NGBoost: Natural Gradient Boosting for Probabilistic Prediction

Github: https://github.com/stanfordmlgroup/ngboost

Slides: https://drive.google.com/file/d/183BWFAdFms81MKy6hSku8qI97OwS_JH_/view

Paper: https://arxiv.org/abs/2106.03823v1

👉 @bigdata_1

TFace: A trusty face recognition research platform

Github: https://github.com/Tencent/TFace

Paper: https://arxiv.org/abs/2106.05519v1

👉 @bigdata_1

Как выжать максимум из предобученных языковых моделей с GroupBERT

BERT — сегодня это одна из самых популярных и универсальных моделей ИИ. Однако из-за зависимости от операций слоя dense, точность и гибкость этой модели сопряжены с высокими вычислительными затратами. Далее

👉 @bigdata_1

Microsoft's FLAML - Fast and Lightweight AutoML

Github: https://github.com/microsoft/FLAML

Code: https://github.com/microsoft/FLAML/tree/main/notebook/

Paper: https://arxiv.org/abs/2106.04815v1

👉 @bigdata_1

Graph Transformer Networks: Learning Meta-path Graphs to Improve GNNs

Github: https://github.com/seongjunyun/Graph_Transformer_Networks

Paper: https://arxiv.org/abs/2106.06218v1

Dataset: https://github.com/Jhy1993/HAN

👉 @bigdata_1

Алгоритм MIT для беспилотников предсказывает траектории объектов

https://news.mit.edu/2022/machine-learning-anticipating-behavior-cars-0421

👉 @bigdata_1

A Bayesian Analysis of Lego Prices in Python with PyMC3

https://austinrochford.com/posts/2021-06-10-lego-pymc3.html

Lego Price Analysis: https://austinrochford.com/posts/2021-06-03-vader-meditation.html

👉 @bigdata_1

Facebook's Reverse engineering generative models from a single deepfake image

Github: https://github.com/vishal3477/Reverse_Engineering_GMs

Paper: https://arxiv.org/abs/2106.07873

Facebook's blog: https://ai.facebook.com/blog/reverse-engineering-generative-model-from-a-single-deepfake-image/

Dataset: https://drive.google.com/drive/folders/1ZKQ3t7_Hip9DO6uwljZL4rYAn5viSRhu?usp=sharing

👉 @bigdata_1

Краткое руководство по созданию наборов данных с помощью Python

Если вам когда-нибудь приходилось собирать данные о своих пользователях, вы знаете, насколько это сложно. Так почему бы не попытаться создать свой собственный набор данных?

В этой статье я опишу простой процесс сбора пользовательских данных, который можно реализовать менее чем за час. Это позволит вам легко собирать и хранить пользовательские данные.

👉 @bigdata_1

Pysentimiento: A Python toolkit for Sentiment Analysis and Social NLP tasks

Github: https://github.com/pysentimiento/pysentimiento

Paper: https://arxiv.org/abs/2106.09462

English model: https://huggingface.co/finiteautomata/bertweet-base-sentiment-analysis

👉 @bigdata_1

Advancing computer vision research with new Detectron2 Mask R-CNN baselines

Facebook Ai: https://ai.facebook.com/blog/advancing-computer-vision-research-with-new-detectron2-mask-r-cnn-baselines/

Code: https://github.com/facebookresearch/detectron2/blob/master/MODEL_ZOO.md#new-baselines-using-large-scale-jitter-and-longer-training-schedule

Tensorflow implementation: https://github.com/tensorflow/tpu/tree/master/models/official/detectiona

👉 @bigdata_1

MASSIVE: датасет Amazon для многоязычного обучения моделей

https://www.amazon.science/blog/amazon-releases-51-language-dataset-for-language-understanding

👉 @bigdata_1

Serverless в цифровой трансформации

К 2025 году 50% крупных компаний развернут платформу бессерверных функций как сервис. Мы хотим быть на шаг впереди и поэтому проводим для вас настоящий ликбез по бессерверным вычислениям.

На вебинаре Наталия Воронова расскажет, как Serverless упрощает жизнь бизнеса, помогает в цифровой трансформации и экономит ваш бюджет. Вы узнаете, как легко запустить чат-бот, виртуального помощника или веб-сайт с Serverless и сможете задать вопросы на Q&A-сессии.

Вебинар будет интересен всем, кто активно следит за трендами и трансформирует бизнес в любых условиях. Кстати, если вы планируете что-то поменять и мигрировать в российское облако, предлагаем сделать это до конца лета на выгодных условиях.

Подробности расскажем на вебинаре. Присоединяйтесь!

D2L.ai: Interactive Deep Learning Book with Multi-Framework Code, Math, and Discussions

Github: https://github.com/d2l-ai/d2l-en

Book: https://d2l.ai/

Paper: https://arxiv.org/abs/2106.11342v1

👉 @bigdata_1

Cartoon-StyleGan2 🙃 : Fine-tuning StyleGAN2 for Cartoon Face Generation

Github: https://github.com/happy-jihye/Cartoon-StyleGan2

Paper: https://arxiv.org/abs/2106.12445

Colab: https://colab.research.google.com/github/happy-jihye/Cartoon-StyleGan2/blob/main/Cartoon_StyleGAN2.ipynb

👉 @bigdata_1

Различные модели машинного обучения

Машинное обучение (МО) — это одна из областей искусственного интеллекта и информатики, которая с помощью данных и алгоритмов имитирует то, как обучается человек, постепенно улучшая точность.

Мы живем в эпоху данных, где все вокруг нас подключено к источнику данных и записывается в цифровом формате. Например, современный электронный мир обладает огромным количеством различных видов данных из таких сфер, как интернет вещей (IoT), кибербезопасность, умный город, бизнес, смартфоны, социальные сети, здравоохранение, COVID-19 и многих других. Далее

👉 @bigdata_1

Pyramid Vision Transformer

Image classification, object detection, and semantic segmentation tasks

Github: https://github.com/whai362/PVT

Paper: https://arxiv.org/abs/2106.13797v2

👉 @bigdata_1

Microsoft AutoML - Neural Architecture Search

New one-shot architecture search framework dedicated to vision transformer search

Github: https://github.com/microsoft/AutoML

Paper: https://arxiv.org/abs/2107.00651v1

Models: https://drive.google.com/drive/folders/1NLGAbBF9bA1IUAxKlk2VjgRXhr6RHvRW

Dataset: https://paperswithcode.com/dataset/cifar-10

👉 @bigdata_1

TensorFlow vs PyTorch в 2021: сравнение фреймворков глубокого обучения

Всем привет! Меня зовут Дмитрий, я занимаюсь разработкой в области компьютерного зрения в команде MTS AI. Так исторически сложилось, что в своей работе я использую, как правило, связку устаревшей версии TensorFlow 1 и Keras. Пришло время двигаться дальше, но прежде чем полностью перейти на TensorFlow 2, я решил сравнить наиболее популярные на сегодня фреймворки глубокого обучения: TensorFlow и PyTorch. Эта статья будет полезна всем Data Scientist'ам, кто желает узнать чуть больше про особенности и производительность TensorFlow и PyTorch.

👉 @bigdata_1

Learning Hierarchical Graph Neural Networks for Image Clustering

Github: https://github.com/dmlc/dgl/tree/master/examples/pytorch/hilander

Paper: https://arxiv.org/abs/2107.01319

Datasets: https://drive.google.com/file/d/1KLa3uu9ndaCc7YjnSVRLHpcJVMSz868v/view

👉 @bigdata_1