RE: https://mathstodon.xyz/@xameer/116520690311246466
#machinelearning folks ll BERT Sentence Transformers be relevant for this tiny thing?
ie models that enhance the #BERT architecture to create sentence embeddings, which are dense vector representations of sentences that capture their semantic meaning. They are particularly useful for tasks like semantic search and sentence similarity, allowing for better understanding and comparison of text.
#llm
`foxing` (formerly xfs-mirror) aspires to be a production-grade, eBPF-powered replication engine for Linux filesystems (XFS, Btrfs, F2FS, Ext4). It captures filesystem events in the kernel and replays them asynchronously on a target directory, providing near real-time mirroring with robust consis...
Как решать задачу NER на практике
Рассказываю, как на практике решать задачу NER. На примере извлечения сущностей из резюме пройдём путь от разметки данных до работающего API. Меньше теории, больше практики. 🔥 Начинаем 🔥
https://habr.com/ru/articles/1023552/
#NER #NLP #bert #natural_language_processing #python #как_решать_задачу_ner
𝗕𝗲𝗿𝘁 𝘂𝗶𝘁 𝗨𝗿𝗸! 𝗯𝗹𝗼𝗲𝗱𝗻𝗲𝗿𝘃𝗲𝘂𝘀 𝘃𝗼𝗼𝗿 𝗰𝗮𝘀𝘁𝗿𝗮𝘁𝗶𝗲 𝘃𝗮𝗻 𝗵𝗼𝗻𝗱 𝗙𝗹𝗼𝗿𝗶𝘀: '𝗔𝗹𝘀𝗼𝗳 𝗺𝗶𝗷𝗻 𝗲𝗶𝗴𝗲𝗻 𝗱𝗶𝗻𝗴 𝗲𝗿𝗮𝗳 𝗺𝗼𝗲𝘁'
Normaal is Bert de rust zelve, maar als het om zijn hond Floris gaat, is daar weinig van over. In 'Urk!' staat hem een spannende dag te wachten: Floris moet onder het mes. Dat zorgt voor flink wat spanning bij zijn baasje.
https://www.rtl.nl/boulevard/artikel/5583138/bert-urk-bloednerveus-castratie-hond-floris
Normaal is Bert de rust zelve, maar als het om zijn hond Floris gaat, is daar weinig van over. In 'Urk!' staat hem een spannende dag te wachten: Floris moet onder het mes. Dat zorgt voor flink wat spanning bij zijn baasje.
🎶 TweetyBERT parses canary songs to better understand how brains learn language
https://techxplore.com/news/2026-03-tweetybert-parses-canary-songs-brains.html
#birds #birdsong #llm #ai #research #ornithology #bert #canary
A new machine learning model, TweetyBERT, automatically segments and classifies canary vocalizations with expert-level accuracy, offering a scalable platform for neuroscience, providing insights into the neural basis of how the brain learns and produces language, and offering potential applications for understanding animal vocalization more broadly. The study by University of Oregon researchers appears in the journal Patterns.
Macht es nicht wie ich, verpasst nicht unseren Vortrag zu BERTopics und Keyness!
Heute in der Session "Automatisierung und KI" ab 9:00 (aber unseren Vortrag erwischt ihr auch noch, wenn ihr um 10 Uhr kommt!) im Hörsaal 5.
@cnDuKeli und Julia Röttgermann sprechen über: "Keyness Measures und BERTopic kombiniert: Eine Distinktivitätsanalyse von Subgenres des französischen Romans".
#DHd2026 #Keyness #Topics #TopicModeling #BERT
(Ich sitze leider schon im Zug, aber schön wars mit euch!)
@thomasrenkert weiß bestimmt etwas zu berichten, der arbeitet in der Lehrerbildung (richtig?) und hat den ParzivAI Assistenten entwickelt: https://agki-dh.github.io/pages/webinar/page-9.html / https://hse.hypotheses.org/6066.
An Raschkas Building LLMs from Scratch hab ich auch schon gedacht, das wurde ja schon erwähnt. Es gibt im Netz Code dazu (https://github.com/rasbt/LLMs-from-scratch) und ein paar Leute, die ihre Erfahrungen damit/darum herum posten, z.B. https://www.gilesthomas.com/llm-from-scratch . https://huggingface.co/blog/gszauer/minimal-llm und https://readmedium.com/how-to-build-an-llm-from-scratch-8c477768f1f9 sind auch gut. Alles Englisch halt.
Wenn es nicht so sehr ums selber bauen sondern auch um Erklärungen geht, sind glaube ich die Videos von Andrej Karpathy (z.B. https://youtu.be/7xTGNNLPyMI?si=-YlKsMGuBnW5GO44 oder https://youtu.be/zduSFxRajkE?si=M-cYkZVX6N8M-Oxy ) oder von Thomas Wolf (https://youtu.be/2-SPH9hIKT8?si=IV-hyIaYCYi-dQTZ) ganz gut. https://youtu.be/LPZh9BOjkQs?si=uxW_igUPN92C6wg2 auch.
Und ich finde ja so "Simulationen" auch sehr hilfreich: https://www.soekia.ch/gpt.html / https://bbycroft.net/llm / https://poloclub.github.io/transformer-explainer/
The Applied Generative AI in Digital Humanities (AGKI-DH) working group focuses on exploring and showcasing the applications of generative AI, especially Large Language Models (LLMs), in digital humanities. This includes both commercial and open-source models, recognizing the significant advancements and the widespread discussion on AI issues like bias, hallucination, high computational footprint, data security, and potential destructive capabilities. Amidst these challenges, the group aims to harness the opportunities in AI development for digital humanities, fostering an ongoing exchange on core AI concepts and practical experiences. It seeks collaboration with other groups on greening (AI footprint), digital humanities theory, and empowerment (ethical aspects). The goals include identifying, assessing, and categorizing generative AI applications in digital humanities, establishing best practices, developing evaluation criteria, facilitating discussions and knowledge exchange, and balancing opportunities and risks.
HoldMyType
The 🫠 ᴘʀᴇᴛᴛʏ BBC 6Music 🎶 #NowPlaying Bot - Radio 6
Joel Wirāmu, Pauling
Habr
RTL Nieuws
Paul Houle
DieSachsen
Christof Schöch 🇪🇺
Andreas Wagner
ra schmi