Инфраструктура полезная для табличного глубинного обучения
Выполнил: Лазарев Никита Сергеевич
Современные методы глубинного обучения для табличных данных становятся конкурентоспособной альтернативой градиентному бустингу, предлагая преимущества в качестве предсказаний и гибкости инференса. В работе на примере архитектуры TabM показана их сопоставимая производительность с бустингом на Apple Silicon. Также представлены разработанные инфраструктурные решения для эффективного обучения и применения таких моделей.
Запись защиты
Руководитель проекта
Рубачёв Иван Викторович
Базовая кафедра Яндекс: Преподаватель
Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!
Сервис предназначен только для отправки сообщений об орфографических и пунктуационных ошибках.