Нотатник

Датовані нотатки про наші дослідження та розробки.

Одна свічка, що горить у темній кімнаті.
  1. Чому SI, а не AI: обґрунтування симбіотичного інтелектуБільшість технологічних компаній, заснованих у цьому десятилітті, ставлять у свою презентацію дві літери. Ми поставили у свою назву дві інші. Що означає симбіотичний інтелект і як він визначає, що ми робимо і чому?
  2. Що таке інтерфейс мозок–комп’ютер насправді: від сигналу ЕЕГ до рішенняЖодного читання думок і жодної магії. Просто й точно пояснюємо, як мікровольти на шкірі голови перетворюються на рішення, яке може виконати машина.
  3. Принцип X: як ми підходимо до задач, що здаються неможливимиX у нашій назві означає відмову від слова «неможливо». Не тому, що ми ігноруємо обмеження, а тому, що ставимося до них як до запитань. Чотири кроки, які ми робимо, коли щось поки не працює.
  4. Чому я створюю інтерфейс мозок–комп’ютер у ТуреччиніШлях засновника з Шанлиурфи на передній край нейротехнологій: чому допоміжна комунікація має працювати й турецькою, чого насправді вимагає робота на ринку, що розвивається, і чому 2025 рік став переломним.
  5. Регулювання та етика штучного інтелектуВід Регламенту ЄС про ШІ до турецького закону про захист даних, від перевірки на упередженість до пояснюваності: на якому етапі сьогодні регулювання ШІ, рамка для етичної розробки ШІ та практичний посібник про те, як компаніям пристосуватися до нових правил.
  6. ШІ та етика: відповідальність фахівців із данихФахівці з даних відіграють ключову роль на кожному етапі створення системи штучного інтелекту, від проєктування до впровадження. Стаття описує їхню етичну відповідальність у шести розділах, від конфіденційності й справедливості до прозорості та сталості.
  7. Python для аналізу даних: машинне навчання зі Scikit-LearnПрактичний вступ до машинного навчання зі Scikit-Learn: навчання з учителем і без учителя, підбір гіперпараметрів, перехресна перевірка, відбір ознак, інтерпретація моделі, ансамблі, метрики, конвеєри та розбір на наборі даних Iris.
  8. Python для аналізу даних: Matplotlib і візуалізація данихMatplotlib — одна з найпоширеніших бібліотек для побудови графіків у Python. Посібник охоплює лінійні, стовпчикові й точкові графіки, гістограми та кругові діаграми, а також налаштування, підграфіки, логарифмічні та 3D-графіки — з кодом для кожного прикладу.
  9. Аналіз даних із Pandas: обробка та візуалізація данихPandas — одна з найкорисніших бібліотек Python для всіх, хто працює з даними. У посібнику розглянуто DataFrame і Series, завантаження, очищення, узагальнення та групування даних, побудову графіків, часові ряди й об’єднання, а наприкінці все це застосовано до синтетичного набору даних.
  10. У світлі Відродження та мудрості тибетських ченцівОсобиста нотатка про участь у серії Dejavus від NUWA NFTs: п’ять слів (посвята, час, духовне, розум, потік) втілилися в роботі ШІ-художниці Чагли Озтюрк і музиці Е. Бугри Балджи.
  11. Що таке незбалансований набір даних і як із ним працювати?Модель показує точність 99,9 % і все одно пропускає шахрайство. На наборі даних про шахрайство з кредитними картками показуємо, чому незбалансовані дані вводять в оману, на які метрики дивитися і як відновити баланс оверсемплінгом, SMOTE та андерсемплінгом.

RSS-стрічка