Роботизированный телекинез: Мы создаем систему, которая позволяет любому человеку управлять рукой робота, просто демонстрируя движения собственной рукой. Робот наблюдает за человеком-оператором с помощью одной RGB-камеры и имитирует его действия в режиме реального времени. https://shly.link/5D1w1 Сайт проекта https://shly.link/tXnxR

Data Scientist vs Data Engineer vs Data Analyst

​"Яндекс.Практикум — это сервис онлайн-образования, доступный в России и Америке. Мы помогаем людям расти — на работе и в жизни.

Если у вас есть знания и опыт в области Data Engineering — вы можете стать ревьюером, который проверяет, оценивает и комментирует самостоятельные работы студентов.

Что делает ревьюер?
Студенты учатся с помощью онлайн-тренажёра, а также выполняют самостоятельные работы, которые проверяет, оценивает и комментирует команда специалистов. Роль ревьюера в этом процессе очень важна: он проверяет задания студента и даёт обратную связь. Именно ревьюер решает: зачесть задание или нет. Также он даёт советы по улучшению задания, отмечает неточности, указывает на ошибки.

Я хочу стать ревьюером. Меня возьмут?
Скорее всего — да, если вы:
— имеете опыт работы инженером данных, data scientist или аналитиком данных;
— умеете работать с SQL, Python, AirFlow, Spark;
— умеете доступно объяснять сложные вещи и оценивать чужую работу;
— готовы посвящать проекту от 10 часов в неделю;


Будет плюсом
— Опыт работы с Grafana / MongoDB / ClickHouse / ElasticSearch / LogStash / — Kibana / HDFS / Kafka / Greenplum.


Я подхожу. Что вы можете мне предложить?
— удаленную работу с частичной занятостью, объём работы определяется индивидуально;
— оклад 600 - 1 000 рублей за проверку одной работы;
— обучение развивающей коммуникации и грамотному подходу к проверке проектов;
— постоянную практику и углубление знаний;
— возможность стать частью сообщества аналитиков, делающих образование качественным и доступным;
— возможность помочь начинающим специалистам усвоить важные базовые вещи и поверить в себя.

Откликнуться по ссылке
Контакты: ТГ @HelenaTrishkina, [email protected]"

Интеграция #IoT и #MachineLearning Бесплатная электронная книга в формате PDF на 266 страниц

40 наборов аудиоданных с открытым исходным кодом для машинного обучения https://shly.link/iXPKJ

SeamlessGAN: метод, способный автоматически генерировать мозаичные текстурные карты из одного входного экземпляра. В отличие от большинства существующих методов, ориентированных исключительно на решение проблемы синтеза, в нашей работе решаются обе проблемы одновременно и синтеза, и мозаичности. https://arxiv.org/abs/2201.05120

Узнайте о том, как создать модель машинного обучения. Визуальное руководство по изучению науки о данных https://shly.link/tCTfS

Конспекты лекций, учебные задания, включая решения, а также онлайн-видео для курса обучения с подкреплением, организованного Падерборнским университетом. https://shly.link/ghaioD

Может ли машинное обучение заново открыть закон гравитации, просто наблюдая за нашей Солнечной системой? С нашим новым подходом ответ *ДА*. https://shly.link/DP151

SAHI: библиотека машинного зрения для крупномасштабного обнаружения объектов и сегментации экземпляров. https://shly.link/ghHarT

Статьи по искусственному интеллекту, которые стоит прочитать в 2022 году
Советы по чтению, чтобы быть в курсе последних и классических достижений в области искусственного интеллекта и науки о данных. https://shly.link/ZHP4o

Алгоритм Random Forests объясняется на реальном примере и с помощью кода Python

Random Forests - это алгоритм машинного обучения, который решает одну из самых больших проблем с деревьями решений: дисперсию. https://shly.link/x1Abj

Как создать простое веб-приложение для машинного обучения на Python

В этой статье я покажу вам, как создать простое веб-приложение для обработки и анализа данных на основе машинного обучения на Python с использованием библиотеки Streamlit, написав менее 50 строк кода. https://shly.link/RxEyM

Что в глубинах Data Lake?

На Хабр вышел отличный текст от технического руководителя Core Data Lake центра Big Data МТС о том, какие слои находятся внутри Data Lake, как построить архитектуру базы данных и чем распределенный Data Mesh-подход отличается от монолитного хранения данных.

В статье автор рассказал о задачах, архитектуре и проблемах развития Data lake, а также представил способы решения возникающих проблем, специфику процессов и перспективы развития.

Читать тут.

Исчисление для машинного обучения (мини-курс)

Уроки этого курса предполагают наличие у вас некоторых навыков, таких как:

-Вы разбираетесь в основах Python.
-Вы знаете основы линейной алгебры.
-Возможно, вы знаете некоторые базовые модели машинного обучения.
Вам НЕ нужно быть:

-Математическим гением!
-Экспертом по машинному обучению! https://machinelearningmastery.com/calculus-for-machine-learning-7-day-mini-course/?nowprocket=1

Практическое руководство по обнаружению объектов с помощью алгоритма YOLOv5

Подробное руководство, объясняющее, как эффективно обучить алгоритм обнаружения объектов YOLOv5 на вашем собственном наборе данных. https://shly.link/dzSh1

Сегментация изображения с использованием OpenCV

В этой статье мы будем работать над разработкой приложения, которое поможет в image-segmentation. https://shly.link/b1aPZ

StyleNeRF: основанный на стилях 3D-генератор для синтеза изображений с высоким разрешением
https://shly.link/ghAVZT

Дорожная карта машинного обучения

История алгоритмов машинного обучения

Алгоритмы машинного обучения сегодня могут выполнять экспоненциальные задачи — от освоения настольных игр и распознавания лиц до автоматизации повседневных задач.
Но было бы сложно поверить, что это развитие началось менее века назад с Уолтера Питтса и Уоррена МакКаллока. https://shly.link/gDe1h