Надвигается Хэллоуин, скоро улицы заполонят подростки с разрисованными лицами и странными прическами. Нетология предлагает отметить этот день по-другому: примерить на себя не ведьминскую шляпу, а образ диджитал-спеца — и выиграть один из 5-ти онлайн-курсов!

С этими курсами вы сможете освоить классную интернет-профессию: стать дизайнером, маркетологом, аналитиком, разработчиком, управленцем в диджитал.

Правила просты: с 21 октября по 3 ноября выбери интересующее направление в диджитал, расскажи об этом друзьям — готово! И твоя жизнь уже не будет прежней…

Перемены начинаются здесь https://netolo.gy/e5b

Наиболее полный гайд по работе с SQL в Data Science
Думаете, SQL не нужен в Data Science? Ошибаетесь. Расскажем об основах SQL и на примерах покажем, как использовать этот инструмент при работе с большими наборами данных.

#статьядня

https://prglb.ru/3dnuj

Как использовать графические процессоры NVIDIA для машинного обучения на новом ПК Data Science от Maingear

В этой статье мы поговорим о некоторых из этих библиотек RAPIDS и узнаем немного больше о новом ПК Data Science от Maingear.

#статьядня

https://prglb.ru/3ex93

Реалистичная анимация персонажей в играх с помощью ИИ
Обученная на Motion Capture траекториях нейросеть пытается копировать движения реальных людей, но при этом адаптирует их под персонажей видеоигр.

#статьядня

https://prglb.ru/8d3

Спекуляция по машинному обучению
Автор попытается осмыслить происходящее в ML сегодня, и понять, куда ML будет двигаться завтра.

#статьядня

https://prglb.ru/302mh

Классификация, регрессия и другие алгоритмы Data Mining с использованием R

В данной книге особое внимание уделяется сравнительной оценке эффективности и поиску оптимальных областей значений гиперпараметров моделей с использованием пакета caret для статистической среды R. Рассматриваются такие алгоритмы Data Mining, как генерация ассоциативных правил и анализ последовательностей. Отдельная глава посвящена методам многомерной ординации данных и различным алгоритмам кластерного анализа.

#книгадня

https://prglb.ru/kj1n

TF Jam — Shooting Hoops with Machine Learning

В этой статье мы рассмотрим использование Unity3D и TensorFlow, чтобы научить ИИ выполнять простую внутриигровую задачу: бросать шары в обруч.

#статьядня

https://prglb.ru/52ubw

Deploy модели машинного обучения с помощью TensorFlow 2.0

В Tensorflow есть множество всесторонних инструментов и библиотек, которые позволяют разработчику или исследователю создать мощную модель ИИ и внедрить её на практике.
Tensorflow 2.0 отлично подходит для разработчиков ИИ, потому что теперь стало проще, чем когда-либо, разрабатывать модели ИИ ( несколько строк кода) и внедрять эти модели на практике.

#видеодня

https://prglb.ru/14j6f

Прими участие в бесплатном интенсиве по Data Science и построй модель машинного обучения на Python, способную предсказывать курс доллара!

Ссылка для регистрации 🔜 https://clc.to/RQL3pA

✔️ Настроим рабочее окружение.
✔️ Проведем экспресс-введение в Python.
✔️ Построим модель от начала до конца.
✔️ Проведем ревью работ участников.


🏃‍♂️ Не упусти шанс получить грант на 30 000 рублей для обучения в Skillbox!

Numpy: что изменилось и что изменится?

Speaker: Matti Picus
Event: PyCon Israel 2019

#видеодня

https://prglb.ru/1byxb

Это робот CAVIN, который учится стратегически взаимодействовать с несколькими объектами в разных задачах для иерархической генерации планов в изученных скрытых пространствах.

Обучение прогнозированию без оглядки в будущее: мировые модели без прямого предсказания
"Прогнозное моделирование может возникнуть как побочный эффект оптимизации при правильных обстоятельствах".
Отличная работа Дэниела Фримана, Люка Меца , Дэвида Ха на примере анимации модели среды CartPole.

Картпол (известный также как CartPole или Перевернутый маятник) — это модель среды, в которой можно управлять тележкой. По ее центру прикреплен маятник с центром тяжести над точкой поворота. Цель состоит в том, чтобы сохранить равновесие карпола, прикладывая соответствующие усилия к точке поворота.

Чтобы достичь желаемого поведения агента, который учится на своих ошибках и улучшает свою производительность, используется концепция обучения с подкреплением. Это общая концепция, которую можно просто описать с помощью агента, который выполняет действия в среде, чтобы максимизировать его совокупное вознаграждение. Основная идея очень реалистична, поскольку, подобно людям в реальной жизни, агенты в алгоритмах концепции поощряются наказанием за плохие действия и вознаграждением за хорошие.

В 2013 году Google DeepMind опубликовал свою знаменитую статью «Playing Atari with Deep Reinforcement Learning» , в которой представил новый алгоритм Deep Q Network (сокращенно DQN). Он продемонстрировал, как агент ИИ может научиться играть в игры, просто наблюдая за экраном без какого-либо предварительная информация об этих играх. Результат оказался довольно впечатляющим. Эта статья и открыла эпоху так называемого «глубокого обучения с подкреплением», сочетания глубокого обучения и обучения с подкреплением.

Потрясающая генерация местности через обучение глубоким нейронным сетям!😱

"Вдохновленные этой новой геометрической проницательностью, мы также предлагаем новый метод ансамблирования под названием «Fast Geometric Ensembling» (FGE)", — в статье Тимура Гарипова, Павла Измайлова и др.

⁠​​Глубокое обучение на Python
Автор: Франсуа Шолле

Книга содержит информацию по основам глубокого обучения. Прочитав эту книгу, вы будете четко понимать, что такое глубокое обучение, когда оно применимо и какие ограничения имеет. Вы познакомитесь со стандартным процессом интерпретации и решения задач машинного обучения и узнаете, как бороться с часто встречающимися проблемами.

#статьядня

Скачать книгу:
https://prglb.ru/1e246

Танцы под музыку: в этой статье рассказывается о создании танца из музыки через декомпозицию в рамках обучения композиции. На этапе анализа танец разбиается на серию базовых танцевальных единиц, с помощью которых модель учится двигаться. На этапе синтеза модель изучает, как составлять танец, организовывая множество основных танцевальных движений плавно в соответствии с входной музыкой. Pytorch-реализация для танца генерации. :)

«Это было в Симпсонах!» За 30 лет Симпсоны показали, кажется, все сюжетные повороты, которые только можно представить. Или нет?

Создайте свой сценарий к эпизоду культового сериала с помощью машинного обучения на бесплатном марафоне от Нетологии по Data Science и ИИ!

Что вас ждёт:
• вы поймёте, что представляет из себя работа аналитика;
• узнаете, как искать нужные данные;
• ознакомитесь с основными профессиональными инструментами – SQL, Python и Machine Learning;
• классно проведёте время 😉

Регистрируйтесь по ссылке: https://netolo.gy/e6G

Робот, оснащенный искусственными аналогами ножек и игл морских ежей, был создан гарвардскими инженерами и представлен на конференции IROS 2019. Статья, в которой он описан, опубликована в IEEE Robotics and Automation Letters.

Несколько открытых инструментов для анализа данных

KNIME Analytics Platform — ведущий open source фреймворк для инноваций, зависящих от данных. Он поможет вам раскрыть скрытый потенциал ваших данных, найти новые свежие идеи, или предсказать будущие тенденции. KNIME Analytics Platform содержит в себе более 1000 модулей, сотни готовых к запуску примеров, широкий спектр интегрированных инструментов и широкий выбор современных доступных алгоритмов, определённо, это идеальный набор инструментов для любого специалиста в data science.

Как и KNIME, RapidMiner работает через визуальное программирование и способен обрабатывать, анализировать и моделировать данные. Благодаря открытому исходному коду платформы подготовки данных, машинного обучения и развертывания моделей RapidMiner дает командам, изучающим Data Science, больший простор для действий. Единая платформа для обработки данных ускоряет построение полных аналитических рабочих процессов — от подготовки данных и машинного обучения до проверки моделей и развертывания их в единой среде, что значительно повышает эффективность и сокращает время, затрачиваемое на проекты в сфере Data Science.

Weka, программное обеспечение с открытым исходным кодом, представляет собой набор алгоритмов машинного обучения для задач интеллектуального анализа данных. Алгоритмы могут быть применены непосредственно к набору данных или вызваны из вашего собственного Java-кода. Он также хорошо подходит для разработки новых схем машинного обучения, поскольку полностью реализован на языке программирования Java, а также поддерживает несколько стандартных задач интеллектуального анализа данных. Для тех, кто некоторое время не программировал, Weka с ее графическим интерфейсом, обеспечивает самый простой переход в мир Data Science. Для пользователей с опытом программирования на Java есть возможность встраивать в библиотеку свой собственный код.