🎥 Getting Started with TensorFlow and Deep Learning | SciPy 2018 Tutorial | Josh Gordon
👁 1 раз ⏳ 9679 сек.
A friendly introduction to Deep Learning, taught at the beginner level. We’ll work through introductory exercises across several domains - including computer vision, natural language processing, and structured data classification. We’ll introduce TensorFlow - the world’s most popular open source machine learning library - preview the latest APIs (including Eager Execution), discuss best practices, and point you to recommended educational resources you can use to learn more.

Tutorial instructions may be fou

🎥 Машинное обучение 4. SVM, PCA.
👁 1 раз ⏳ 3812 сек.
Лекция от 5 февраля 2019.
Лектор: Владислав Гончаренко

Снимал: Михаил Кревский
Монтировал: Александр Гришутин

​Beyond Chernoff faces: Multivariate visualization with metaphoric 3D glyphs

🔗 Beyond Chernoff faces: Multivariate visualization with metaphoric 3D glyphs
Visualizing multivariate data is notoriously difficult. The methods which are commonly used can be very valuable, but have significant…

Интенсивный курс "#Нейронныесети"

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

Лекция №1:
— Нейронные сети прямого распространения;
— backpropagation;
— обучение глубоких нейронных сетей;
— сверочные сети.
Лекция №2: "Генеративные сети".
Лекция №3: "Детекция и сегментация"
Лекция №4: "Face Recognition".
Лекция №5: "DSSM-like модели. Нейронные сети для работы с текстами".
Лекция №6: "RNN. Нейронные сети для работы с текстами".

🎥 Лекция №1. Интенсивный курс "Нейронные сети"
👁 15133 раз ⏳ 7854 сек.
Лекция №1 интенсивного курса "Нейронные сети:
— Нейронные сети прямого распространения;
— backpropagation;
— обучение глубоких нейронных сетей;
— сверочные сети.

Лектор - Кузьма Храбров, Ведущий специалист группы ранжирования в Поиске Mail.Ru Group.

Материалы лекции - http://bit.ly/2utuLU6.

🎥 Лекция №2. Интенсивный курс "Нейронные сети"
👁 12365 раз ⏳ 5859 сек.
Лекция №2 интенсивного курса "Нейронные сети".

Тема лекции - "Генеративные сети".
Лектор - Кузьма Храбров, Ведущий специалист группы ранжирования в Поиске Mail.Ru Group.

Материалы лекции - http://bit.ly/2utuLU6.

🎥 Лекция №3. Интенсивный курс "Нейронные сети"
👁 4008 раз ⏳ 4993 сек.
Лекция №3 интенсивного курса "Нейронные сети".

Тема лекции - "Детекция и сегментация".
Лектор - Борис Лесцов, младший программист-исследователь в команде компьютерного зрения Mail.Ru Group.

Презентация - http://bit.ly/2LaE6KJ

🎥 Лекция №4. Интенсивный курс "Нейронные сети"
👁 13352 раз ⏳ 3381 сек.
Лекция №4 интенсивного курса "Нейронные сети".

Тема лекции - "Face Recognition".

Лекторы:
— Алексей Спасенов, программист-исследователь, группа предиктивной аналитики департамента рекламных технологий Mail.Ru Group.
— Борис Лесцов, младший программист-исследователь, команда компьютерного зрения Mail.Ru Group.

Презентация "Deep Metric Learning" - http://bit.ly/2JN6ihq
Презентация "Metric Learning for discriminative features" - http://bit.ly/2A40IaX

🎥 Лекция №5. Интенсивный курс "Нейронные сети"
👁 26940 раз ⏳ 10701 сек.
Лекция №5 интенсивного курса "Нейронные сети".

Тема сегодняшнего занятия — "DSSM-like модели. Нейронные сети для работы с текстами".

Лектор — Владимир Гулин, Руководитель отдела качества поиска Mail.Ru Group.

Презентация - http://bit.ly/2JXoXah

🎥 Лекция №6. Интенсивный курс "Нейронные сети"
👁 11468 раз ⏳ 5212 сек.
Лекция №6 интенсивного курса "Нейронные сети".

Тема сегодняшнего занятия — "RNN. Нейронные сети для работы с текстами".

Лектор — Денис Клюкин, программист в группе рекомендательных систем Mail.Ru Group.

Презентация — http://bit.ly/2OnIRi3

​Китай вводит экспериментальную систему распознавания лиц при оплате проезда в метро

https://habr.com/ru/company/madrobots/blog/443776/

🔗 Китай вводит экспериментальную систему распознавания лиц при оплате проезда в метро
Поднебесная — весьма высокотехнологичное государство. Да, страну ругают за наплевательское отношение к неприкосновенности частной информации, которая собираетс...

​De Facto list of book from Geeks of Deep Learning. Happy learning from up-to-date resources. Updated list 2019

https://blog.floydhub.com/best-deep-learning-books-updated-for-2019/

🔗 Best Deep Learning Books: Updated for 2019
The list of the best machine learning & deep learning books for 2019.

​Data Minds: Jai Bansal — Data Scientist at Red Bull
Data Minds is a series that profiles professionals working with data. In this series, you’ll learn about their story, their day-to-day, as well as tips and advice for others.
https://towardsdatascience.com/data-minds-jai-bansal-data-scientist-at-red-bull-afdb141a0e26

🔗 Data Minds: Jai Bansal — Data Scientist at Red Bull
Data Minds is a series that profiles professionals working with data. In this series, you’ll learn about their story, their day-to-day, as…

​TensorFlow Dev Summit 2019 wrap-up

🔗 TensorFlow Dev Summit 2019 wrap-up
For the second consecutive year, I was lucky enough to attend to the Tensorflow dev Summit on March 6–7 at Google Event Center Sunnyvale…

​Тех, кто предпочитает особые игры разума и знает азы Python, 19 марта ждут в 20-00 (мск) на онлайн-трансляции Дня открытых дверей углубленного курса «Data Scientist»: https://otus.pw/woIQ/
Пока есть время – готовьте вопросы преподавателю курса, Александру Никитину, эксперту-разработчику и data scientist, и пройдите вступительный тест на курс: https://otus.pw/sudO/

На вебинаре:
• Будет знакомство с преподавателем и разговор о программе курса и ее наполнении;
• Ответят на все интересующие вопросы про формат обучения, домашние задания и выпускной проект – готовьте вопросы!
• Расскажут об условиях трудоустройства для выпускников (уже больше 20 известных компаний ждут на собеседование успешных выпускников).

Приходите за подробностями!

🔗 Data Scientist — обучение от профессионалов. Data Science learning, Data Scientist learning | OTUS
Большие объемы данных, как с ними работать? Мы проводим курсы по BigData в Москве и трудоустраиваем наших программистов

​Vessel Segmentation With Python and Keras

🔗 Vessel Segmentation With Python and Keras
Motivation :

​Demystifying the Math of Support Vector Machines (SVM)

🔗 Demystifying the Math of Support Vector Machines (SVM)
This article was written by Krishna Kumar Mahto. So, three days into SVM, I was 40% frustrated, 30% restless, 20% irritated and 100% inefficient in terms of g…

Discrete Math

https://www.youtube.com/watch?v=LGt4PE7-ATI

🎥 Discrete Math
👁 1 раз ⏳ 669 сек.
Discrete Math is a subject everyone interested in Computer Science needs to understand. It consists of math branches like graph theory, set theory, number theory, & combinatorics. It helps create databases, algorithms, & security structures. In this video, I'll explain the most relevant topics in Discrete Math one by one as we try to decrypt the password for a SQL database. Along the way, we'll use discrete math in various ways. I wanted to see if I could summarize an important course I took in college in a

DeepMind: This Card Game Is the Next Frontier for AI Research
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

https://www.youtube.com/watch?v=cD-eXjf854Q

🎥 DeepMind: This Card Game Is the Next Frontier for AI Research
👁 1 раз ⏳ 235 сек.
📝 The paper "The Hanabi Challenge: A New Frontier for AI Research" and a blog post is available here:
https://arxiv.org/abs/1902.00506
http://www.marcgbellemare.info/blog/a-cooperative-benchmark-announcing-the-hanabi-learning-environment/

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

🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible:
313V, Alex Haro, Andrew Melnychuk, Angelos Evripiotis, Anthony Vdovitchenko, Brian Gilman, Chr

​Deep Learning and Doughnuts
Manifold learning

https://towardsdatascience.com/deep-learning-and-doughnuts-c2f0f7b7c598?source=collection_home---4------0---------------------

🔗 Deep Learning and Doughnuts
Manifold learning

​A Gentle Introduction to Computer Vision

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

https://machinelearningmastery.com/what-is-computer-vision/

🔗 A Gentle Introduction to Computer Vision
Computer Vision, often abbreviated as CV, is defined as a field of study that seeks to develop techniques to help computers “see” and understand the content of digital images such as photographs and videos. The problem of computer vision appears simple because it is trivially solved by people, even very young children. Nevertheless, it largely …

​Big data, deus ex machina
«Данные — это новая нефть». Эту фразу на выступлении для PopTech произнёс несколько лет назад Джер Торп (Jer Thorp), художник и эксперт в вопросах анализа и визуализации данных, один из основателей «Бюро креативных исследований». Сегодня мы хотим поговорить не просто о данных, а о больших данных. Разбираемся, какие данные big, а какие нет, как они работают и как на этом зарабатывает бизнес.

https://habr.com/ru/company/mailru/blog/443474

🔗 Big data, deus ex machina
Источник «Данные — это новая нефть». Эту фразу на выступлении для PopTech произнёс несколько лет назад Джер Торп (Jer Thorp), художник и эксперт в вопросах анал...

​Measuring the Limits of Data Parallel Training for Neural Networks
http://ai.googleblog.com/2019/03/measuring-limits-of-data-parallel.html

🔗 Measuring the Limits of Data Parallel Training for Neural Networks
Posted by Chris Shallue, Senior Software Engineer and George Dahl, Senior Research Scientist, Google AI Over the past decade, neural netwo...

​Книга «Прикладной анализ текстовых данных на Python»

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
image Технологии анализа текстовой информации стремительно меняются под влиянием машинного обучения. Нейронные сети из теоретических научных исследований перешли в реальную жизнь, и анализ текста активно интегрируется в программные решения. Нейронные сети способны решать самые сложные задачи обработки естественного языка, никого не удивляет машинный перевод, «беседа» с роботом в интернет-магазине, перефразирование, ответы на вопросы и поддержание диалога. Почему же Сири, Алекса и Алиса не хотят нас понимать, Google находит не то, что мы ищем, а машинные переводчики веселят нас примерами «трудностей перевода» с китайского на албанский? Ответ кроется в мелочах – в алгоритмах, которые правильно работают в теории, но сложно реализуются на практике. Научитесь применять методы машинного обучения для анализа текста в реальных задачах, используя возможности и библиотеки Python. От поиска модели и предварительной обработки данных вы перейдете к приемам классификации и кластеризации текстов, затем приступите к визуальной интерпретации, анализу графов, а после знакомства с приемами масштабирования научитесь использовать глубокое обучение для анализа текста.
https://habr.com/ru/company/piter/blog/444384/

🔗 Книга «Прикладной анализ текстовых данных на Python»
Технологии анализа текстовой информации стремительно меняются под влиянием машинного обучения. Нейронные сети из теоретических научных исследований перешли в ре...

​Mountain Car: решаем классическую задачу при помощи обучения с подкреплением
кации алгоритмов, полагающиеся на особенности конкретной задачи, считаются менее ценными, так как их сложно обобщить на более широкий класс задач. Однако это не означает, что такие модификации не нужны. Более того, часто они могут значительно улучшить результат даже для простых классических задач, что очень важно при практическом применении алгоритмов. В качестве примера в этом посте я решу задачу Mountain Car при помощи обучения с подкреплением и покажу, что используя знание о том, как устроена задача, ее можно решить значительно быстрее.

https://habr.com/ru/company/hsespb/blog/444428/

🔗 Хабр

​Семь мифов в области исследований машинного обучения

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
Миф 1: TensorFlow – это библиотека для работы с тензорами.
Миф 2: Базы данных изображений отражают реальные фотографии, встречающиеся в природе.
Миф 3: Исследователи МО не используют проверочные наборы для испытаний.
Миф 4: В обучении нейросети используются все входные данные.
Миф 5: Для обучения очень глубоких остаточных сетей требуется пакетная нормализация.
Миф 6: Сети с вниманием [attention] лучше свёрточных [convolution].
Миф 7: Карты значимости – надёжный способ интерпретации нейросетей.

https://habr.com/ru/post/444172

🔗 Семь мифов в области исследований машинного обучения
Для тех, кому лень читать всё: предлагается опровержение семи популярных мифов, которые в области исследований машинного обучения часто считаются истинными, по с...