Поиск.
Найдено: 5 моделей и 20 материалов
Нейросети
Весь каталог
- Бесплатная$0 · ₽ уточняйте
- Plus$8 · ₽ уточняйте
- Pro$20 · ₽ уточняйте
- Basic$10 · ₽ уточняйте
- Standard$30 · ₽ уточняйте
- Pro$60 · ₽ уточняйте
- Бесплатная$0 · ₽ уточняйте
- Standard$15 · ₽ уточняйте
- Pro$35 · ₽ уточняйте
- Бесплатная$0 · ₽ уточняйте
- c.ai+$10 · ₽ уточняйте
- Бесплатная$0 · ₽ уточняйте
- Creditsуточняйте · уточняйте
Материалы
Как подготовить данные с персональными данными для ИИ: минимизация и тестовый набор
Практический процесс подготовки данных для ИИ без лишних персональных сведений: цель, минимизация, замена и контроль.
Как проверить маскирование персональных данных перед вызовом AI API
Тестируем локальный препроцессор обращений перед AI API: синтетические адреса почты, замена токеном и негативная фикстура.
Как скрыть чувствительные данные в Deepgram с помощью redaction
Redaction для numbers, pci, pii и phi: языковые ограничения, повтор параметров, контрольная запись с картой секретов и проверка утечек.
Как создать персону клиента с ИИ и не выдумать аудиторию
Как собрать персону на основе интервью, аналитики и отзывов, отделив реальные данные от красивых гипотез нейросети.
Как отладить LangChain-агента через трассировку LangSmith
LANGSMITH_TRACING, проект и проверка trace модели и инструментов с защитой персональных данных.
Как включить ZDR в OpenRouter API для запроса с чувствительными данными
Практическая настройка provider.zdr и data_collection, проверка доступности endpoint и безопасный шаблон обработки персональных данных.
Как создать портрет целевой аудитории с помощью ИИ и реальных данных
Как объединить интервью, отзывы и аналитику в полезные сегменты без выдуманных болей и шаблонных персонажей.
Как создать иллюстрированную историю Storybook в Gemini
Как подготовить сюжет, персонажей и ограничения для Storybook в Gemini, проверить текст и безопасно поделиться готовой историей.
Как хранить данные в словарном state CrewAI Flow
Словарное состояние CrewAI Flow: запись кода и счётчика, чтение в следующем шаге, точный итог и защита от отсутствующего ключа.
Как инициализировать двухслойную нейросеть в JAX
Двухслойный MLP без фреймворка: random.split, масштаб весов, ReLU, PyTree параметров, одиночный и пакетный входы.
Как использовать I/O Binding ONNX Runtime на CPU
I/O Binding в Python на CPU: OrtValue из NumPy, bind_ortvalue_input, bind_output, run_with_iobinding и точная проверка результата.
Как использовать Poisson loss в MLPRegressor для положительного target
Poisson loss в scikit-learn 1.8: строго неотрицательный target, положительный прогноз через exponential link и воспроизводимый негативный тест.
Как масштабировать target MLPRegressor через TransformedTargetRegressor
StandardScaler для признаков и отдельное преобразование target через TransformedTargetRegressor с автоматическим inverse_transform прогноза.
Как найти NaN в JAX-нейросети через debug_nans
Локальная диагностика NaN в eager и jit: контекст jax.debug_nans, FloatingPointError, безопасная функция и запрет маскировки проблемы nan_to_num.
Как настроить intra-op потоки ONNX Runtime через SessionOptions
SessionOptions и intra_op_num_threads в ONNX Runtime: два потока, воспроизводимый output, честный benchmark и почему больше потоков не всегда быстрее.
Как объединить события CrewAI Flow через or_ и and_
Проверяемая разница or_ и and_ в CrewAI Flow: запуск после любого события или после всех, пример состояния и критерии выбора.
Как обновить веса нейросети через value_and_grad в JAX
Один проверяемый шаг gradient descent для PyTree параметров: MSE, value_and_grad, tree.map, формы градиентов и снижение loss.
Как обновлять PyTree параметров через jax.tree.map
Проверяемые PyTrees: flatten, treedef, tree.map по двум структурам, unflatten и контроль несовместимого дерева.
Как обучать MLPClassifier пакетами через partial_fit
Потоковое обучение MLPClassifier мини-пакетами: первый classes, Incremental StandardScaler, несколько эпох, контроль n_iter_ и accuracy.
Как обучать MLPRegressor пакетами через partial_fit
Потоковое обучение регрессионной нейросети: Incremental StandardScaler, пять пакетов, 25 эпох, счётчик обновлений, t_ и независимый test.