​Deep Learning Drizzle

Drench yourself in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision, and NLP by learning from these exciting lectures!!

GitHub by Marimuthu Kalimuthu

https://github.com/kmario23/deep-learning-drizzle?fbclid=IwAR0Q9BtyvfFUApwIIHoWZm6sYx1V78--aUXSpbheMAMO9Yab6vQWEiNzTCU

🔗 kmario23/deep-learning-drizzle
Drench yourself in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision, and NLP by learning from these exciting lectures!! - kmario23/deep-learning-drizzle

Applications of Deep Learning in Aerospace

🎥 Applications of Deep Learning in Aerospace... - Kishore Reddy, Amit Surana, PhD | ODSC East 2018
👁 1 раз ⏳ 4862 сек.
Recent advances in machine learning techniques such as deep learning (DL) has rejuvenated data-driven analysis in aerospace and integrated building systems. DL algorithms have been successful due to the presence of large volumes of data and its ability to learn the features during the learning process.
The performance improvement is significant from the features learnt from DL techniques as compared to the hand crafted features. This talk demonstrates using deep belief networks (DBN), deep auto encoders (DA

​CESMA: Centralized Expert Supervises Multi-Agents

Lin et al.: https://arxiv.org/abs/1902.02311

#MultiagentSystems #ArtificialIntelligence #MachineLearning #Systems #Control

🔗 CESMA: Centralized Expert Supervises Multi-Agents
We consider the reinforcement learning problem of training multiple agents in order to maximize a shared reward. In this multi-agent system, each agent seeks to maximize the reward while interacting with other agents, and they may or may not be able to communicate. Typically the agents do not have access to other agent policies and thus each agent observes a non-stationary and partially-observable environment. In order to resolve this issue, we demonstrate a novel multi-agent training framework that first turns a multi-agent problem into a single-agent problem to obtain a centralized expert that is then used to guide supervised learning for multiple independent agents with the goal of decentralizing the policy. We additionally demonstrate a way to turn the exponential growth in the joint action space into a linear growth for the centralized policy. Overall, the problem is twofold: the problem of obtaining a centralized expert, and then the problem of supervised learning to train the multi-agents. We demonstra

​ML helping not only with sales or finding cats/cars, it also useful in other areas of science
https://phys.org/news/2019-02-machine-reveals-hidden-turtle-pattern.html

🔗 Machine learning reveals hidden turtle pattern in quantum fireworks
Two years ago, physicists at the University of Chicago were greeted with fireworks—atoms shooting out in jets—when they discovered a new form of quantum behavior. But the patterns underlying the bright ...

​Суперпозиционное линейно-нелинейное моделирование мультиагентных систем методами тропической алгебры

🔗 Суперпозиционное линейно-нелинейное моделирование мультиагентных систем методами тропической алгебры
Введение в рассмотрение суперпозиционных линейно-нелинейных моделей, известных как искусственные нейронные сети, стало одним из самых значимых событий в обла...

🎥 Graph neural networks: Variations and applications
👁 11 раз ⏳ 1087 сек.
Many real-world tasks require understanding interactions between a set of entities. Examples include interacting atoms in chemical molecules, people in social networks and even syntactic interactions between tokens in program source code. Graph structured data types are a natural representation for such systems, and several architectures have been proposed for applying deep learning methods to these structured objects. I will give an overview of the research directions inside Microsoft that have explored di

Спикер — Сергей Марков, автор одной из сильнейших российских шахматных программ, специалист по методам машинного обучения и основатель портала XX2 Век.

Обсудили такие вопросы:

* Неолуддизм и неожюльвернианство: как выглядит научно-технический прогресс в искусстве и массовом сознании.
* Что говорят технологические гуру современности о проблеме безопасности ИИ.
* Угроза ИИ или угроза технологии вообще: почему важно правильно формулировать вопросыы, чтобы получать необходимые ответы?
* Убивающие машины: опыт эксплуатации.
* Перенаселение на Марсе: кто и когда вкусит запретный плод марсианских яблонь?
* Мир скреп и мир скрепок: трудно ли пройти по лезвию бритвы?
* Опасности реальные и мнимые: о чём на самом деле стоит задуматься специалистам в области ИИ?
https://vk.com/video-152111071_456239277?list=38ad897d1c1ea31217

🎥 Сергей Марков: Легенда о големе в эпоху искусственного интеллекта.
👁 22 раз ⏳ 9445 сек.
Спикер — Сергей Марков, автор одной из сильнейших российских шахматных программ, специалист по методам машинного обучения и основатель портала XX2 Век.

Обсудили такие вопросы:

* Неолуддизм и неожюльвернианство: как выглядит научно-технический прогресс в искусстве и массовом сознании.
* Что говорят технологические гуру современности о проблеме безопасности ИИ.
* Угроза ИИ или угроза технологии вообще: почему важно правильно формулировать вопросыы, чтобы получать необходимые ответы?
* Убивающие машины: опыт

​Finding Familiar Faces with a Tensorflow Object Detector, Pytorch Feature Extractor, and Spotify’s Annoy

https://towardsdatascience.com/finding-familiar-faces-with-a-tensorflow-object-detector-pytorch-feature-extractor-and-spotifys-3e78858a8148

🔗 Finding Familiar Faces with a Tensorflow Object Detector, Pytorch Feature Extractor, and Spotify’s…
In a few different posts I have put together facial recognition pipelines or something similar using object detectors and something like a…

Deep Generative Modeling

Наш телеграмм канал - https://yangx.top/ai_machinelearning_big_data

https://www.youtube.com/watch?v=yFBFl1cLYx8

🎥 MIT 6.S191: Deep Generative Modeling
👁 1 раз ⏳ 2624 сек.
MIT Introduction to Deep Learning 6.S191: Lecture 4
*New 2019 Edition*
Deep Generative Modeling
Lecturer: Alexander Amini
January 2019


For all lectures, slides and lab materials: http://introtodeeplearning.com

Deep Learning on Massively Parallel Processing Databases

🎥 Deep Learning on Massively Parallel Processing Databases
👁 1 раз ⏳ 1511 сек.
by Frank McQuillan

At: FOSDEM 2019
https://video.fosdem.org/2019/UA2.118/dl_parallel_db.webm


In this session we will discuss the use of massively parallel databases for deep learning, drawing on experience from running deep learning frameworks like Keras and TensorFlow with GPU acceleration using free and open source software like Greenplum Database and the Apache MADlib machine learning library. Topics will include architecture, common usage patterns, scalability results and bright opportunities for th

​CESMA: Centralized Expert Supervises Multi-Agents

Lin et al.: https://arxiv.org/abs/1902.02311

#MultiagentSystems #ArtificialIntelligence #MachineLearning #Systems #Control

🔗 CESMA: Centralized Expert Supervises Multi-Agents
We consider the reinforcement learning problem of training multiple agents in order to maximize a shared reward. In this multi-agent system, each agent seeks to maximize the reward while interacting with other agents, and they may or may not be able to communicate. Typically the agents do not have access to other agent policies and thus each agent observes a non-stationary and partially-observable environment. In order to resolve this issue, we demonstrate a novel multi-agent training framework that first turns a multi-agent problem into a single-agent problem to obtain a centralized expert that is then used to guide supervised learning for multiple independent agents with the goal of decentralizing the policy. We additionally demonstrate a way to turn the exponential growth in the joint action space into a linear growth for the centralized policy. Overall, the problem is twofold: the problem of obtaining a centralized expert, and then the problem of supervised learning to train the multi-agents. We demonstra

A Comprehensive Introduction to Different Types of Convolutions in Deep Learning

https://towardsdatascience.com/a-comprehensive-introduction-to-different-types-of-convolutions-in-deep-learning-669281e58215?source=collection_home---4------0---------------------

Нарушение лицензий при копировании кода со StackOverflow

🎥 Нарушение лицензий при копировании кода со StackOverflow
👁 1 раз ⏳ 1304 сек.
Лицензирование программного обеспечения является сложной задачей: нужно знать, правильно ли поддерживаются лицензии программного обеспечения при повторном использовании и развитии. Это мотивировало разработку Sourcerer’s Apprentice, веб-сервиса, который помогает отслеживать лицензирование переиспользованного кода. На семинаре мы рассмотрим статью, описывающую этот сервис и его применение на фрагментах кода со StackOverflow, которые, как выясняется, часто лицензируются неправильно.

Докладчик: Мария Елисеева

Глубокое мультиагентное обучение с подкреплением

🎥 Глубокое мультиагентное обучение с подкреплением
👁 1 раз ⏳ 2280 сек.
За последние несколько лет глубокое обучение с подкреплением помогло добиться выдающихся успехов в самых различных областях. Последние работы по этой теме уже исследуют обучение вне спектра привычных нам задач с одним агентом, а рассматривают мультиагентное обучение. Задачи обучения с несколькими агентами существенно сложнее, и для их решения требуются новые более трудоемкие методы и алгоритмы.

На семинаре мы взглянем на полную картину глубокого мультиагентного обучения с подкреплением. Мы рассмотрим неск

🎥 MIT 6.S191: Recurrent Neural Networks
👁 1 раз ⏳ 2191 сек.
MIT Introduction to Deep Learning 6.S191: Lecture 2
*New 2019 Edition*
Deep Sequence Modeling with Recurrent Neural Networks
Lecturer: Ava Soleimany
January 2019


For all lectures, slides and lab materials: http://introtodeeplearning.com

​Advanced Analytics and Machine Learning with Data Virtualization Part 1

🔗 Advanced Analytics and Machine Learning with Data Virtualization Part 1
Advanced data science techniques, like machine learning, have proven an extremely useful tool to derive valuable insights from existing data. Platforms like ...

​Mathematics of Machine Learning: An introduction (Lecture - 01) by Sanjeev Arora

🔗 Mathematics of Machine Learning: An introduction (Lecture - 01) by Sanjeev Arora
DISTINGUISHED LECTURES THREE LECTURES ON MACHINE LEARNING SPEAKER: Sanjeev Arora (Princeton University and Institute for Advanced Study, USA) DATE: 12 Februa...

​Drago Anguelov (Waymo) - MIT Self-Driving Cars

🔗 Drago Anguelov (Waymo) - MIT Self-Driving Cars
Drago Anguelov is a Principal Scientist at Waymo, developing and applying machine learning methods for autonomous vehicle perception and, more generally, in ...

Быстрый поиск ближайших соседей

🎥 Быстрый поиск ближайших соседей
👁 1 раз ⏳ 5300 сек.
На семинаре будет рассказано про быстрый поиск ближайших соседей.

Со времен kd-tree и r-tree все сильно поменялось, и lsh уже давно не является последним писком моды.

В частности мы поговорим о неточных ближайших соседях, где в последнее время появилось несколько способов поиска, которые хочется обсудить.

Начнем с обсуждения LSH, так как это красивая идея, от которой во многом идут sketch методы и к тому же основа семейства ANN методов. Еще один популярный подход — product quantization, который лежит в о

​Highly recommend MIT 6.S191: Introduction to Deep Learning Course by Alexander Amini and Ava Soleimany through Massachusetts Institute of Technology (MIT)

#artificialintelligence
#deeplearning

MIT Deep Learning Course 6.S191 https://www.linkedin.com/pulse/mit-deep-learning-course-6s191-bhagirath-kumar-lade

🔗 LinkedIn

Innovate Deep Learning Inference Using OpenVINO toolkit | Intel Software

Наш телеграмм канал - https://yangx.top/ai_machinelearning_big_data

🎥 Innovate Deep Learning Inference Using OpenVINO™ toolkit | Intel Software
👁 1 раз ⏳ 564 сек.
Get insight on a powerful computer vision and deep learning inference software toolkit: Intel® Distribution of OpenVINO™ toolkit, which also has an open source version called OpenVINO™ toolkit, from Jeff McVeigh, Intel vice president and GM for Intel’s visual computing software products. (OpenVINO stands for McVeigh explains how the toolkit helps developers and data scientists build and deploy smart, high-performing vision applications easier and faster across multiple types of Intel® platforms (CPU, GPU, F