​On the Path to Cryogenic Control of Quantum Processors

http://ai.googleblog.com/2019/02/on-path-to-cryogenic-control-of-quantum.html

🔗 On the Path to Cryogenic Control of Quantum Processors
Posted by Joseph Bardin, Visiting Faculty Researcher and Erik Lucero, Staff Research Scientist and Hardware Lead, Google AI Quantum Team B...

🎥 Brief Look at Google Cloud AutoML Natural Language - its HIPAA Compliant!!
👁 1 раз ⏳ 878 сек.
Quick overview of Google's AutoML Natural Language Processing Cloud-based tool that allows you to do some serious supervised deep learning without writing one line of code! This series of AutoML tools are probably going to obsolete my job one day.

Signup for my newsletter: http://www.viralml.com/signup
Connect on Twitter: https://twitter.com/amunategui

Check out my books on Amazon:
https://www.amazon.com/s/field-keywor...

Source code:
http://www.viralml.com/static/code/AutoML-NLP-for-Healthcare.html

C

Многоагентное обучение с динамикой популяций

🎥 Свертки с усреднением в глубоких нейронных сетях
👁 68 раз ⏳ 1454 сек.
Для достижения лучших результатов в задачах компьютерного зрения, современным сверточным нейронным сетям необходимо уметь учитывать пространнственно далекую информацию. С одной стороны, это сложно сделать из-за маленького размера фильтров (3x3, 5x5), с другой - при повышении размера сложность вычислений растет квадратично из-за увеличения числа параметров.

Одна из новых статей с последнего NIPS'a предлагает новый и простой подход, основанный на классических идеях: фильтрах с усреднением и суммированием из

🎥 Многоагентное обучение с динамикой популяций
👁 28 раз ⏳ 1771 сек.
В обучении с подкреплением одной их ключевых проблем является проблема exploration. Для ее решения было предложено множество способов, которые полагаются на внутреннюю мотивацию. Опираясь на нее, были предложены подходы с индивидуальной любопытностью агентов. Но авторы статьи утверждают, что внутренней мотивацией нельзя объяснить критические адаптации человечества. Рассредоточение людей из Африки произошло скорее из-за внешней мотивации, изменений условий.

В статье предложен многоагентный подход, который д

🎥 Машинное обучение в Яндексе | Александр Крайнов | Лекториум
👁 27 раз ⏳ 7055 сек.
Машинное обучение в Яндексе | Александр Крайнов | Лекториум

Смотрите это видео на Лекториуме: https://www.lektorium.tv/node/33929

Подписывайтесь на канал: https://www.lektorium.tv/ZJA
Следите за новостями:
https://vk.com/openlektorium
https://www.facebook.com/openlektorium

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

Урок 0. Новый этап: Deep learning - чат-бот.
Урок 1. Больше теории. Чат-бот или свой framework для Deep learning?
Урок 2. Virtual environments. Костяк учебного фреймворка для нейронки.
Урок 3. Проект DeepJava. Погружаемся в математические основы DeepLearning.
Урок 4. Копаемся в коде DeepLearning. Подбираем тренировочные параметры.
Урок 5. MNIST on DeepJavaUniverse.
Урок 6. Текущие задачи и прогресс в DeepJavaUniverse.
Урок 7. Переход на матрицы. Допиливаем batching.
Урок 8. Прогресс в DeepJavaUniverse. Много разбираем код.
Урок 9. Тесты. Проблемы

🎥 Geeks.Show: Сезон 5. Урок 0. Новый этап: Deep learning - чат-бот.
👁 100 раз ⏳ 3216 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 1. Больше теории. Чат-бот или свой framework для Deep learning?
👁 18 раз ⏳ 3142 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 2. Virtual environments. Костяк учебного фреймворка для нейронки.
👁 9 раз ⏳ 3476 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 3. Проект DeepJava. Погружаемся в математические основы DeepLearning.
👁 30 раз ⏳ 3335 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 4. Копаемся в коде DeepLearning. Подбираем тренировочные параметры.
👁 16 раз ⏳ 4256 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 5. MNIST on DeepJavaUniverse.
👁 3 раз ⏳ 3125 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 6. Текущие задачи и прогресс в DeepJavaUniverse.
👁 1 раз ⏳ 1577 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 7. Переход на матрицы. Допиливаем batching.
👁 4 раз ⏳ 2172 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 8. Прогресс в DeepJavaUniverse. Много разбираем код.
👁 7 раз ⏳ 2714 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show:Сезон 5.Урок 9. Тесты. Проблемы batching и качества обучения.
👁 20 раз ⏳ 2525 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

​Introducing Ludwig, a Code-Free Deep Learning Toolbox

🔗 Introducing Ludwig, a Code-Free Deep Learning Toolbox
Uber AI developed Ludwig, a code-free deep learning toolbox, to make deep learning more accessible to non-experts and enable faster model iteration cycles.

​🔗 New MRI sensor can image activity deep within the brain
Noninvasive measurements of calcium could reveal neurons’ roles in different types of behavior.

🎥 Dodo Pizza Engineering // Scalability Camp (Часть 1)
👁 19 раз ⏳ 3194 сек.
В нашем офисе прохошёл митап про работу с большими данными.

Часть 2: https://youtu.be/Kjp0I1Mc3A4

В программе:

1. Юрий Бабак, руководитель группы разработки в GridGain
Распределенный TensorFlow с Apache Ignite

- Apache Ignite, как распределенный источник данных для TensorFlow;
- Как тренировать модели на кластере TensorFlow поверх Apache Ignite;
- Инференс TensorFlow модели на кластере Apache Ignite.

==================================

2. Сергей Жукаев, разработчик распределенного хранилища в Nvidia

🎥 Dodo Pizza Engineering // Scalability Camp (Часть 2)
👁 4 раз ⏳ 2396 сек.
В нашем офисе прохошёл митап про работу с большими данными.

Часть 1: https://youtu.be/rkZ1KF4UKYQ

В программе:

1. Юрий Бабак, руководитель группы разработки в GridGain
Распределенный TensorFlow с Apache Ignite

- Apache Ignite, как распределенный источник данных для TensorFlow;
- Как тренировать модели на кластере TensorFlow поверх Apache Ignite;
- Инференс TensorFlow модели на кластере Apache Ignite.

==================================

2. Сергей Жукаев, разработчик распределенного хранилища в Nvidia

🎥 Лето в Яндексе - запись трансляции
👁 1 раз ⏳ 22258 сек.
00:09:20 — Антон Полднев «Реклама в Яндексе: делаем деньги из алгоритмов»;

00:44:08 — Алексей Шлюнкин «Что ещё можно сделать в Поиске Яндекса»;

01:19:17 — Борис Шарчилев «Автороцентричное ранжирование: поиск релевантной аудитории для авторов в Яндекс.Дзене»;

01:53:41 — Анна Вероника Дорогуш, Константин Лахман «Искусственный интеллект, машинное обучение, умные колонки и всё такое»;

02:29:17 — Дмитрий Черкасов «Работа аналитика в Антифроде: взгляд изнутри»;

03:03:44 — Михаил Трошев «Поиск Яндекса: пром

​Yann LeCun Cake Analogy 2.0

https://medium.com/syncedreview/yann-lecun-cake-analogy-2-0-a361da560dae

🔗 Yann LeCun Cake Analogy 2.0 – SyncedReview – Medium
Facebook AI Chief Yann LeCun introduced his now-famous “cake analogy” at NIPS 2016: “If intelligence is a cake, the bulk of the cake is…

​Use of Deep Learning in Tactical Multi-Asset Strategies with Calvin Yu

🔗 Use of Deep Learning in Tactical Multi-Asset Strategies with Calvin Yu
In this webinar, we will discuss a theoretical case study done in conjunction with an institutional investor to demonstrate how one can use deep neural netwo...

🎥 How to take advantage of GPUs and TPUs for your ML project (Coding TensorFlow)
👁 1 раз ⏳ 264 сек.
Developer Paige Bailey (@dynamicwebpaige) shows you how to take advantage of the accelerated hardware available to machine learning developers inside of a Google Colab.

Both GPUs and TPUs are used as accelerators for the portions of the model that can be broken up into parallelizable operations. When you are training your model with a large amount of data, the use of specialized hardware significantly speeds up your machine learning projects. Stay tuned for the next episode of Coding TensorFlow, where we

Innovation Nation: AI godfathers gave Canada an early edge — but we could end up being left in the dust

https://business.financialpost.com/technology/innovation-nation-ai-godfathers-gave-canada-an-early-edge-but-we-could-end-up-being-left-in-the-dust

🎥 CMU Neural Nets for NLP 2019 (11): Reinforcement Learning
👁 1 раз ⏳ 3254 сек.
This lecture (by Graham Neubig) for CMU CS 11-747, Neural Networks for NLP (Spring 2019) covers:

* What is Reinforcement Learning?
* Policy Gradient and REINFORCE
* Stabilizing Reinforcement Learning
* Value-based Reinforcement Learning

Class Site: http://phontron.com/class/nn4nlp2019/schedule/reinforcement-learning.html

​​​Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning
Наш телеграм канал - https://tele.click/ai_machinelearning_big_data

Это руководство рассматривает современные подходы языка к решению актуальных проблем в данной области, принятые стандарты и практики, а также реальные примеры применения.
В книге рассматриваются такие темы, как векторы, матрицы и массивы; обработка текста; линейная регрессия; работа с моделями и многое другое.

📝 1albon_c_machine_learning_with_p.pdf - 💾3 534 124

​What my first Silver Medal taught me about Text Classification and Kaggle in general?

🔗 What my first Silver Medal taught me about Text Classification and Kaggle in general?
Sailing through the world of Kaggle

TensorFlow Object Detection API

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

Intro - TensorFlow Object Detection API Tutorial p.1
Adapting to video feed - TensorFlow Object Detection API Tutorial p.2
Tracking Custom Objects - TensorFlow Object Detection API Tutorial p.3
Creating TFRecords - TensorFlow Object Detection API Tutorial p.4
Training Custom Object Detector - TensorFlow Object Detection API Tutorial p.5
Testing Custom Object Detector - TensorFlow Object Detection API Tutorial p.6

🎥 Intro - TensorFlow Object Detection API Tutorial p.1
👁 856 раз ⏳ 606 сек.
Hello and welcome to a miniseries and introduction to the TensorFlow Object Detection API. This API can be used to detect, with bounding boxes, objects in images and/or video using either some of the pre-trained models made available or through models you can train on your own (which the API also makes easier).

Text tutorials and sample code: https://pythonprogramming.net/introduction-use-tensorflow-object-detection-api-tutorial/
https://twitter.com/sentdex
https://www.facebook.com/pythonprogramming.net/
https://plus.google.com/+sentdex

🎥 Adapting to video feed - TensorFlow Object Detection API Tutorial p.2
👁 171 раз ⏳ 571 сек.
Welcome to part 2 of the TensorFlow Object Detection API tutorial. In this tutorial, we're going to cover how to adapt the sample code from the API's github repo to apply object detection to streaming video from our webcam.

Text tutorials and sample code: https://pythonprogramming.net/video-tensorflow-object-detection-api-tutorial/
https://twitter.com/sentdex
https://www.facebook.com/pythonprogramming.net/
https://plus.google.com/+sentdex

🎥 Tracking Custom Objects - TensorFlow Object Detection API Tutorial p.3
👁 104 раз ⏳ 691 сек.
Welcome to part 3 of the TensorFlow Object Detection API tutorial series. In this part and the subsequent few, we're going to cover how we can track and detect our own custom objects with this API.

Going from using the pre-built models to adding custom objects is a decent jump from my findings, and I could not locate any full step-by-step guides, so hopefully I can save you all from the struggle. Once solved, the ability to train for any custom object you can think of (and create data for) is an awesome skill to have.

Text tutorials and sample code: https://pythonprogramming.net/custom-objects-tracking-tensorflow-object-detection-api-tutorial/

Paperspace $10 referral link: https://goo.gl/h7SSkv
Paperspace overview and comparison to AWS and Azure: https://www.youtube.com/watch?v=8RJX8WNcXyI

https://twitter.com/sentdex
https://www.facebook.com/pythonprogramming.net/
https://plus.google.com/+sentdex

🎥 Creating TFRecords - TensorFlow Object Detection API Tutorial p.4
👁 74 раз ⏳ 985 сек.
Welcome to part 4 of the TensorFlow Object Detection API tutorial series. In this part of the tutorial, we're going to cover how to create the TFRecord files that we need to train an object detection model.

Text tutorials and sample code: https://pythonprogramming.net/creating-tfrecord-files-tensorflow-object-detection-api-tutorial/
exact commit: https://github.com/datitran/raccoon_dataset/commit/386a8f4f1064ea0fe90cfac8644e0dba48f0387b
https://twitter.com/sentdex
https://www.facebook.com/pythonprogramming.net/
https://plus.google.com/+sentdex