Бележник

Датирани записки от нашата научноизследователска и развойна дейност.

Една-единствена свещ, която гори в тъмна стая.
  1. Защо SI, а не AI: аргументите за симбиотичния интелектПовечето технологични компании, основани през това десетилетие, слагат две букви в представянето си. Ние сложихме две други в името си. Какво означава симбиотичен интелект и как той определя какво правим и защо го правим така?
  2. Какво всъщност е интерфейсът мозък–компютър: от EEG сигнала до решениетоБез четене на мисли, без магия. Обясняваме просто и точно как микроволтовете по скалпа се превръщат в решение, което машината може да изпълни.
  3. Принципът на X: как подхождаме към проблеми, които изглеждат невъзможниX в името ни означава отхвърляне на думата „невъзможно“. Не като пренебрегваме границите, а като ги превръщаме във въпроси. Четири стъпки, които следваме, когато нещо все още не работи.
  4. Защо разработвам интерфейс мозък–компютър в ТурцияПътят на един основател от Шанлъурфа до предната линия на невротехнологиите: защо помощната комуникация трябва да работи и на турски, какво всъщност изисква работата на развиващ се пазар и защо 2025 г. беше повратна.
  5. Регулиране и етика на изкуствения интелектОт Акта на ЕС за изкуствения интелект до турския закон за защита на данните, от тестове за пристрастност до обяснимост: докъде е стигнало регулирането на ИИ днес, рамка за етично разработване и практическо ръководство за адаптиране на компаниите към новите правила.
  6. Изкуственият интелект и етиката: отговорностите на специалистите по данниСпециалистите по данни имат ключова роля във всеки етап от една система с изкуствен интелект, от проектирането до внедряването. Статията описва в шест теми етичните им отговорности, от поверителността и справедливостта до прозрачността и устойчивостта.
  7. Python за анализ на данни: машинно обучение със Scikit-LearnПрактическо въведение в машинното обучение със Scikit-Learn: обучение с учител и без учител, настройка на хиперпараметри, кръстосана проверка, избор на признаци, тълкуване на модела, ансамбли, метрики, pipeline и казус с набора от данни Iris.
  8. Python за анализ на данни: Matplotlib и визуализация на данниMatplotlib е една от най-използваните библиотеки за графики в Python. Ръководството обхваща линейни, стълбовидни, точкови и кръгови диаграми и хистограми, а след това персонализиране, подграфики, логаритмични и 3D графики – с код за всеки пример.
  9. Анализ на данни с Pandas: обработка и визуализация на данниPandas е една от най-полезните библиотеки на Python за всеки, който работи с данни. Ръководството преминава през DataFrame и Series, зареждане, почистване, обобщаване, групиране, графики, времеви редове и сливане, а накрая прилага всичко това върху синтетичен набор от данни.
  10. В светлината на Ренесанса и мъдростта на тибетските монасиЛична бележка за участието в поредицата Dejavus на NUWA NFTs: пет думи (посвещение, време, духовно, ум, поток) се превърнаха в творба на AI художничката Чагла Йозтюрк и музика на Е. Бугра Балджъ.
  11. Какво е небалансиран набор от данни и как да се справим с него?Моделът отчита точност 99,9 %, а въпреки това пропуска измамите. С набор от данни за измами с кредитни карти показваме защо небалансираните данни подвеждат, кои метрики да следим и как да възстановим баланса с овърсемплинг, SMOTE и ъндърсемплинг.

RSS емисия