​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.

​Вакансия: Data Scientist в команду Financial Crime Russia
Компания: Revolut Россия
Город: Москва
Вилка: гибкая, по результатам собеседования, компенсация кэш + опционы

О компании: Мы одна из самый быстрорастущих финтех компаний в мире (https://www.revolut.com/), по сути строим глобальный онлайн-банк без границ. Уже работаем на территории всего Евросоюза и Австралии. Недавно пробили 5 млн пользователей по миру. В планах на этот год запуск в России, США, Канаде, Сингапуре и Японии.
Что делать: Под запуск в России набираем выделенную команду Financial Crime - разработка моделей для выявления сомнительных финансовых операций, анализ изображений ID документов на подделки и много другого очень интересного. Много инструментов уже разработаны на глобальном уровне, нужна будет адаптация и развертывание в российском бэке + написание специфичных моделей под Россию.

Формальное описание вакансии тут:
https://www.revolut.com/careers/location/moscow#data-scientist-f5b9776f-5975-42a1-b8ba-787c27ff2843

🔗 Your Digital Banking Alternative | Revolut
A world beyond banking - a secure, mobile-based current account that allows you to hold, exchange and transfer without fees in 29 different currencies.

🎥 When Deep Learning meets Production - Nadav Goldin - PyCon Israel 2019
👁 1 раз ⏳ 1286 сек.
When Deep Learning meets Production - Nadav Goldin - PyCon Israel 2019

🎥 Building text classifiers with Deep Learning frameworks - Inbal Horev - PyCon Israel 2019
👁 1 раз ⏳ 1200 сек.
Building text classifiers with state-of-the-art Deep Learning frameworks - Inbal Horev - PyCon Israel 2019

🎥 Что такое bias-variance tradeoff? Погружение в свёрточные нейронные сети. Часть 5.
👁 2 раз ⏳ 850 сек.
⚡⚡⚡ Введение в свёрточные нейронные сети (Convolutional Neural Networks)

Вводная часть к 5 главе курса.

- Что такое bias?
- Что такое variance?
- Что такое bias-variance tradeoff?
- 4 этапа "развития" обучающей модели (от необученной модели до переобученной)
- Почем именно компромисс и между чем?
- Что занимает 90% времени специалиста по машинному обучению?

💡 Меня интересуют следующие темы, а значит про них ты здесь и найдёшь больше всего информации:
- Технологии (разработка, программное обеспечение, МЛ,

​Can Machine Learning Read Chest X-rays like Radiologists?

🔗 Can Machine Learning Read Chest X-rays like Radiologists?
Using adversarial networks to achieve human-level performance for chest x-ray organ segmentation

​Deep dive into Catboost functionalities for model interpretation

🔗 Deep dive into Catboost functionalities for model interpretation
Do we really understand what happens inside ML models we build? Let’s explore.

🎥 Hidde Hovenkamp: SHAP and Beyond | PyData Amsterdam 2019
👁 1 раз ⏳ 1905 сек.
Single-image super-resolution (ISR) addresses the problem of reconstructing high-resolution images given their low-resolution (LR) counterparts. ISR finds use in various computer vision applications: from security and surveillance imaging, satellite imaging, medical imaging to object recognition. This ill-posed problem has multiple solutions for any LR input. Deep learning approaches, specifically convolutional neural networks (CNN) have proven to be able to achieve better results than the classic interpola

🎥 Sebenz.ai: Alex Conway | PyData Amsterdam 2019
👁 1 раз ⏳ 1349 сек.
Sebenza means "work" in isiXhosa and isiZulu, two popular languages in South Africa. Our mission is to create 1 million jobs in Africa. There is 28% unemployment in South Africa right now. Most of those people have a smartphone and they all have free time.

Sebenz.ai has 2 parts: 1. A machine learning (ML) labeling game that creates jobs for people in Africa who earn money on their phones by labeling training data for ML models 2. An interface where customers upload their own unlabelled data and we train a

​Neural Networks for Music Generation

🔗 Neural Networks for Music Generation
Can we reproduce artists’ creativity through AI?