🎥 Training & Testing Deep reinforcement learning (DQN) Agent - Reinforcement Learning p.6
👁 1 раз ⏳ 2917 сек.
Welcome to part 2 of the deep Q-learning with Deep Q Networks (DQNs) tutorials. In the previous tutorial, we were working on our DQNAgent class, an...

​Saving £millions for the NHS with Pandas

🔗 Saving £millions for the NHS with Pandas
Showing how the UK National Health Service can use the data analysis tool, Pandas, to save millions of pounds on pharmaceutical costs.

​Using Artificial Intelligence Methods To Win In Poker

🔗 Using Artificial Intelligence Methods To Win In Poker
Originally written in 2015, this articles reviews the state-of-the-art in poker research at the time & how BCI technology can influence it.

​Understanding Gradient Boosting Machines — using XGBoost and LightGBM parameters

🔗 Understanding Gradient Boosting Machines — using XGBoost and LightGBM parameters
A quick, practical introduction to GBMs so you can stop using them as black-boxes

🎥 Machine Learning Sentiment Analysis And Word Embeddings Python Keras Example
👁 1 раз ⏳ 695 сек.
In this video, we cover word embeddings and how they relate to machine learning. Specifically, we walk through an example of how to implement sentiment analysis using word embeddings in Python.

CONNECT
Site: https://coryjmaklin.com/
Medium: https://medium.com/@corymaklin
GitHub: https://github.com/corymaklin
Twitter: https://twitter.com/CoryMaklin
Linkedin: https://www.linkedin.com/in/cory-makl...
Facebook: https://www.facebook.com/cory.maklin
Patreon: https://www.patreon.com/corymaklin

​An introduction to high-dimensional hyper-parameter tuning

🔗 An introduction to high-dimensional hyper-parameter tuning
Best practices for optimizing ML models

🎥 Распознавание человека по лицу | Проекты по нейросетям
👁 4644 раз ⏳ 871 сек.
Проект распознавания и верификации человека по лицу с помощью глубоких нейронных сетей.
Проекты по глубоким нейронным сетям - https://goo.gl/Bqnpc...

🎥 13 - ML & CV. Семинар: Строим первую нейронную сеть
👁 1 раз ⏳ 981 сек.
Лектор: Игорь Слинько

Код доступен в репозитории курса https://github.com/SlinkoIgor/Neural_Networks_and_CV/blob/master/module03_sin_prediction.ip...

​Demystifying Tensorflow Time Series: Local Linear Trend

🔗 Demystifying Tensorflow Time Series: Local Linear Trend
Learn how Tensorflow uses linear dynamical system, Kalman filter and variational inference to model time series and make predictions.

​Unsupervised State Representation Learning in Atari

🔗 Unsupervised State Representation Learning in Atari
State representation learning, or the ability to capture latent generative factors of an environment, is crucial for building intelligent agents that can perform a wide variety of tasks. Learning such representations without supervision from rewards is a challenging open problem. We introduce a method that learns state representations by maximizing mutual information across spatially and temporally distinct features of a neural encoder of the observations. We also introduce a new benchmark based on Atari 2600 games where we evaluate representations based on how well they capture the ground truth state variables. We believe this new framework for evaluating representation learning models will be crucial for future representation learning research. Finally, we compare our technique with other state-of-the-art generative and contrastive representation learning methods.

🎥 PyData-трек
👁 6 раз ⏳ 14018 сек.
___________________________

ТЕХНОСТРИМ - образовательный канал для IT специалистов.
___________________________

ПОДПИСЫВАЙСЯ, ЕСЛИ ТЕБЕ ИНТЕРЕСНО...

🎥 Explaining AI: Putting Theory into Practice | Data Council SF '19
👁 1 раз ⏳ 2471 сек.
Download Slides: https://www.datacouncil.ai/talks/building-explainable-ai

WANT TO EXPERIENCE A TALK LIKE THIS LIVE?

Barcelona: https://www.dataco...

​Stand Up for Best Practices:

🔗 Stand Up for Best Practices:
Misuse of Deep Learning in Nature’s Earthquake Aftershock Paper

​Benchmarking Python Distributed AI Backends with Wordbatch

🔗 Benchmarking Python Distributed AI Backends with Wordbatch
A comparison of the three major backend schedulers: Spark, Dask and Ray

​Artificial Intelligence in Supply Chain Management: Predictive Analytics for Demand Forecasting

🔗 Artificial Intelligence in Supply Chain Management: Predictive Analytics for Demand Forecasting
Utilizing data to drive operational performance

🎥 Цвет, тип и толщина линии в matplotlib. Визуализация данных. Python для научной работы
👁 1 раз ⏳ 896 сек.
Видеолекция по применению Python для визуализации данных. В этом видео разбираем как изменить стиль графика в matplotlib. Занятие будет полезно все...

​Mixing Topology and Deep Learning with PersLay

🔗 Mixing Topology and Deep Learning with PersLay
In a former post, I presented Topological Data Analysis and its main descriptor, the so-called persistence diagram. In this post, I would…

🎥 Deep Learning Tutorial with Python | Machine Learning with Neural Networks [Top Udemy Instructor]
👁 1 раз ⏳ 10210 сек.
In this video, Deep Learning Tutorial with Python | Machine Learning with Neural Networks Explained, Udemy instructor Frank Kane helps de-mystify t...

​Adapters: A Compact and Extensible Transfer Learning Method for NLP - Medium

🔗 Adapters: A Compact and Extensible Transfer Learning Method for NLP - Medium
Adapters obtain comparable results to BERT on several NLP tasks while achieving parameter efficiency.

​Обфускация данных для тестов производительности

Пользователи ClickHouse знают, что его главное преимущество — высокая скорость обработки аналитических запросов. Но как мы можем выдвигать такие утверждения? Это должно подтверждаться тестами производительности, которым можно доверять. О них мы сегодня и поговорим.

Такие тесты мы начали проводить в 2013 году, задолго до того, как продукт стал доступным в опенсорсе. Как и сейчас, тогда нас больше всего интересовала скорость работы данных сервиса Яндекс.Метрика. Мы уже хранили данные в ClickHouse с января 2009 года. Часть данных записывалась в базу с 2012 года, а часть — была переконвертирована из OLAPServer и Metrage — структур данных, которые использовались в Яндекс.Метрике раньше. Поэтому для тестов мы взяли первое попавшееся подмножество из 1 миллиарда данных о просмотрах страниц. Запросов в Метрике ещё не было, и мы придумали запросы, больше всего интересные нам самим (всевозможные виды фильтрации, агрегации и сортировки).

ClickHouse тестировался в сравнении с похожими системами, например, Vertica и MonetDB. Для честности тестирования его проводил сотрудник, который до этого не был разработчиком ClickHouse, а частные случаи в коде не оптимизировались до получения результатов. Похожим образом мы получили набор данных и для функциональных тестов.

После того, как ClickHouse вышел в опенсорс в 2016 году, к тестам стало больше вопросов.
https://habr.com/ru/company/yandex/blog/457354/

🔗 Обфускация данных для тестов производительности
Пользователи ClickHouse знают, что его главное преимущество — высокая скорость обработки аналитических запросов. Но как мы можем выдвигать такие утверждения? Это...

​PyTorch

🔗 PyTorch
An open source deep learning platform that provides a seamless path from research prototyping to production deployment.