​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

🎥 PyData Tel Aviv Meetup: Deep Learning for NLP Workshop
👁 1 раз ⏳ 1617 сек.
Natural language processing is an umbrella term for several tasks, common tasks include document-classification, machine translation, and named-entity-recognition.
Deep learning methods had revolutionized the NLP field, breaking state-of-the-art benchmarks in all of these fields.
This workshop would focus on the named-entity-recognition (NER) with deep learning methods.
The workshop is hands-on, meaning that participants are required to bring their own laptop with all the requirements installed.
Python prof

​Хакер Geohot решил высвободить людей из ИИ-симуляции

🔗 Хакер Geohot решил высвободить людей из ИИ-симуляции
В то время, пока ученые спорят, может ли являться наша Вселенная продвинутой компьютерной симуляцией, Джордж Хотц, известный как Geohot (взломщик iPhone, консо...

​Machine learning interpretability techniques

https://towardsdatascience.com/machine-learning-interpretability-techniques-662c723454f3?source=collection_home---4------0---------------------

🔗 Machine learning interpretability techniques
Most machine learning systems require the ability to explain to stakeholders why certain predictions are made. When choosing a suitable…

​Harnessing Organizational Knowledge for Machine Learning

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

http://ai.googleblog.com/2019/03/harnessing-organizational-knowledge-for.html

🔗 Harnessing Organizational Knowledge for Machine Learning
Posted by Alex Ratner, Stanford University and Cassandra Xia, Google AI One of the biggest bottlenecks in developing machine learning (M...

​Демистифицируем свёрточные нейросети
Свёрточные нейросети.

В прошлом десятилетии мы наблюдали удивительный и беспрецедентный прогресс в сфере компьютерного зрения. Сегодня компьютеры умеют распознавать объекты на изображениях и кадрах видео с точностью до 98 %, уже опережая человека с его 97 %. Именно функции человеческого мозга вдохновляли разработчиков при создании и совершенствовании методик распознавания.

Когда-то неврологи проводили эксперименты на кошках и выяснили, что одни и те же части изображения активируют одни и те же части кошачьего мозга. То есть когда кошка смотрит на круг, в её мозге активируется зона «альфа», а когда смотрит на квадрат, активируется зона «бета». Исследователи пришли к выводу, что в мозге животных есть области нейронов, реагирующие на конкретные характеристики изображения. Иными словами, животные воспринимают окружающую среду через многослойную нейронную архитектуру мозга. И каждая сцена, каждый образ проходит через своеобразный блок выделения признаков, и только потом передаётся в более глубокие структуры мозга.

Вдохновлённые этим, математики разработали систему, в которой эмулируются группы нейронов, срабатывающие на разные свойства изображения и взаимодействующие друг с другом для формирования общей картины.
https://habr.com/ru/company/nixsolutions/blog/443236/

🔗 Демистифицируем свёрточные нейросети
Перевод Demystifying Convolutional Neural Networks. Свёрточные нейросети. В прошлом десятилетии мы наблюдали удивительный и беспрецедентный прогресс в сфере к...

🎥 Stanford CS224n: Natural Language Processing with Deep Learning | Winter 2019 | Lecture 3
👁 1 раз ⏳ 4731 сек.
Professor Christopher Manning
Thomas M. Siebel Professor in Machine Learning, Professor of Linguistics and of Computer Science
Director, Stanford Artificial Intelligence Laboratory (SAIL)

To follow along with the course schedule and syllabus, visit: http://web.stanford.edu/class/cs224n/index.html#schedule

To get the latest news on Stanford’s upcoming professional programs in Artificial Intelligence, visit: http://learn.stanford.edu/AI.html

To view all online courses and programs offered by Stanford, v

​Checklist for debugging neural networks

https://towardsdatascience.com/checklist-for-debugging-neural-networks-d8b2a9434f21?source=collection_home---4------1---------------------

🔗 Checklist for debugging neural networks
Tangible steps you can take to identify and fix issues with training, generalization, and optimization for machine learning models

​The Evolved Transformer - Enhancing Transformer with Neural Architecture Search

https://towardsdatascience.com/the-evolved-transformer-enhancing-transformer-with-neural-architecture-search-f0073a915aca

🔗 The Evolved Transformer — Enhancing Transformer with Neural Architecture Search
Neural architecture search (NAS) is the process of algorithmically searching for new designs of neural networks. Though researchers have…