Machine Learning Crash Course

В первом видео мы будем обучать нейронную сеть, чтобы различать темные и светлые цвета и выбирать подходящий цвет текста.
Ссылка на видео: https://www.youtube.com/watch?time_continue=1&v=9Hz3P1VgLz4
Исходники: https://codepen.io/anon/pen/NYRRQm?editors=1111

Во втором видео мы сделаем механизм рекомендаций в браузере с действительно хорошей производительностью.
Ссылка на видео: https://www.youtube.com/watch?v=lvzekeBQsSo
Исходники: https://codepen.io/willrstern/pen/WzZqpd

Вопросы для собеседования на позицию Data Scientist в топовых компаниях

Если изучаете Data Science и собираетесь трудоустраиваться, подготовьтесь к собеседованию по этой статье👇

https://proglib.io/p/data-scientist-questions/

Спецкурс «Введение в компьютерное зрение и глубокое обучение»

1. Введение в предмет. История. Свет и цвет
2. Основы обработки изображений
3. Особые точки. Сопоставление изображений
4. Введение в машинное обучение
5. Классификация изображений
6. Свёрточные нейросети. Часть 1
7. Свёрточные нейросети. Часть 2
8. Свёрточные нейросети. Часть 3. Базовые архитектуры и применения для распознавания лиц

Ссылка на плейлист:
https://www.youtube.com/playlist?list=PLDCK7Cej1W40jUpJDrDA3j3Tad9MA_4Px

7 трюков для глубокого обучения, о которых вы не знали

Неочевидные приемы для глубокого обучения, сокращающие время выполнения моделей и повышающие точность их результатов. Код прилагается.

https://proglib.io/p/deep-learning-tricks/

Капсульные сети

Британский информатик, один из отцов-основателей современного метода распознавания изображений — Джеффри Хинтон — опубликовал два исследования, в которых предлагает использовать для распознавания изображений новый вид нейронных сетей.

О том, что такое капсульные сети и для чего они нужны, читайте в нашей статье: https://proglib.io/p/capsule-networks/

Более подробная информация представлена в данных видеоуроках. Сперва познакомимся с тем, как работают сверточные сети: https://www.youtube.com/watch?v=FmpDIaiMIeA
А затем разберем капсульные сети (теория и практика): https://www.youtube.com/watch?v=VKoLGnq15RM

Учебный план освоения глубокого обучения и нейросетей за 6 недель

Глубокое обучение — темная магия наших дней, невероятно мощная и доступная практически всем, а не только таким гигантам, как Google, Amazon или Tesla.
План освоения глубокого обучения на базе открытых источников крупных университетов, статей и видеороликов специалистов анализа данных.

https://proglib.io/p/deep-learning-in-6-weeks/

Лекции по нейронным сетям

1. Введение в нейронные сети.
2. Машинное обучение в эпоху больших данных.
3. Перцептрон и однослойные сети.
4. Backpropagation. Многослойные нейронные сети.
5. Введение в свёрточные сети.
6. Современные CNN архитектуры.
7. Задачи детектирования и сегментации
8. Введение в RNN
9. Embeddings and data representation

Ссылка на плейлист с лекциями:
https://www.youtube.com/watch?v=23zhVwjrdU8&list=PL0Ks75aof3Th2vlYGtvL92YN7S_2bux1S

Самый понятный видеокурс о том, как работают нейросети

Нейронные сети произвели фурор в IT, и интерес к ним не угасает. Эта подборка видеолекций внесёт ясность в понимание процессов нейросети.

https://proglib.io/p/clear-neural-networks/

Машинное обучение

1. Задачи на графах в теории кодирования
2. SAT-солверы
3. Тензоры и глубокое обучение
4. Математические методы на примерах рекламных технологий и задач
5. Почти асинхронные вычисления
6. Мультимодальная кластеризация для анализа данных
7. Что же делает AlphaGo? Глубокое обучение с подкреплением
8. Порождение и обработка изображений
9. Открытые проблемы в глубинном обучении: байесовское решение
10. Внедрение программно определяемых сетей (SDN)
11. Комбинаторные задачи оптимизации для классификации сетевых пакетов
12. Соответствия Галуа
13. Современные подходы к построению диалоговых систем

Ссылка на плейлист:
https://www.youtube.com/watch?v=1fvcyk9_x68&list=PL-_cKNuVAYAVwvhnk-6V22MvKDWNrkXDJ

Искусственный интеллект и рост вычислительных мощностей

Кратко рассмотрен анализ компании OpenAI относительно основных закономерностей роста вычислительных мощностей в области ИИ.

https://proglib.io/p/ai-and-compute/

Машинное обучение, которое ускорит сайт

В статье приведена реальная проблема некоторых сайтов и ее решение с использованием machine learning.

https://proglib.io/p/fast-machine-learning/

Github библиотека со множеством примеров нейросетей

https://github.com/leriomaggio/deep-learning-keras-tensorflow

​​Очный курс для всех, кто хочет разобраться в машинном обучении → «Практический Machine Learning» (https://bit.ly/2yNa0ow) от SkillFactory

Cтартует курс по машинному обучению от SkillFactory. Длительность курса - 1,5 месяца. Занятия будут проходить в Москве.

На курсе вы получите практические знания по применению машинного обучения в бизнесе. И сможете начать карьеру как Data Scientist.

Программа курса:

1️⃣ Работа с языком Python
2️⃣ Применение различных алгоритмов машинного обучения: классификация, регрессии, работа с данными, текстами и другими моделями.
3️⃣ Создание http api-модели. Автоматическое переобучения модели и мониторинг результатов.
4️⃣ Выпускной хакатон. Командная работа.

Записаться на курс и получить полную программу можно по ссылке → https://bit.ly/2yNa0ow

Анализ данных на Python в примерах и задачах

1. Описательные статистики. Квантили, квартили. Гистограммы. Ядерные оценки плотности.
2. Описательные статистики. Ящики с усами. Выбросы. Медиана и среднее арифметическое как типичные наблюдения.
3. Иерархический кластерный анализ. Кластер, расстояния между объектами, расстояния между кластерами.
4. Метод к-средних. Примеры.
5. Проверка статистических гипотез). Гипотезы согласия, однородности, независимости, гипотезы о параметрах распределения.
6. Проверка статистических гипотез (процедуры Python).
7. A/B тестирование. Тест для пропорций.
8. Линейный регрессионный анализ. Модель, интерпретация оценок коэффициентов, множественный коэффициент детерминации.
9. Прогнозирование на основе регрессионной модели с сезонными индикаторными (фиктивными, структурными) переменными.

Лекции доступны по ссылке:
https://vk.com/videos288422991?section=album_7

FeatureSelector: отбор признаков для машинного обучения на Python

Поиск и отбор признаков в исходных данных является важнейшим этапом обучения. Рассмотрим 5 методов выборки и один удобный инструмент.

https://proglib.io/p/feature-selector/

Нейронные сети — мощный и многофункциональный инструмент, который применим в любой современной отрасли.
В лекциях представлены основные алгоритмы, задачи и методы, которые помогут лучше понять нейронные сети.

https://proglib.io/p/plain-neural-networks/

Вероятностный язык построения моделей машинного обучения

1. Байесовский подход к теории вероятностей. Байесовские рассуждения. Понятие о графических моделях.
2. Сопряженные распределения. Экспоненциальный класс распределений. Аналитический байесовский вывод.
3. Задача выбора модели в машинном обучении. Принцип наибольшей обоснованности.
4. Использование байесовского выбора модели в обобщенных линейных моделях регрессии и классификации.
5. ЕМ-алгоритм. Вариационный байесовский вывод. Примеры использования.
6. Латентное размещение Дирихле. Байесовская смесь гауссиан. Байесовский метод главных компонент.
7. Байесовские и марковские сети. Основные задачи и методы вывода в графических моделях.
8. Обучение графических моделей. Структурный метод опорных векторов.

Ссылка на плейлист:
https://www.youtube.com/playlist?list=PLlb7e2G7aSpR8mbaShVBods-hGaFGifkl

Подборка материалов по нейронным сетям с нашего сайта

Импульсные нейронные сети: мозг в компьютере
https://proglib.io/p/spiking-neural-networks/

Самый понятный видеокурс о том, как работают нейросети
https://proglib.io/p/clear-neural-networks/

Капсульные сети встряхивают AI: вот как их использовать
https://proglib.io/p/capsule-networks/

Учебный план освоения глубокого обучения и нейросетей за 6 недель
https://proglib.io/p/deep-learning-in-6-weeks/

TensorFlow.js: машинное обучение на JavaScript с доставкой в браузер

Для обучения модели обычно как разработчику, так и конечному потребителю моделей машинного обучения, требуется установка соответствующих библиотек. Однако в TensorFlow.js интерфейсом является браузер, поэтому при подключении скриптового файла исчезает необходимость в установке библиотек и отслеживании зависимостей, все «доставляется на дом».

https://proglib.io/p/tensorflow-js/

Анализ данных и Deep Learning

1. Примеры применения анализа данных, стандартные задачи и методы
2. Методы решения задачи классификации и регрессии
3. Кластеризация
4. Преобразование признаков
5. Введение в Text Mining
6. Введение в Deep Learning
7. Deep Learning for Data with Sequence Structure
8. Рекомендательные системы
9. Прогнозирование временных рядов

Ссылка на YouTube канал с видео: https://www.youtube.com/channel/UCop3CelRVvrchG5lsPyxvHg/videos