Koda Rin

Роман вышел в 2010-м — когда смартфоны только начинали менять внимание. Но Франзен пугающе точно описал то, как человек растворяется в цифровом шуме, теряя своё внутреннее пространство. Эта книга читается сегодня как тихое предупреждение о зависимости, которую мы не заметили. 🔗 Напоминание о предыдущей статье Перед этим разбором мы обсуждали «Сферу» — историю о прозрачности, которая превращается в контроль.→ читать предыдущую статью Если перелистать пару мыслей оттуда, становится заметно, почему «Песнь о себе» звучит ещё ближе и острее. ⭐ О чём эта книга «Песнь о себе» — это роман о людях, которые пытаются жить одновременно во внешнем мире и в собственных иллюзиях. О семье, где каждый переживает свою маленькую зависимость. О пустотах, которые мы закрываем развлечениями, уведомлениями, бегством в комфорт. О попытках спрятаться от внутренней боли — в гаджетах, отношениях, ролях, идеях. Снаружи всё выглядит цивилизованно. Но внутри — тревога, растерянность, попытка найти себя в мире, ко

Откуда брать данные для обучения модели машинного обучения: готовые датасеты, собственный сбор или внутренние данные компании. Простое объяснение плюсов и минусов каждого подхода, без лишней теории. Источники данных для задач машинного обучения Когда мы обучаем модель машинного обучения, всё начинается с данных. Именно они задают качество будущих предсказаний и определяют, насколько модель будет полезной в реальной работе. Есть три основных пути получить подходящий набор — и каждый из них по-своему влияет на результат. три основных пути получения данных для обучения модели машинного обучения 1. Использовать уже имеющиеся данные Иногда нужные данные уже собраны — например, хранятся в базе компании. Это может быть история действий пользователей, внутренние метрики или данные, накопленные в ходе работы сервиса. Такой формат часто встречается в задачах анализа поведения клиентов, построения рекомендаций или предсказаний на основе прошлой статистики. Плюсы такого подхода: модель обучаетс

Роман вышел в 2013 году — когда соцсети ещё не казались вселенной. Но Дэйв Эггерс пугающе точно описал мир, где прозрачность становится формой контроля. «Сфера» читается как предупреждение о том, что бывает, когда технология заменяет личную жизнь. 🔥📚 🔗 Напоминание о предыдущей статье Напоминание: в предыдущей статье этой серии мы разбирали роман «Постчеловек». И сравнение с ним помогает точнее увидеть, насколько опасна иллюзия «идеального цифрового общества», которую показывает «Сфера». → читать статью ⭐О чём эта книга «Сфера» — это история о девушке, которая попадает в идеальную на вид технологическую корпорацию. Компания обещает свободу, открытость и единство мира — через тотальную прозрачность. Без приватности. Без тишины. Без пауз между действиями. Сначала всё кажется возможностью: коммьюнити, забота, бесконечная поддержка, идеальная цифровая экосистема. Но постепенно появляются тревожные элементы: тотальная видимость, социальный контроль, метрики жизни, рейтинги общественной

Роман вышел в 2017 году — всего несколько лет назад. Но Вербер писал так, будто смотрел прямо в сегодняшние дискуссии об ИИ, автономии и расширенных возможностях человека. Это книга о том, что происходит, когда граница между человеком и технологией начинает растворяться. 🔥🤖 🔗 Напоминание о предыдущей статье Напоминание: вчера мы разбирали роман «Основание» — книгу о том, как алгоритмы могут моделировать будущее общества. → читать статью А «Постчеловек» показывает другую сторону: как технологии меняют саму природу человека. ⭐ О чём эта книга «Постчеловек» — это история об эксперименте сознания. В центре — человек, который получает возможность выйти за пределы привычной человеческой формы и собственной биологии. Нет больше чётких границ. Нет привычного тела. Нет того, что удерживает нас в рамках идентичности. Сначала это кажется эволюцией — шагом вперёд. Человек получает новые возможности, новый взгляд, новые уровни восприятия. Но постепенно возникает вопрос: если сознание может бы

Почему постановка задачи — основа машинного обучения В машинном обучении всё начинается не с кода, не с модели и даже не с данных — а с того, как именно сформулирована задача. Если с самого начала неправильно определить её тип, модель будет решать не то, что нужно, а все последующие шаги окажутся бессмысленными. Постановка задачи включает: понимание, что мы хотим предсказать, определение типа целевой величины, выбор класса задачи: классификация, регрессия или иной вид обучения. Правильная постановка создаёт ясную рамку, внутри которой модель сможет работать корректно и осмысленно. Пример: предсказание итоговой оценки ученика Представим задачу: по данным за полугодие нужно предсказать итоговую школьную оценку. Формально значений всего пять — от 1 до 5 — и кажется, что это классификация. Но оценки упорядочены: 3 хуже 4, 4 хуже 5. В таком случае корректнее использовать регрессию, потому что она учитывает шкалу значений и позволяет предсказывать величину, а не просто выбирать категорию.