Разбор реальной data science задачи.

https://proglib.io/w/2e79f4fa

dlib: набор инструментов C++ / Python для создания реальных приложений машинного обучения и анализа данных.

https://proglib.io/w/8c36468b

Визуализация автоэнкодеров с помощью Tensorflow.js.

https://proglib.io/w/408a1ed8

Triton: программирование на GPU с открытым исходным кодом для нейронных сетей.

https://proglib.io/w/bfefa28a

Оценка больших языковых моделей, обученных на коде.

https://proglib.io/w/6a656828

Чему научились языковые модели?

https://proglib.io/w/895afc0a

21 лекция по дискретной математике с факультета ВМК МГУ.

https://proglib.io/w/59f9740e

Курс лекций по линейной алгебре с физфака МГУ.

https://proglib.io/w/1346b90d

20 основных концепций из науки о данных для начинающих.

https://proglib.io/w/07bec666

Efficient Processing of Deep Neural Networks (2020)
Авторы: Vivienne Sze, Yu-Hsin Chen, Tien-Ju Yang, Joel S. Emer
Количество страниц: 342

В этой книге содержится структурированное описание ключевых принципов и методов обеспечения эффективной обработки глубоких нейронных сетей. DNN (Deep Neural Networks) в настоящее время широко используются во многих приложениях искусственного интеллекта, включая компьютерное зрение, распознавание речи и робототехнику. Хотя DNN обеспечивают высочайшую точность при выполнении многих задач искусственного интеллекта, это достигается за счет высокой вычислительной сложности. Следовательно, методы, которые позволяют эффективно обрабатывать глубокие нейронные сети для улучшения ключевых показателей, таких как энергоэффективность, пропускная способность и задержка, без ущерба для точности или увеличения затрат на оборудование, имеют решающее значение для обеспечения широкого развертывания DNN в системах искусственного интеллекта.

Скачать книгу

Как преобразовать статический график pandas с Matplotlib в интерактивный?

https://proglib.io/w/2df572cd

Быстрые и эффективные нейронные сети копируют мозг стрекозы.

https://proglib.io/w/07047577

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