Попытка демистифицировать глубокое обучение на графах.

https://proglib.io/w/b8fdad18

Один интересный трюк для сжатия сверточных сетей для TinyML.

https://proglib.io/w/01756f56

Practical Machine Learning for Computer Vision (2021)
Авторы: Valliappa Lakshmanan, Martin Görner, Ryan Gillard
Количество страниц: 482

В этой практической книге показано, как использовать модели машинного обучения для извлечения информации из изображений. Инженеры машинного обучения и специалисты по обработке данных узнают, как решать различные задачи работы с изображениями, включая классификацию, обнаружение объектов, автокодировщики, генерацию изображений, подсчет и создание субтитров с помощью проверенных методов машинного обучения. Эта книга представляет собой отличное введение в сквозное глубокое обучение: создание наборов данных, предварительная обработка данных, проектирование модели, обучение модели, оценка, развертывание и интерпретируемость.

Скачать книгу

Эксперименты с CLIP + VQGAN для создания изображений, созданных искусственным интеллектом.

https://proglib.io/w/8f454707

Курс MIT «Введение в глубокое обучение».

https://proglib.io/w/7dd2d141

LabelMe - DataScience blog - это канал про искусственный интеллект и машинное обучение.

Мы, как и ты, любим технологии и внимательно следим за индустрией. Каждый день мы находим :

• свежие новости по DS, ML, AI
• подробные туториалы, инструкции и руководства
• новые алгоритмы и колабы
• дипфейки и мемы

Если хочешь всегда быть в курсе и первым узнавать о новинках из мира Data Science - подписывайся на наш канал.

Подписаться

10 лучших инструментов для инженеров по обработке данных.

https://proglib.io/w/e8c514af

Разбор топ-10 алгоритмов Data Science.

https://youtu.be/F6-YizP493c

Statistics With R: Solving Problems Using Real-World Data (2020)
Автор: Jenine K. Harris
Количество страниц: 784

Опираясь на примеры из поведенческих и социальных наук, книга Дженин К. Харрис представляет основополагающие концепции статистики с помощью удобного для новичков подхода к программированию на языке R. В книге разобраны самые разные проекты и методы работы с языком. Особое внимание уделяется практической части работы.

Скачать книгу

Сознательный ИИ может быть в пределах досягаемости.

https://proglib.io/w/61a17bb0

OpenAI только что выпустила улучшенную версию Codex, системы искусственного интеллекта, которая переводит естественный язык в код и поддерживает GitHub Copilot через свой API в приватной бета-версии.

https://proglib.io/w/45be1aa9

6 сентября стартует новый поток курса о данных в энтерпрайзе. Это первая подобная программа в России. Ее разработали создатели MDM- и CDI-решений из компании HFLabs.

🧑‍💻 Для кого

Подойдет всем, кто работает или хочет работать с клиентскими данными в крупной компании.

Специальность не имеет значения: полезно аналитикам, архитекторам, тестировщикам, инженерам по данным.

📚 Программа

Пять дней, пять преподавателей, пять модулей:
1. Предпосылки создания MDM-системы. Проектирование модели данных.
2. Построение MDM-системы: структура и правила работы с данными.
3. Добавление новых источников в MDM-систему.
4. Получение данных из эталонной клиентской базы. Обратное распространение.
5. Управление качеством данных в MDM-системе.

🧙‍♂️ Преподаватели

Эти специалисты работают с клиентскими данными в ВТБ, «Открытии», «Росгосстрахе», МТС. Каждый «закрыл» десяток проектов для крупного бизнеса.

🏃‍♀️ Студенты уже регистрируются

Мест всего 16, разбирают быстро. Лучше не медлить.

Узнать больше https://bit.ly/37J0DHL

Глава лаборатории искусственного интеллекта в компании, стоящей за TikTok, ушел из частного сектора и присоединился к Калифорнийскому университету в Санта-Барбаре.

https://proglib.io/w/c28a9c7c

bagua: Распределенная обучающая библиотека для PyTorch на молниеносной скорости.

https://proglib.io/w/478f37f2

3 вещи, которые нельзя делать при изучении науки о данных.

https://proglib.io/w/e748a9ae

Machine Learning in Finance (2020)
Авторы: Matthew F. Dixon, Igor Halperin, Paul Bilokon
Количество страниц: 573

Эта книга знакомит читателя с использованием методов машинного обучения в сфере финансов. В ней реализован уникальный подход к машинному обучению и различным статистическим и вычислительным дисциплинам в количественных финансах, таким как финансовая эконометрика и стохастическое управление с дискретным временем, с акцентом на то, как теории и гипотезы определяют выбор алгоритма для моделирования финансовых данных и принятия решений.
Благодаря тенденции к увеличению вычислительных ресурсов и расширению наборов данных машинное обучение стало важным набором навыков для финансовой индустрии.

Скачать книгу

6 вопросов, которые мне задали на Data Science собеседовании.

https://proglib.io/w/b55ad664

Давно задумываетесь об интересной карьере в сфере IT? Хотите узнать, как с помощью data-аналитики повышать эффективность бизнеса? Познакомьтесь с основами обработки и анализа данных на онлайн-занятиях Skillbox: 👉 https://clc.am/E3tauA.

📢 Встречаемся в прямом эфире 16 августа в 21:00 по московскому времени!

Чему вы научитесь?

💫 Применять язык программирования Python для data-аналитики.
💫 Восстанавливать недостающие данные.
💫 Находить аномалии в данных.
💫 Использовать актуальные библиотеки.
💫 Решать реальные задачи, с которыми сталкивается Data Scientist.


🏆 Все участники, дошедшие до финала интенсива, получат в подарок электронную книгу Кей Петерсон и Дэвида Колба «Век живи — век учись» от издательства МИФ. А те, кто сдаст домашнее задание, — сертификаты на 15 000 рублей для поступления на любой курс Skillbox.

Геометрическое глубокое обучение: сетки, группы, графики.

https://proglib.io/w/b0545d8e

Запросы к базе данных SQL с помощью SQL Alchemy.

https://proglib.io/w/6f2785e4

TensorFlow 2 Pocket Reference (2021)
Автор: KC Tung
Количество страниц: 256

Этот простой в использовании справочник по шаблонам проектирования TensorFlow 2 поможет вам принимать обоснованные решения в различных вариантах использования фреймворка. Автор обращается к общим темам и задачам в области науки о данных и машинного обучения, а не сосредотачивается на самом TensorFlow. Когда и почему вы должны использовать обучающие данные из NumPy или из набора потоковых данных? Как настроить кросс-валидацию в процессе обучения? Как использовать предварительно обученную модель с помощью transfer learning? Как выполнять настройку гиперпараметров? Справочник поможет быстро найти ответ на все вопросы.

Скачать книгу