🎥 Модификация награды в алгоритмах обучения с подкреплением
👁 1 раз ⏳ 975 сек.
Конечная формулировка задачи обучения с подкреплением включает в себя функцию награды. Зачастую эта функция определяет насколько эффективно будут обучаться те или иные алгоритмы, а так же то, как выглядит оптимальная политика для задачи.

На семинаре мы посмотрим на примеры того, как можно изменять сходимость методов обучения с подкреплением при помощи модификации функции награды различными способами. Так же мы поговорим про основанные на методе потенциалов аддитивные добавки к функции награды, чем они хоро

​PyData Ann Arbor: Sebastian Raschka | An Introduction to Deep Learning with TensorFlow

Наш телеграм канал - https://tele.click/ai_machinelearning_big_data

https://www.youtube.com/watch?v=vRF7ENlwD50

🔗 Переадресация Telegram



🎥 PyData Ann Arbor: Sebastian Raschka | An Introduction to Deep Learning with TensorFlow
👁 1 раз ⏳ 3415 сек.
PyData Ann Arbor Meetup - August 24, 2017
Sponsored by NumFOCUS, TD Ameritrade, and MIDAS
https://www.meetup.com/PyData-Ann-Arbor/

PyData Ann Arbor: Sebastian Raschka | An Introduction to Deep Learning with TensorFlow

As a Ph.D. candidate at Michigan State University, Sebastian Raschka is developing novel computational methods in the field of computational biology. Among others, his research activities include the development of new deep learning architectures to solve problems in the field of biometric

Встала задача перейти в облако? 7 советов, как не накосячить

Компании по всей планете переходят в облака — настоящий «техтонический» сдвиг. Изменения происходят не только из потребности использовать в облаках софт, но и благодаря тому, что компании переосмысливают свои корпоративные стратегии, размещение своих внутренних данных и контента, политику конфиденциальности, системы, безопасность и даже культуру. Исследовательская компания Gartner, основываясь на данных рынка, оценивает затраты на переход в облака в IT сфере в 1,3 трлн. долларов к 2020-му году. Большая часть этих расходов ведёт к достижению целей компаний по улучшению эффективности, увеличению денежного потока и общей экономии.

Наш телеграм канал - https://tele.click/ai_machinelearning_big_data
#bigdata
https://habr.com/ru/company/cloud4y/blog/443472/

🎥 Introduction to Deep Learning Lecture 15
👁 1 раз ⏳ 4560 сек.

Deep Learning на пальцах 4 - PyTorch и подробности

https://www.youtube.com/watch?v=tnrbx7V9RbA

🎥 Deep Learning на пальцах 4 - PyTorch и подробности
👁 1 раз ⏳ 4999 сек.
Курс: http://dlcourse.ai
Слайды: https://www.dropbox.com/s/bdk2rdjxx4c0cte/Lecture%204%20-%20Framework%20%26%20Details%20-%20annotated.pdf?dl=0

🎥 Семинар 4. Решающие деревья, случайные леса (Машинное обучение, часть 1)
👁 1 раз ⏳ 1776 сек.
Семинар №4 в курсе "Машинное обучение, часть 1", весна 2019 (Новосибирск)
Преподаватели курса: Степан Олегович Деревянченко, Артём Витальевич Кравчук
Страница семинара на сайте CS центра: https://compscicenter.ru/courses/machine-learning-1/nsk/2019-spring/classes/4586/
Все лекции курса по порядку: https://www.youtube.com/watch?v=dhEbb5h8Ygo&list=PLlb7e2G7aSpSEClqWg9WWYI8dYZ64sEL3

​Приглашаем на неделю NLP в Яндекс

С 26 по 29 марта в Яндексе пройдёт неделя NLP, организованная совместно Школой анализа данных и Yandex.Research. Это четырёхдневный интенсив, рассчитанный на разработчиков и исследователей, хорошо знакомых с Natural Language Processing и глубинным обучением.

Лекторы курса: Mirella Lapata, профессор Школы информатики университета Эдинбурга, и Wilker Aziz, доцент (assistant professor) Института логики, языка и вычислений университета Амстердама. Лекции будут читаться на английском языке в вечернее время.
https://habr.com/ru/company/yandex/blog/443456/

🔗 Приглашаем на неделю NLP в Яндекс
С 26 по 29 марта в Яндексе пройдёт неделя NLP, организованная совместно Школой анализа данных и Yandex.Research. Это четырёхдневный интенсив, рассчитанный на раз...

​Data Science: предсказание бизнес-событий для улучшения сервиса
Наш телеграм канал - https://tele.click/ai_machinelearning_big_data

Алгоритмы рекомендаций, предсказания событий либо оценки рисков – трендовое решение в банках, страховых компаниях и многих других отраслях бизнеса. Например, эти программы помогают на основе анализа данных предположить, когда клиент вернет банковский кредит, какой будет спрос в ритейле, какова вероятность наступления страхового случая или оттока клиентов в телекоме и т.д. Для бизнеса это ценная возможность оптимизировать свои расходы, повысить скорость работы и в целом улучшить сервис.

Вместе с тем, для построения подобных программ не годятся традиционные подходы – классификация и регрессия. Рассмотрим эту проблему на примере кейса, посвященного предсказанию медицинских эпизодов: проанализируем нюансы в природе данных и возможные подходы к моделированию, построим модель и проанализируем ее качество.

https://habr.com/ru/company/simbirsoft/blog/443590//

🔗 Data Science: предсказание бизнес-событий для улучшения сервиса
Алгоритмы рекомендаций, предсказания событий либо оценки рисков – трендовое решение в банках, страховых компаниях и многих других отраслях бизнеса. Например, эти...

​Tool for Accelerate Annotation of Digital Images and Video

🔗 New Computer Vision Tool Accelerates Annotation of Digital Images and Video - Intel AI
we are pleased to present a new open source program called Computer Vision Annotation Tool (CVAT, pronounced “si-vi-eɪ-ti”) that accelerates the process of annotating digital images and videos for use in training computer vision algorithms. In this post, we’ll cover why CVAT is needed and CVAT’s key capabilities. Please consult our article on the Intel Developer Zone for a detailed overview of how to use CVAT.

Practical Deep Learning - Part 3

Наш телеграм канал - https://tele.click/ai_machinelearning_big_data

https://www.youtube.com/watch?v=9otU3oIHxOQ

🎥 Practical Deep Learning - Part 3
👁 11 раз ⏳ 24203 сек.
In this first part of Practical deep learning course you will learn about most cutting edge deep learning technology. Along the way you will be exposed to :
- Image classification using transfer learning
- How to set hyper-parameter , learning rate
- Practical deep learning application
- Image collection
- - Parallel downloading
- - Creating a validation set, and
- - Data cleaning, using the model to help us find data problems.
- Image segmentation
- Fine tuning
- Natural language processing
- Tabular
- Co

🎥 ODS March Meetup – GPU внутри рабочей лошадки глубокого обучения, Николай Карелин
👁 14 раз ⏳ 2545 сек.
ODS March Meetup – 12.03.2019
Партнер митапа – компания Mapbox.

Николай рассказал, как выбирать карту от NVIDIA, где найти важные параметры, что влияет на производительность GPU и кода, который на ней выполняется. Сегодня практики машинного обучения в основном пользуются готовыми фреймворками, но встречаются и ситуации, когда нужно понимать, как обрабатываются данные внутри видеокарты.

Присоединяйтесь к сообществу – http://ods.ai/
#ods #opendata #opendatascience

🎥 Data Science для начинающих: обзор сферы и профессий
👁 1 раз ⏳ 4211 сек.
Отвечаем на вопросы в прямом эфире. Как устроена область работы с данными и почему она так востребована, с чего начать, если решили погрузиться в изучение Data Science — расскажет Елена Герасимова, разработчик и руководитель программ по аналитике и Data Science в Нетологии.

Хотите усилить свои знания и навыки — записывайтесь на программы по Data Science в Нетологии. Подробнее:
https://netology.ru/data-science/programs

__________________________________________
Что вы узнаете на бесплатном занятии:

Если E

​Exploring Univariate Data
Using Super Hero data to get started with univariate EDA in Python

https://towardsdatascience.com/exploring-univariate-data-e7e2dc8fde80?source=collection_home---4------1---------------------

🔗 Exploring Univariate Data
Using Super Hero data to get started with univariate EDA in Python

​Всем привет! Уже на следующей неделе мы запускаем новый поток по курсу «Автоматизация веб-тестирования». Этому и будет посвящен сегодняшний материал.

В этой статье рассматриваются различные способы тестирования программного обеспечения, такие как модульное тестирование (unit testing), интеграционное тестирование (integration testing), функциональное тестирование (functional testing), приемочное тестирование (acceptance testing) и т.д.

https://habr.com/ru/company/otus/blog/443418/

🔗 Способы тестирования программного обеспечения
Всем привет! Уже на следующей неделе мы запускаем новый поток по курсу «Автоматизация веб-тестирования». Этому и будет посвящен сегодняшний материал. В этой ста...

Асимптотический анализ и теория вероятностей

Наш телеграм канал - https://tele.click/ai_machinelearning_big_data

Лекция 1. Теория множеств
Лекция 2. Элементарный асимптотический анализ
Лекция 3. Оценки и асимптотики для комбинаторных величин
Лекция 4. Рекуррентные соотношения
Лекция 5. Производящие функции
Лекция 6. Экспоненциальные производящие функции
Лекция 7. Числа и многочлены Бернулли
Лекция 8. Основы теории вероятностей
Лекция 9. Случайные величины
Лекция 10. Предельные теоремы

🎥 Лекция 1. Теория множеств
👁 2142 раз ⏳ 6096 сек.
Основные понятия теории множеств. Бинарные отношения и функции. Рефлексивность, симметричность, транзитивность. Взаимно-однозначные соответствия. С...

🎥 Лекция 2. Элементарный асимптотический анализ
👁 313 раз ⏳ 5733 сек.
Асимптотики сумм и рекуррентных последовательностей. Теорема Штольца. Оценки и асимптотики для комбинаторных величин. Элементарные оценки факториал...

🎥 Лекция 3. Оценки и асимптотики для комбинаторных величин
👁 138 раз ⏳ 5785 сек.
Понятие об энтропии. Асимптотики для биномиальных коэффициентов и прочее. Оценки сумм биномиальных коэффициентов. Замена сумм интегралами в асимпто...

🎥 Лекция 4. Рекуррентные соотношения
👁 173 раз ⏳ 5403 сек.
Рекуррентные соотношения и производящие функции. Числа Фибоначчи. Формула Бинэ и матричное представление чисел Фибоначчи. Действия с производящими ...

🎥 Лекция 6. Экспоненциальные производящие функции
👁 75 раз ⏳ 5849 сек.
Произведение Адамара. Экспоненциальные производящие функции. Числа Стирлинга и их применение. Числа Белла. Факториальные степени и их связь с обычн...

🎥 Лекция 5. Производящие функции
👁 141 раз ⏳ 6158 сек.
Линейные рекуррентные соотношения с постоянными коэффициентами. Применение степенных рядов и производящих функций для доказательства комбинаторных ...

🎥 Лекция 7. Числа и многочлены Бернулли
👁 124 раз ⏳ 6358 сек.
Числа и многочлены Бернулли. Формула суммирования Эйлера–Маклорена. Ее частные случаи и приложения.

Лекция №7 в курсе "Асимптотический анализ и т...

🎥 Лекция 8. Основы теории вероятностей
👁 112 раз ⏳ 6069 сек.
Дискретная вероятность. Классическое определение вероятности. Условные вероятности. Независимость событий. Формулы полной вероятности и Байеса. Схе...

🎥 Лекция 9. Случайные величины
👁 51 раз ⏳ 5354 сек.
Случайные величины. Функции распределения. Независимые случайные величины. Математическое ожидание и дисперсия. Случайные графы: выбор двудольного ...

🎥 Лекция 10. Предельные теоремы
👁 61 раз ⏳ 5254 сек.
Ковариация и коэффициент корреляции. Независимость и некоррелированность случайных величин. Приложения случайных величин к комбинаторике и теории ч...

​Machine learning in quantum spaces

https://www.nature.com/articles/d41586-019-00771-0

🔗 Machine learning in quantum spaces
How quantum computers could be used to learn from data.

🎥 Sneak Peek: AI And ML E-Degree | Deep Learning: Theory And Application | Eduonix | Kickstarter
👁 2 раз ⏳ 3643 сек.
Deep Learning also is known as deep structured learning or hierarchical learning is a part of machine learning methods based on learning data representation, as opposed to task-specific algorithms. In this video, we are going to go through deep learning and its application. So let's begin.

This video is a part of our upcoming AI & ML E-Degree which is a combination of such exciting courses ALL AT ONE PLACE.

You can also refer to the Sneak Peek released earlier giving an idea what the AI & ML E-Degree is

🎥 Real-time Machine Learning Inference with Stream Processing - John DesJardins
👁 1 раз ⏳ 3980 сек.
John DesJardins of Hazelcast speaking to the London Java Community on 7th March 2019.

Are you ready to take your machine learning algorithms and make them operational within your business in real time? In this talk, we will walk through the general theory of stream processing and discuss an architecture for taking a machine learning model from training into deployment for inference within an open source platform for real-time stream processing.

Huge thanks to London Java recruiters, RecWorks, for organisi

🎥 TensorFlow for JavaScript
👁 1 раз ⏳ 1982 сек.
Social Network for Developers ☞ https://morioh.com
Developers Chat Channel ☞ https://discord.gg/KAe3AnN
Learn to code for free and get a developer job ☞ https://codequs.com/

Complete Guide to TensorFlow for Deep Learning with Python
☞ http://learnstartup.net/p/BJT8gGKsb

The Complete JavaScript Course 2019: Build Real Projects!
☞ http://learnstartup.net/p/rJWeUz65Z

Machine Learning In Node.js With TensorFlow.js
☞ http://dev.edupioneer.net/74c53f122f

Introducing TensorFlow.js: Machine Learning in Javascri

Machine Learning vs Deep Learning vs Artificial Intelligence | ML vs DL vs AI | Simplilearn

Наш телеграм канал - https://tele.click/ai_machinelearning_big_data
https://www.youtube.com/watch?v=z6k_RB_O9Oc

🎥 Machine Learning vs Deep Learning vs Artificial Intelligence | ML vs DL vs AI | Simplilearn
👁 1 раз ⏳ 1661 сек.
This Machine Learning vs Deep Learning vs Artificial Intelligence video will help you understand the differences between ML, DL and AI, and how they are related to each other. The tutorial video will also cover what Machine Learning, Deep Learning and Artificial Intelligence entail, how they work with the help of examples, and whether they really are all that different.

This Machine Learning Vs Deep Learning Vs Artificial Intelligence video will explain the topics listed below:

1. Artificial Intelligence