым мы следуем, когда что-то пока не работает.
- Почему я создаю интерфейс мозг–компьютер в ТурцииПуть основателя из Шанлыурфы на передний край нейротехнологий: почему вспомогательная коммуникация должна работать и на турецком, что на самом деле требует работа на развивающемся рынке и почему 2025 год стал переломным.
- Регулирование и этика искусственного интеллектаОт Регламента ЕС об ИИ до турецкого закона о защите персональных данных, от проверки на предвзятость до объяснимости: каково сегодня регулирование ИИ, рамка для этичной разработки ИИ и практическое руководство о том, как компаниям адаптироваться к новым правилам.
- ИИ и этика: ответственность специалистов по даннымСпециалисты по данным играют ключевую роль на каждом этапе жизненного цикла систем искусственного интеллекта — от проектирования до внедрения. В статье их этическая ответственность рассматривается по шести направлениям — от конфиденциальности и справедливости до прозрачности и устойчивости.
- Python для анализа данных: машинное обучение с помощью Scikit-LearnПрактическое введение в машинное обучение с помощью Scikit-Learn: обучение с учителем и без учителя, подбор гиперпараметров, перекрёстная проверка, отбор признаков, интерпретация модели, ансамбли, метрики, пайплайны и разбор на наборе данных Iris.
- Python для анализа данных: Matplotlib и визуализация данныхMatplotlib — одна из самых популярных библиотек Python для построения графиков. В руководстве — линейные, столбчатые и точечные графики, гистограммы и круговые диаграммы, затем настройка, подграфики, логарифмические и 3D-графики, с кодом для каждого примера.
- Анализ данных с помощью pandas: обработка и визуализация данныхPandas — одна из самых полезных библиотек Python для всех, кто работает с данными. В руководстве разобраны DataFrame и Series, загрузка, очистка, сводки, группировка, графики, временные ряды и объединение, а затем всё это применяется к синтетическому набору данных.
- В свете Возрождения и мудрости тибетских монаховЛичная заметка об участии в серии Dejavus от NUWA NFTs: пять слов (посвящение, время, духовное, разум, поток) воплотились в работе ИИ-художницы Чаглы Озтюрк и музыке Э. Бугры Балджи.
- Что такое несбалансированный набор данных и что с ним делать?Модель показывает точность 99,9 % и всё равно пропускает мошенничество. На наборе данных о мошенничестве с картами показываем, почему несбалансированные данные вводят в заблуждение, на какие метрики смотреть и как выровнять классы с помощью оверсэмплинга, SMOTE и андерсэмплинга.

