​Modern Deep Learning Techniques Applied to Natural Language Processing
https://nlpoverview.com/index.html#disqus_thread

🔗 Modern Deep Learning Techniques Applied to Natural Language Processing by Authors

Feature Maps: емкий и понятный подход к представлению программного обеспечения

https://www.youtube.com/watch?v=U5j9namMSFc

🎥 Feature Maps: емкий и понятный подход к представлению программного обеспечения
👁 1 раз ⏳ 3674 сек.
Шаблоны проектирования -- очень распространенный инструмент, используемый в разработке программного обеспечения. Они помогают решать часто встречающиеся задачи хорошо зарекомендовавшим себя образом. На семинаре мы рассмотрим статью, авторы которой предлагают новый способ представления программного кода под названием Feature Maps. Этот подход может быть применен для обнаружения используемых в коде шаблонов проектирования, а также является гибким и понятным представлением программного кода. Авторы статьи обуч

Получение картинок высокого качества с помощью GAN

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

🎥 Получение картинок высокого качества с помощью GAN
👁 1 раз ⏳ 1967 сек.
На семинаре мы обсудим недавнюю статью "Large Scale GAN Training for High Fidelity Natural Image Synthesis", авторы которой совершили довольно серьезный прорыв в области генерации изображений с помощью генеративных сетей GAN. Авторы вводят так называемый "truncation trick", который позволяет сдвигать модель или в сторону качества или в сторону разнообразия получившихся изображений за счет ограничения латентного пространства. В итоге по метрикам Inception и Frechet Inception удалось более чем в два раза улуч

Перенос знаний между решениями различных видов задач в policy gradient методах
https://www.youtube.com/watch?v=vvqPU5Vew48

🎥 Перенос знаний между решениями различных видов задач в policy gradient методах
👁 1 раз ⏳ 1389 сек.
Возможность к обобщению - одна из важных задач в машинном обучении. В обучении с подкреплением она часто встречается в виде задаче об обучении многозадачного агента, который должен не только научиться решать несколько различных задач, но и уметь переносить свой опыт на другие задачи.

На семинаре мы поговорим об одном из подходов к переиспользованию знаний агента, а так же разберем одну из первых статей, в которой предлагается и теоретически обосновывается способ переноса знаний между средами, имеющими разл

​Машинное обучение 1. Введение, kNN

🔗 Машинное обучение 1. Введение, kNN

​Understanding Machine Learning

🔗 Understanding Machine Learning

But what is a Neural Network?
Наш телеграмм канал - https://yangx.top/ai_machinelearning_big_data
| Chapter 1, deep learning
Gradient descent, how neural networks learn | Chapter 2, deep learning
What is backpropagation really doing? | Chapter 3, deep learning
Backpropagation calculus | Appendix to deep learning chapter 3

https://vk.com/video-16108331_456254714?list=f8a96b44cea3d5a7cd
https://vk.com/video-16108331_456254716?list=354776479b35c98c26
https://vk.com/video-16108331_456254715?list=1273228992bf60d89b
https://vk.com/video-16108331_456254713?list=1597252df93689a589

🎥 1. But what is a Neural Network Chapter 1, deep learning
👁 13290 раз ⏳ 1152 сек.


🎥 2. Gradient descent, how neural networks learn Chapter 2, deep learning
👁 168 раз ⏳ 1260 сек.


🎥 3. What is backpropagation really doing Chapter 3, deep learning
👁 92 раз ⏳ 833 сек.


🎥 4. Backpropagation calculus Appendix to deep learning chapter 3
👁 119 раз ⏳ 617 сек.

​BERT is a method of pre-training language representations, meaning that we train a general-purpose "language understanding" model on a large text corpus (like Wikipedia), and then use that model for downstream NLP tasks that we care about (like question answering). BERT outperforms previous methods because it is the first unsupervised, deeply bidirectional system for pre-training NLP.

Unsupervised means that BERT was trained using only a plain text corpus, which is important because an enormous amount of plain text data is publicly available on the web in many languages.

https://github.com/google-research/bert

🔗 google-research/bert
TensorFlow code and pre-trained models for BERT. Contribute to google-research/bert development by creating an account on GitHub.

​Fresh topic about language modeling from OpenAI, that you should read.
https://blog.openai.com/better-language-models

🔗 Better Language Models and Their Implications
We’ve trained a large-scale unsupervised language model which generates coherent paragraphs of text, achieves state-of-the-art performance on many language modeling benchmarks, and performs rudimentary reading comprehension, machine translation, question answering, and summarization — all without task-specific training. View codeRead paperRead more Our model, called GPT-2 (a successor to GPT), was

​A Technique for Building NLP Classifiers Efficiently with Transfer Learning and Weak Supervision

https://towardsdatascience.com/a-technique-for-building-nlp-classifiers-efficiently-with-transfer-learning-and-weak-supervision-a8e2f21ca9c8?source=collection_home---4------0---------------------

🔗 A Technique for Building NLP Classifiers Efficiently with Transfer Learning and Weak Supervision
An Step-by-Step Guide for Building an Anti-Semitic Tweet Classifier

🎥 Современные достижения машинного обучения (Алексей Алексеев)
👁 1 раз ⏳ 1416 сек.
ITMeetup #1'19, Волгоград, 27 января 2019 г. Современные достижения машинного обучения (Алексей Алексеев)

​Алгоритм мышления и сознания

В этой статье изложен алгоритм мышления и сознания. Я предлагаю свой ответ на вопрос о том как работает мышление и сознание. И демонстрирую алгоритм, который умеет по-настоящему, творчески, думать и обладает настоящим сознанием. Статья рассчитана на программистов и состоит из двух основных частей. Первая часть сугубо техническая, она содержит описание алгоритма, перечень его свойств и пример практического применения. Вторая часть содержит поясняющие тезисы и решение вопроса конструктивной аксиоматизации сознания. Алгоритм это содержательный текст который говорит сам за себя, а потому комментариев будет лишь практически необходимый минимум.
https://habr.com/ru/post/440424/

🔗 Алгоритм мышления и сознания
В этой статье изложен алгоритм мышления и сознания. Я предлагаю свой ответ на вопрос о том как работает мышление и сознание. И демонстрирую алгоритм, который уме...

​Mining of Massive Datasets
http://www.mmds.org/

🔗 Mining of Massive Datasets

🎥 Introduction to Deep Learning Recitation 5
👁 2 раз ⏳ 4816 сек.

🎥 Extracting Rotations The Right Way
👁 1 раз ⏳ 216 сек.
The paper "A Robust Method to Extract the Rotational Part of Deformations" is available here:
http://matthias-mueller-fischer.ch/publications/stablePolarDecomp.pdf

Our work with Activision-Blizzard is available here:
› Project page: https://users.cg.tuwien.ac.at/zsolnai/gfx/separable-subsurface-scattering-with-activision-blizzard/
› Video: https://www.youtube.com/watch?v=72_iAlYwl0c

Pick up cool perks on our Patreon page:
› https://www.patreon.com/TwoMinutePapers

We would like to thank our generous Patre

​Валерий Спиридонов | Программист в США | Computer Vision и Machine Learning

🔗 Валерий Спиридонов | Программист в США | Computer Vision и Machine Learning
Программист, стартап начинатель и экс-кандидат на пересадку головы Валерий Спиридонов рассказал о карьере в ИТ и переезде в США, невзирая на физические огран...

🎥 Deep Residual Unet Segmentation in Keras TensorFlow
👁 1 раз ⏳ 972 сек.
ABOUT: Inspired by the deep residual learning and Unet - the Deep Residual Unet arises, an architecture that take advantages from both (Deep Residual learning and Unet) architecture.

CODE: https://github.com/nikhilroxtomar/Deep-Residual-Unet
PAPER: https://arxiv.org/pdf/1711.10684.pdf
UNET Explained: https://youtu.be/M3EZS__Z_XE

# ======================================================
MY PC SPEC:

Intel i5-7400: https://amzn.to/2OMOJRM
Gigabyte B250M-D2V: https://amzn.to/2DqP5fU
DDR4 8GB RAM: https://amz

🎥 Introduction to Deep Learning Lecture 8
👁 1 раз ⏳ 4364 сек.

Перенос знаний между решениями различных видов задач в policy gradient методах

🎥 Перенос знаний между решениями различных видов задач в policy gradient методах
👁 1 раз ⏳ 1389 сек.
Возможность к обобщению - одна из важных задач в машинном обучении. В обучении с подкреплением она часто встречается в виде задаче об обучении многозадачного агента, который должен не только научиться решать несколько различных задач, но и уметь переносить свой опыт на другие задачи.

На семинаре мы поговорим об одном из подходов к переиспользованию знаний агента, а так же разберем одну из первых статей, в которой предлагается и теоретически обосновывается способ переноса знаний между средами, имеющими разл

​Introduction to Applied Linear Algebra – Vectors, Matrices, and Least Squares

By Stephen Boyd and Lieven Vandenberghe, Cambridge University Press: https://web.stanford.edu/~boyd/vmls/

#ArtificialIntelligence #LinearAlgebra #Vectors #Matrices #MachineLearning

🔗 Introduction to Applied Linear Algebra – Vectors, Matrices, and Least Squares

​Data Science vs Machine Learning | New Technology 2019

🔗 Data Science vs Machine Learning | New Technology 2019
Data Science vs Machine Learning In this video on Data Science vs Machine Learning, we'll be discussing the importance of Data Science and Machine Learning a...