#код
Какой потрясающий ресурс! Здесь примеры кода на Pytorch с разъяснением как по базовым конструкциям, так и по современным сетям.
https://nn.labml.ai/

#статья
Обзор по представлениям графов
https://peerj.com/articles/cs-357/#

#видео
Интересный доклад про свойства собственных значений случайных матриц:
https://youtu.be/-JuL2Mmrre8

#статья
На рис. кто откуда хантит профессоров. Из статьи Michael Gofman et al. Artificial Intelligence, Education, and Entrepreneurship // http://gofman.info/AI/AI_GofmanJin.pdf

#интересно
А вот ещё про перетекание талантов, интересные графики:
https://macropolo.org/digital-projects/the-global-ai-talent-tracker/

#интересно
Где и как применяется распознавание лиц:
https://www.visualcapitalist.com/facial-recognition-world-map/

#книги
Бесплатные научно-популярные книги:
https://vsenauka.ru/knigi/besplatnyie-knigi.html

#код
В постах на этом сайте фактически дана инструкция по написанию торгующего бота.
https://conorjohanlon.com/

#статья
Формальная систематизация рекуррентных сетей.
https://arxiv.org/pdf/2004.08500v4.pdf

#юмор
Извращения в латентных пространствах;)

#книга
Полистал книжку «Занимательная манга. Машинное обучение». Интересно мнение человека с нулевыми знаниями по ML, можно ли по подобным книгам что-то понять и выучить? А так, выглядит симпатично...

#видео
Теперь и «Раблз» занялись ютуб-блогерством;)
Про то, как всё устроено в X5 (я ещё не досмотрел, поэтому без комментариев):
https://youtu.be/C-pZyCAxq5E

#код
Наверное, я стал совсем старым и отсталым... так принято сейчас код оформлять на питоне? Это какой-то стандарт? С такими отступами и запятой в начале при перечислении? Гитхаб набит подобным оформлением...

#новость
Про некоторые преобразования в МГУ
https://www.facebook.com/anton.konushin/posts/3836617843089329

#курс
Качественный курс “Введение в анализ данных и машинное обучение” от читателя моего блога (кстати, если есть кому что показать - присылайте). Готовился для школьников, но, мне кажется, подходит любым начинающим в ML. Очень симпатично оформлен.
https://yangx.topseries-ru.github.io/course/README.html

#интересно
Статистика по прошлому году. Больше всего авторов (45) у статьи: Task-Oriented Dialogue as Dataflow Synthesis.
Самое длинное название статьи: Code-Switching Patterns Can Be an Effective Route to Improve Performance of Downstream NLP Applications: A Case Study of Humour, Sarcasm and Hate Speech Detection.
Самое короткое название: Ode to an ODE.
(взято отсюда: https://www.marekrei.com/blog/ml-and-nlp-publications-in-2020/)

#курс
Наконец "дошли руки" посмотреть курс NLP, ссылку на которую в чате канала кидал Юра Кашницкий. Очень классно всё сделано. И дело не только в оформлении, хорошо сделаны объяснения и ссылки на релевантные работы. Всем, кто изучает ML, обязательно к проработке...
https://lena-voita.github.io/nlp_course.html

#мгу
Для выпускников ВМК МГУ, которые хотят понастальгировать - виртуальный 3D-тур (надо поворачивать телефон/планшет):
https://youtu.be/A9zCKgWPY_E

#интересно
"Быть живым, значит сокращать разрыв между ожиданиями и чувственными данными. Словом, минимизировать свободную энергию. "
В этой статье особенно хороши комментарии...
https://vc.ru/future/52798-megatheory

#мысли
Одно из недооценённых направлений в ML (на мой взгляд) - это резервуарные вычисления. Подобные архитектуры упоминаются, например, в книге Гудфелло, но совсем мельком, занимались ими лишь несколько исследователей. С точки зрения современных архитектур, это RNN в которых специальным образом выбраны и зафиксированы веса, соответствующие рекуррентным связям, а обучаются все остальные. Это позволяет избежать проблемы взрыва и затухания градиента. Есть много (не обнародованных) хаков, как эффективно такие сети применять на практике, но вот хайпа вокруг них никогда не было. Для тех, кто хочет погрузиться в теорию резервуарных вычислений, есть, например такое видео:
https://www.youtube.com/watch?v=HfltqZa2Fco