This media is not supported in your browser
VIEW IN TELEGRAM
"We released the dataset from our 3D Ken Burns paper: http://sniklaus.com/kenburns ..."
This media is not supported in your browser
VIEW IN TELEGRAM
"we can model a lightning strike by finding the shortest path in a random maze, from a point at the top to the ground. To find the path, we send out a frontier through the maze, and trace it back once it reaches the ground"
This media is not supported in your browser
VIEW IN TELEGRAM
visualizing an organism’s development
This media is not supported in your browser
VIEW IN TELEGRAM
DeepFaceDrawing: Deep Generation of Face Images from Sketches
This media is not supported in your browser
VIEW IN TELEGRAM
Google AI Blog
DADS: Unsupervised Reinforcement Learning for Skill Discovery
DADS: Unsupervised Reinforcement Learning for Skill Discovery
This media is not supported in your browser
VIEW IN TELEGRAM
Recapture as You Want
Forwarded from Neurohive - Нейронные сети, AI, ML, DL
9 июня пройдет открытый практический вебинар «Вывод ML моделей в промышленную среду на примере онлайн-рекомендаций». Присоединяйтесь, будет интересно и профессионально: https://otus.pw/6lY8/
На открытом уроке будут рассмотрены, как data science выходит из ноутбука дата сайнтиста, проходит через аналитическую платформу и среду исполнения в пром, чтобы попасть, наконец, к нашим горячо любимым пользователям.
На примере задачи построения рекомендаций рассмотрим какие трюки помогают масштабировать алгоритм, какие компоненты и технические решения позволяют вывести ML в промышленную среду, какие паттерны помогают ML работать в режиме онлайн. А также ненадолго вернемся к истокам, и посмотрим как важно при разработке и проектировании ML не забывать о базовых принципах работы вычислительной техники, классических алгоритмах и структурах данных.
Вебинар ведет преподаватель-практик Дмитрий Бугайченко специалист по работе с большими данными и машинному обучению. В течение 8 лет работал в «Одноклассники». Руководил командой OK Data Lab (лаборатория для исследователей в области big data и machine learning).
Вебинар проходит в рамках набора на профессиональный онлайн-курс «Промышленный ML на больших данных». Чтобы попасть на этот курс с welcome-скидкой, пройдите вступительный тест: https://otus.pw/At2X/
На открытом уроке будут рассмотрены, как data science выходит из ноутбука дата сайнтиста, проходит через аналитическую платформу и среду исполнения в пром, чтобы попасть, наконец, к нашим горячо любимым пользователям.
На примере задачи построения рекомендаций рассмотрим какие трюки помогают масштабировать алгоритм, какие компоненты и технические решения позволяют вывести ML в промышленную среду, какие паттерны помогают ML работать в режиме онлайн. А также ненадолго вернемся к истокам, и посмотрим как важно при разработке и проектировании ML не забывать о базовых принципах работы вычислительной техники, классических алгоритмах и структурах данных.
Вебинар ведет преподаватель-практик Дмитрий Бугайченко специалист по работе с большими данными и машинному обучению. В течение 8 лет работал в «Одноклассники». Руководил командой OK Data Lab (лаборатория для исследователей в области big data и machine learning).
Вебинар проходит в рамках набора на профессиональный онлайн-курс «Промышленный ML на больших данных». Чтобы попасть на этот курс с welcome-скидкой, пройдите вступительный тест: https://otus.pw/At2X/
This media is not supported in your browser
VIEW IN TELEGRAM
StyleGAN + Cinema 4D
This media is not supported in your browser
VIEW IN TELEGRAM
StyleGAN + Cinema 4D
This media is not supported in your browser
VIEW IN TELEGRAM
MotionNet: Joint Perception and Motion Prediction for Autonomous Driving Based on Bird’s Eye View Maps
Media is too big
VIEW IN TELEGRAM
YOLOv4 — The most accurate real-time neural network on MS COCO Dataset
This media is not supported in your browser
VIEW IN TELEGRAM
MSeg: A Composite Dataset for Multi-domain Semantic Segmentation
This media is not supported in your browser
VIEW IN TELEGRAM
Slime Volleyball Gym Environment
A simple gym environment for testing single and multi-agent reinforcement learning algorithms. Includes a few self-play training examples in python.
A simple gym environment for testing single and multi-agent reinforcement learning algorithms. Includes a few self-play training examples in python.
This media is not supported in your browser
VIEW IN TELEGRAM
MSeg: A Composite Dataset for Multi-domain Semantic Segmentation
John Lambert, Zhuang Liu, Ozan Sener, James Hays, and Vladlen Koltun
Computer Vision and Pattern Recognition (CVPR), 2020
John Lambert, Zhuang Liu, Ozan Sener, James Hays, and Vladlen Koltun
Computer Vision and Pattern Recognition (CVPR), 2020