​🔗 Academy on Air: Yпростить управление кампанией и повысить эффективность с помощью машинного обучения
учить больше: https://events.withgoogle.com/onlain-akadiemiia-rieklamy-2019/#content

Машинное обучение меняет подход компаний к бизнесу. Сегодня агентства могут уделять больше внимания долгосрочным планам развития, ведь теперь рутинные действия и оптимизация выполняются автоматически. В этой прямой трансляции мы покажем, как технологии машинного обучения помогают управлять кампаниями и достигать целей.

Swift for TensorFlow for Deep Learning in Google Colab: Train a CNN for MNIST Digit Classification

https://www.youtube.com/watch?v=_D-l7OGq83U

🎥 Swift for TensorFlow for Deep Learning in Google Colab: Train a CNN for MNIST Digit Classification
👁 1 раз ⏳ 2249 сек.
I hope you enjoyed this tutorial!

If you did, please make sure to leave a like, comment, and subscribe! It really does help out a lot!

Links:
Swift for TensorFlow on Github: https://github.com/tensorflow/swift
"tensorflow" branch on apple/swift on Github: https://github.com/apple/swift/tree/tensorflow
Swift for Tensorflow CIFAR example: https://github.com/tensorflow/swift-models/tree/stable/CIFAR
Setup Google Colab w/ Swift for TensorFlow: https://github.com/tensorflow/swift/blob/master/Usage.md
Predictin

​Как программист датасаентистам кернелы писал

Мало кто верит, что современный data science-стек может быть построен не на Python, но такие прецеденты есть :). Стек Одноклассников формировался долгие годы, в первую очередь программистами, перешедшими в data science, но всё ещё остались близкими к проду, поэтому в его основе лежат открытые технологии JVM-стека: Hadoop, Spark, Kafka, Cassandra и т.д. Это помогает нам сокращать время и затраты на ввод моделей в эксплуатацию, но иногда создаёт и сложности. Например, при подготовке базовых решений для участников SNA Hackathon 2019 пришлось сжать волю в кулак и погрузиться в мир динамической типизации. Подробности (и лёгкий троллинг) под катом :)

🔗 Как программист датасаентистам кернелы писал

​🔗 As We May Program by Peter Norvig, a Director of Research at Google
Peter Norvig, Director of Research at Google, talks about how programming will change as machine learning becomes more prevalent.

Talk Abstract: How will programming change as machine learning becomes more prevalent? For the AlphaGo program, expert programmers implemented the core search algorithm and the pattern generalization algorithm, expert Go players provided their knowledge on what makes a good Go position, and the system learned by observing games played by master players. But the successor progra

🎥 Машинное обучение, как инструмент развития бизнеса
👁 1 раз ⏳ 1210 сек.
Специалисты Гугл рассказывают о современных инструментах развития бизнеса с помощью искусственного интеллекта и машинного обучения.

​Джефф Хокинс наконец готов объяснить свои исследования мозга

Джефф Хокинс — ветеран Силиконовой долины, посвятивший последнее десятилетие изучению загадок человеческого мозга, организовал встречу с компанией DeepMind — одной из ведущих ИИ-лабораторий в мире.

Ученые из DeepMind, принадлежащей материнской компании Google — холдингу Alphabet, хотят создавать машины, способные делать все, что может делать мозг. Хокинс основал небольшую компанию с одной целью — выяснить, как работает мозг, а затем воссоздать его, исходя из полученных знаний.

🔗 Джефф Хокинс наконец готов объяснить свои исследования мозга
Джефф Хокинс — ветеран Силиконовой долины, посвятивший последнее десятилетие изучению загадок человеческого мозга, организовал встречу с компанией DeepMind — о...

​OpenCV Python Tutorial For Beginners 3 - How to Read, Write, Show Images in OpenCV

🔗 OpenCV Python Tutorial For Beginners 3 - How to Read, Write, Show Images in OpenCV
In this video on OpenCV Python Tutorial For Beginners, I am going to show How to Read, Write, Show Images in OpenCV. we will se how to use cv2.imread('lena.j...

​Increase Customer Loyalty with Graph + Machine Learning

🔗 Increase Customer Loyalty with Graph + Machine Learning
Learn how Graph Technology + Machine Learning will increase customer loyalty, identify and resolve customer issues and provide strategic up-selling capabilit...

​https://m.youtube.com/watch?v=f4r7ovHh98E

🔗 Machine Learning on Cloud | Great Learning

​Как работает PageRank: реализация на языке R через линейную алгебру и power-метод

В данном небольшом тексте я познакомлю вас с методом расчета PageRank © (далее буду называть его ПР) на простых, понятных примерах, на языке R. Алгоритм является интеллектуальным достоянием Google, но, ввиду его полезности для задач анализа данных, применяется много в каких задачах, которые можно свести к поиску больших узлов на графе и ранжированию их по значимости.

🔗 Как работает PageRank: реализация на языке R через линейную алгебру и power-метод
Привет, хабровчане! Меня зовут Алексей. На этот раз я вещаю с рабочего места в ИТАР-ТАСС. В данном небольшом тексте я познакомлю вас с методом расчета PageRan...

🎥 Smelling Source Code Using Deep Learning
👁 1 раз ⏳ 2176 сек.
by Tushar Sharma

At: FOSDEM 2019
https://video.fosdem.org/2019/H.2213/ml_on_code_smelling_source.webm


Poor quality code contributes to increasing technical debt and makes the software difficult to extend and maintain. Code smells capture such poor code quality practices. Traditionally, the software engineering community identifies code smells in deterministic ways by using metrics and pre-defined rules/heuristics. Creating a deterministic tool for a specific language is an expensive and arduous task sinc

​Machine Learning Models: Linear Regression

🔗 Linear Regression from Scratch – Isaiah Nields – Medium
An article about my personal experience implementing linear regression from scratch.

​Beginning Deep Learning classifications in the gastrointestinal tract with Fast.ai

https://medium.com/@JamesDietle/beginning-deep-learning-classifications-in-the-gastrointestinal-tract-with-fast-ai-7a97e3924b96

🔗 fast.ai · Making neural nets uncool again

​K-Means Clustering
Making Sense of Text Data using Unsupervised Learning

https://towardsdatascience.com/k-means-clustering-8e1e64c1561c?source=collection_home---4------1---------------------

🔗 K-Means Clustering – Towards Data Science
Making Sense of Text Data using Unsupervised Learning

​AnzoGraph: A W3C Standards-Based Graph Database
An interview with Barry Zane of Cambridge Semantics

🔗 AnzoGraph: A W3C Standards-Based Graph Database – Towards Data Science
An interview with Barry Zane of Cambridge Semantics

​На каком железе анализировать огромный вал информации?
https://habr.com/ru/company/ru_mts/blog/439498/

🔗 На каком железе анализировать огромный вал информации?
Мы – Big Data в МТС и это наш первый пост. Сегодня расскажем о том, какие технологии позволяют нам хранить и обрабатывать большие данные так, чтобы всегда хватал...

​Как геокодировать миллион точек на Spark по-быстрому?
#BigData,

В моем предыдущем проекте перед нами встала задача провести обратное геокодирование для множества пар географических координат. Обратное геокодирование — это процедура, которая паре широта-долгота ставит в соответствие адрес или название объекта на карте, к которому принадлежит или близка заданная координатами точка. То есть, берем координаты, скажем такие: @55.7602485,37.6170409, и получаем результат либо «Россия, Центральный федеральный округ, Москва, Театральная площадь, дом такой-то», либо например «Большой театр».

Если на входе адрес или название, а на выходе координаты, то эта операция — прямое геокодирование, об этом мы, надеюсь, поговорим позже.

В качестве исходных данных у нас на входе было примерно 100 или 200 тысяч точек, которые лежали в кластере Hadoop в виде таблицы Hive. Это чтобы был понятен масштаб задачи.

В качестве инструмента обработки в конце концов был выбран Spark, хотя в процессе мы попробовали как MapReduce, так и Apache Crunch. Но это отдельная история, возможно заслуживающая своего поста.

🔗 Как геокодировать миллион точек на Spark по-быстрому?
В моем предыдущем проекте перед нами встала задача провести обратное геокодирование для множества пар географических координат. Обратное геокодирование — это про...

​Playground Prediction Competition
Don't Overfit! II
A Fistful of Samples

🔗 Don't Overfit! II
A Fistful of Samples

​Запись трансляции Kubernetes meetup в офисе Яндекса

🔗 Запись трансляции Kubernetes meetup в офисе Яндекса
Докладчики расскажут о разработке операторов в Kubernetes и стратегии развития контейнерных сервисов в Яндекс.Облаке, а также обсудят причины поразительного ...

​Machine Learning Blink 1.3 (cross-validation)

🔗 Machine Learning Blink 1.3 (cross-validation)
Introduction to Machine Learning Why cross-validation? For more details, check out the book "Machine Learning Refined": http://mlrefined.wixsite.com/home-page