#optuna — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #optuna, aggregated by home.social.
-
Я хотел повторить Growing Neural CA за вечер. Ушёл месяц
Месяц назад я прочитал на Хабре статью про нейронные клеточные автоматы. Маленькие нейросети управляют клетками на сетке, клетки сами собираются в букву T или крест, и всё это обучается без учителя через что‑то вроде эволюции. Я подумал: круто, повторю за пару вечеров, посмотрю, как себя ведёт. Эта статья — о том, что было дальше. Спойлер: пара вечеров превратилась в месяц, я провёл 22 эксперимента, упёрся в потолок IoU 0.44 на простой букве T, и главное, чему научился — вообще не о нейросетях.
https://habr.com/ru/articles/1039694/
#neural_cellular_automata #neuroevolution #genetic_algorithms #neural_networks #claude_code #ml_engineering #research #pytorch #optuna #reproducibility
-
Я хотел повторить Growing Neural CA за вечер. Ушёл месяц
Месяц назад я прочитал на Хабре статью про нейронные клеточные автоматы. Маленькие нейросети управляют клетками на сетке, клетки сами собираются в букву T или крест, и всё это обучается без учителя через что‑то вроде эволюции. Я подумал: круто, повторю за пару вечеров, посмотрю, как себя ведёт. Эта статья — о том, что было дальше. Спойлер: пара вечеров превратилась в месяц, я провёл 22 эксперимента, упёрся в потолок IoU 0.44 на простой букве T, и главное, чему научился — вообще не о нейросетях.
https://habr.com/ru/articles/1039694/
#neural_cellular_automata #neuroevolution #genetic_algorithms #neural_networks #claude_code #ml_engineering #research #pytorch #optuna #reproducibility
-
Я хотел повторить Growing Neural CA за вечер. Ушёл месяц
Месяц назад я прочитал на Хабре статью про нейронные клеточные автоматы. Маленькие нейросети управляют клетками на сетке, клетки сами собираются в букву T или крест, и всё это обучается без учителя через что‑то вроде эволюции. Я подумал: круто, повторю за пару вечеров, посмотрю, как себя ведёт. Эта статья — о том, что было дальше. Спойлер: пара вечеров превратилась в месяц, я провёл 22 эксперимента, упёрся в потолок IoU 0.44 на простой букве T, и главное, чему научился — вообще не о нейросетях.
https://habr.com/ru/articles/1039694/
#neural_cellular_automata #neuroevolution #genetic_algorithms #neural_networks #claude_code #ml_engineering #research #pytorch #optuna #reproducibility
-
Я хотел повторить Growing Neural CA за вечер. Ушёл месяц
Месяц назад я прочитал на Хабре статью про нейронные клеточные автоматы. Маленькие нейросети управляют клетками на сетке, клетки сами собираются в букву T или крест, и всё это обучается без учителя через что‑то вроде эволюции. Я подумал: круто, повторю за пару вечеров, посмотрю, как себя ведёт. Эта статья — о том, что было дальше. Спойлер: пара вечеров превратилась в месяц, я провёл 22 эксперимента, упёрся в потолок IoU 0.44 на простой букве T, и главное, чему научился — вообще не о нейросетях.
https://habr.com/ru/articles/1039694/
#neural_cellular_automata #neuroevolution #genetic_algorithms #neural_networks #claude_code #ml_engineering #research #pytorch #optuna #reproducibility
-
Как работает CMA-ES для оптимизации гиперпараметров в Optuna
Представьте, что вам нужно найти минимум сложной функции, о которой у вас есть минимальная информация: нет градиента, производных, а иногда даже явного аналитического выражения, но есть возможность подставлять значения и смотреть результат. В таких задачах классические методы оптимизации часто оказываются бесполезны: они застревают в локальных минимумах или требуют информации, которой нет. Здесь нам поможет CMA-ES — алгоритм, который не просто перебирает точки, а постепенно учится форме функции и подстраивает стратегию поиска. В этой статье разберём, как он устроен и почему работает так эффективно.
https://habr.com/ru/articles/1025274/
#optuna #математика #математическая_статистика #математический_анализ #машинное_обучение
-
Как работает CMA-ES для оптимизации гиперпараметров в Optuna
Представьте, что вам нужно найти минимум сложной функции, о которой у вас есть минимальная информация: нет градиента, производных, а иногда даже явного аналитического выражения, но есть возможность подставлять значения и смотреть результат. В таких задачах классические методы оптимизации часто оказываются бесполезны: они застревают в локальных минимумах или требуют информации, которой нет. Здесь нам поможет CMA-ES — алгоритм, который не просто перебирает точки, а постепенно учится форме функции и подстраивает стратегию поиска. В этой статье разберём, как он устроен и почему работает так эффективно.
https://habr.com/ru/articles/1025274/
#optuna #математика #математическая_статистика #математический_анализ #машинное_обучение
-
Как работает CMA-ES для оптимизации гиперпараметров в Optuna
Представьте, что вам нужно найти минимум сложной функции, о которой у вас есть минимальная информация: нет градиента, производных, а иногда даже явного аналитического выражения, но есть возможность подставлять значения и смотреть результат. В таких задачах классические методы оптимизации часто оказываются бесполезны: они застревают в локальных минимумах или требуют информации, которой нет. Здесь нам поможет CMA-ES — алгоритм, который не просто перебирает точки, а постепенно учится форме функции и подстраивает стратегию поиска. В этой статье разберём, как он устроен и почему работает так эффективно.
https://habr.com/ru/articles/1025274/
#optuna #математика #математическая_статистика #математический_анализ #машинное_обучение
-
Как работает CMA-ES для оптимизации гиперпараметров в Optuna
Представьте, что вам нужно найти минимум сложной функции, о которой у вас есть минимальная информация: нет градиента, производных, а иногда даже явного аналитического выражения, но есть возможность подставлять значения и смотреть результат. В таких задачах классические методы оптимизации часто оказываются бесполезны: они застревают в локальных минимумах или требуют информации, которой нет. Здесь нам поможет CMA-ES — алгоритм, который не просто перебирает точки, а постепенно учится форме функции и подстраивает стратегию поиска. В этой статье разберём, как он устроен и почему работает так эффективно.
https://habr.com/ru/articles/1025274/
#optuna #математика #математическая_статистика #математический_анализ #машинное_обучение
-
Как научить планшет видеть несколько объектов в кадре одновременно: multi-label классификация
Представьте, что вам нужно научить камеру планшета почти мгновенно определять, что происходит в кадре. И это не просто «автомобиль» или «человек»: нужно различать и связывать разные категории объектов: документы, людей, QR, штрихкоды и так далее. Казалось бы, достаточно взять предобученную модель и заточить для запуска на конкретном железе, в нашем случае это планшет KVADRA_T. Привет, Хабр! Меня зовут Анастасия Шпилёва и я работаю в команде разработки программных ИИ-компонент MLKit компании YADRO. В статье расскажу, почему я остановилась на multi-label классификации изображений. А также — как я собирала, размечала и валидировала датасет, от которого во многом зависит эффективность модели.
https://habr.com/ru/companies/yadro/articles/1006054/
#ai #компьютерное_зрение #kvadra_t #kvadraos #gemini #gpt #qwen #optuna #claude #mobilenet
-
Как научить планшет видеть несколько объектов в кадре одновременно: multi-label классификация
Представьте, что вам нужно научить камеру планшета почти мгновенно определять, что происходит в кадре. И это не просто «автомобиль» или «человек»: нужно различать и связывать разные категории объектов: документы, людей, QR, штрихкоды и так далее. Казалось бы, достаточно взять предобученную модель и заточить для запуска на конкретном железе, в нашем случае это планшет KVADRA_T. Привет, Хабр! Меня зовут Анастасия Шпилёва и я работаю в команде разработки программных ИИ-компонент MLKit компании YADRO. В статье расскажу, почему я остановилась на multi-label классификации изображений. А также — как я собирала, размечала и валидировала датасет, от которого во многом зависит эффективность модели.
https://habr.com/ru/companies/yadro/articles/1006054/
#ai #компьютерное_зрение #kvadra_t #kvadraos #gemini #gpt #qwen #optuna #claude #mobilenet
-
Как научить планшет видеть несколько объектов в кадре одновременно: multi-label классификация
Представьте, что вам нужно научить камеру планшета почти мгновенно определять, что происходит в кадре. И это не просто «автомобиль» или «человек»: нужно различать и связывать разные категории объектов: документы, людей, QR, штрихкоды и так далее. Казалось бы, достаточно взять предобученную модель и заточить для запуска на конкретном железе, в нашем случае это планшет KVADRA_T. Привет, Хабр! Меня зовут Анастасия Шпилёва и я работаю в команде разработки программных ИИ-компонент MLKit компании YADRO. В статье расскажу, почему я остановилась на multi-label классификации изображений. А также — как я собирала, размечала и валидировала датасет, от которого во многом зависит эффективность модели.
https://habr.com/ru/companies/yadro/articles/1006054/
#ai #компьютерное_зрение #kvadra_t #kvadraos #gemini #gpt #qwen #optuna #claude #mobilenet
-
Как научить планшет видеть несколько объектов в кадре одновременно: multi-label классификация
Представьте, что вам нужно научить камеру планшета почти мгновенно определять, что происходит в кадре. И это не просто «автомобиль» или «человек»: нужно различать и связывать разные категории объектов: документы, людей, QR, штрихкоды и так далее. Казалось бы, достаточно взять предобученную модель и заточить для запуска на конкретном железе, в нашем случае это планшет KVADRA_T. Привет, Хабр! Меня зовут Анастасия Шпилёва и я работаю в команде разработки программных ИИ-компонент MLKit компании YADRO. В статье расскажу, почему я остановилась на multi-label классификации изображений. А также — как я собирала, размечала и валидировала датасет, от которого во многом зависит эффективность модели.
https://habr.com/ru/companies/yadro/articles/1006054/
#ai #компьютерное_зрение #kvadra_t #kvadraos #gemini #gpt #qwen #optuna #claude #mobilenet
-
Building an ML-Powered Transaction Classifier with Retraining and A/B Testing
Every month I download a CSV from my bank with all our household transactions. Each one needs a category: groceries, fuel, mortgage, subscriptions, insurance.
https://www.hylkerozema.nl/2026/02/26/building-an-ml-powered-transaction-classifier-with-retraining-and-a-b-testing/
#DataScience #MachineLearningEngineering #classification #DataScience #Flask #MachineLearning #MLflow #MLOps #mongodb #NAS #Optuna #Python -
Building an ML-Powered Transaction Classifier with Retraining and A/B Testing
Every month I download a CSV from my bank with all our household transactions. Each one needs a category: groceries, fuel, mortgage, subscriptions, insurance.
https://www.hylkerozema.nl/2026/02/26/building-an-ml-powered-transaction-classifier-with-retraining-and-a-b-testing/
#DataScience #MachineLearningEngineering #classification #DataScience #Flask #MachineLearning #MLflow #MLOps #mongodb #NAS #Optuna #Python -
Building an ML-Powered Transaction Classifier with Retraining and A/B Testing
Every month I download a CSV from my bank with all our household transactions. Each one needs a category: groceries, fuel, mortgage, subscriptions, insurance.
https://www.hylkerozema.nl/2026/02/26/building-an-ml-powered-transaction-classifier-with-retraining-and-a-b-testing/
#DataScience #MachineLearningEngineering #classification #DataScience #Flask #MachineLearning #MLflow #MLOps #mongodb #NAS #Optuna #Python -
Building an ML-Powered Transaction Classifier with Retraining and A/B Testing
Every month I download a CSV from my bank with all our household transactions. Each one needs a category: groceries, fuel, mortgage, subscriptions, insurance.
https://www.hylkerozema.nl/2026/02/26/building-an-ml-powered-transaction-classifier-with-retraining-and-a-b-testing/
#DataScience #MachineLearningEngineering #classification #DataScience #Flask #MachineLearning #MLflow #MLOps #mongodb #NAS #Optuna #Python -
Building an ML-Powered Transaction Classifier with Retraining and A/B Testing
Every month I download a CSV from my bank with all our household transactions. Each one needs a category: groceries, fuel, mortgage, subscriptions, insurance.
https://www.hylkerozema.nl/2026/02/26/building-an-ml-powered-transaction-classifier-with-retraining-and-a-b-testing/
#DataScience #MachineLearningEngineering #classification #DataScience #Flask #MachineLearning #MLflow #MLOps #mongodb #NAS #Optuna #Python -
🚀 Our latest benchmark shows hyperparameter tuning with Optuna hits 0.9617 validation accuracy in just 64.59 seconds! Using Bayesian optimization and the Tree‑structured Parzen Estimator, we ran 100 trials to squeeze out every percent. Dive into the details of the experiment and see how you can apply these tricks to your own models. #HyperparameterTuning #Optuna #BayesianOptimization #ModelOptimization
🔗 https://aidailypost.com/news/hyperparameter-tuning-reaches-09617-accuracy-6459-seconds
-
#Optuna is an open source hyperparameter optimization framework to automate hyperparameter search
https://optuna.org/ -
#Optuna is an open source hyperparameter optimization framework to automate hyperparameter search
https://optuna.org/ -
#Optuna is an open source hyperparameter optimization framework to automate hyperparameter search
https://optuna.org/ -
#Optuna is an open source hyperparameter optimization framework to automate hyperparameter search
https://optuna.org/ -
#Optuna is an open source hyperparameter optimization framework to automate hyperparameter search
https://optuna.org/ -
-
-
-
-
When I started developing Hypnagonia 3 years ago, I didn't envision it would lead me to a path of training neural networks, and yet here we are...
-
When I started developing Hypnagonia 3 years ago, I didn't envision it would lead me to a path of training neural networks, and yet here we are...
-
When I started developing Hypnagonia 3 years ago, I didn't envision it would lead me to a path of training neural networks, and yet here we are...
-
When I started developing Hypnagonia 3 years ago, I didn't envision it would lead me to a path of training neural networks, and yet here we are...
-
When I started developing Hypnagonia 3 years ago, I didn't envision it would lead me to a path of training neural networks, and yet here we are...
-
Подбор гиперпараметров RAG-системы с помощью Optuna
Сказ о том, как с помощью Opuna’ы сделать вашу RAG-систему чуточку (а может и не чуточку) эффективнее :)
https://habr.com/ru/articles/811239/
#rag #llm #transformers #data_science #optuna #machinelearning #huggingface
-
Подбор гиперпараметров RAG-системы с помощью Optuna
Сказ о том, как с помощью Opuna’ы сделать вашу RAG-систему чуточку (а может и не чуточку) эффективнее :)
https://habr.com/ru/articles/811239/
#rag #llm #transformers #data_science #optuna #machinelearning #huggingface
-
Подбор гиперпараметров RAG-системы с помощью Optuna
Сказ о том, как с помощью Opuna’ы сделать вашу RAG-систему чуточку (а может и не чуточку) эффективнее :)
https://habr.com/ru/articles/811239/
#rag #llm #transformers #data_science #optuna #machinelearning #huggingface
-
Подбор гиперпараметров RAG-системы с помощью Optuna
Сказ о том, как с помощью Opuna’ы сделать вашу RAG-систему чуточку (а может и не чуточку) эффективнее :)
https://habr.com/ru/articles/811239/
#rag #llm #transformers #data_science #optuna #machinelearning #huggingface
-
Это мы юзаем: библиотека Optuna в Python для оптимизации гиперпараметров
Привет, Хабр! Гиперпараметры — это параметры, которые не учатся в процессе обучения модели. Они задаются заранее. От выбора гиперпараметров напрямую зависит качество и эффективность модели, а их оптимизация может улучшить результаты предсказаний. Традиционный подход к оптимизации гиперпараметров включает в себя grid search и random search, иногда они могут быть неэффективными и времязатратными, особенно когда пространство гиперпараметров велико. Когда я впервые столкнулся с необходимостью настроить сотни параметров в своей нейросети, задача показалась мне Сизифовым трудом . Каждый параметр мог значительно изменить результат, и пространство поиска казалось бесконечным. И немного просидев на стековерфлой я нашел либу Optuna , которая позоволила оптимизировать этот процесс. Optuna решает проблему оптимизации гиперпараметров, предоставляя легковесный фреймворк для автоматизации поиска оптимальных гиперпараметров. Она использует алгоритмы, такие как TPE , CMA-ES , и даже поддерживает пользовательские алгоритмы. Optuna полностью написана на Python и имеет мало зависимостей. В этой статье рассмотрим её основной функционал.
-
Это мы юзаем: библиотека Optuna в Python для оптимизации гиперпараметров
Привет, Хабр! Гиперпараметры — это параметры, которые не учатся в процессе обучения модели. Они задаются заранее. От выбора гиперпараметров напрямую зависит качество и эффективность модели, а их оптимизация может улучшить результаты предсказаний. Традиционный подход к оптимизации гиперпараметров включает в себя grid search и random search, иногда они могут быть неэффективными и времязатратными, особенно когда пространство гиперпараметров велико. Когда я впервые столкнулся с необходимостью настроить сотни параметров в своей нейросети, задача показалась мне Сизифовым трудом . Каждый параметр мог значительно изменить результат, и пространство поиска казалось бесконечным. И немного просидев на стековерфлой я нашел либу Optuna , которая позоволила оптимизировать этот процесс. Optuna решает проблему оптимизации гиперпараметров, предоставляя легковесный фреймворк для автоматизации поиска оптимальных гиперпараметров. Она использует алгоритмы, такие как TPE , CMA-ES , и даже поддерживает пользовательские алгоритмы. Optuna полностью написана на Python и имеет мало зависимостей. В этой статье рассмотрим её основной функционал.
-
Это мы юзаем: библиотека Optuna в Python для оптимизации гиперпараметров
Привет, Хабр! Гиперпараметры — это параметры, которые не учатся в процессе обучения модели. Они задаются заранее. От выбора гиперпараметров напрямую зависит качество и эффективность модели, а их оптимизация может улучшить результаты предсказаний. Традиционный подход к оптимизации гиперпараметров включает в себя grid search и random search, иногда они могут быть неэффективными и времязатратными, особенно когда пространство гиперпараметров велико. Когда я впервые столкнулся с необходимостью настроить сотни параметров в своей нейросети, задача показалась мне Сизифовым трудом . Каждый параметр мог значительно изменить результат, и пространство поиска казалось бесконечным. И немного просидев на стековерфлой я нашел либу Optuna , которая позоволила оптимизировать этот процесс. Optuna решает проблему оптимизации гиперпараметров, предоставляя легковесный фреймворк для автоматизации поиска оптимальных гиперпараметров. Она использует алгоритмы, такие как TPE , CMA-ES , и даже поддерживает пользовательские алгоритмы. Optuna полностью написана на Python и имеет мало зависимостей. В этой статье рассмотрим её основной функционал.
