В первой части была создана инфраструктура для запуска машинного обучения. Там же была создана БД с данными для использования в примерах.В данной части будет искаться, какой тип файлов вызывает увеличение нагрузки. При этом, зная, какой именно тип файла был указан как вызывающий нагрузку.Будет использоваться машинное обучение в Apache Spark.
| # | Наименование новости | Тональность | Информативность | Дата публикации |
|---|---|---|---|---|
| 1 | Прививаем машине музыкальный вкус: фильтруем плейлист на основе предпочтений | 0 | 11.76 | 15-01-2026 |
| 2 | PostgreSQL + VectorChord = Гибридный поиск. Часть 2. Безоблачная | 0 | 12.51 | 21-04-2026 |
| 3 | Pipeline в машинном обучении: как создавать сложные модели без боли и утечек данных | 0 | 7.77 | 07-06-2026 |
| 4 | Трансформер в on-premise AppSec: как мы встроили ML-модель для классификации секретов в продукт без GPU | 0 | 17.09 | 02-06-2026 |
| 5 | Как я ML-ку делал | 0 | 9.12 | 01-02-2026 |
| 6 | Создан подход, сокращающий расходы на разметку данных для ИИ | 0 | 0 | 05-08-2025 |
| 7 | Масштабируемость ML-алгоритмов при увеличении вычислительных ресурсов | 0 | 17.69 | 04-06-2026 |
| 8 | River: учим модель по одной строчке данных | 0 | 7.16 | 09-01-2026 |
| 9 | Использование машинного обучения в работе с SolidWorks (2 часть): тестирование и практическое применение | 0 | 9.67 | 18-05-2026 |
| 10 | Автоматизированные системы мониторинга моделей машинного обучения с помощью нашего open source фреймворка | 0 | 8.29 | 24-01-2026 |