​Kaggle Reading Group: Learning from Dialogue after Deployment (Part 2) | Kaggle

🔗 Kaggle Reading Group: Learning from Dialogue after Deployment (Part 2) | Kaggle
This week we continue with the paper "Learning from Dialogue after Deployment: Feed Yourself, Chatbot!" by Hancock et al, 2019. (Published at ACL 2019 in Venice.) Link to paper: https://www.aclweb.org/anthology/P19-1358.pdf About Kaggle: Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data science work. Kaggle's platform is the fastest way to get started on a new data science project. Spin up a Jupyter notebook with a single click. Build with

​Learning to Balance: Bayesian Meta-Learning for Imbalanced and...

🔗 Learning to Balance: Bayesian Meta-Learning for Imbalanced and...
While tasks could come with varying the number of instances and classes in realistic settings, the existing meta-learning approaches for few-shot classification assume that number of instances per...

🎥 Р.В. Шамин. Лекция № 9 Практика применения методов классификации в задачах механики
👁 4 раз ⏳ 4042 сек.
Курс "Машинное обучение и искусственный интеллект
в задачах механики", читаемый в Математическом институте им. В.А. Стеклова РАН: https://www.mathnet.ru/conf1618

Машинное обучение

1 - Машинное обучение. Обзор методов оптимизации I
2 - Машинное обучение. Обзор методов оптимизации II
3 - Машинное обучение. Один эксперимент
4 - Машинное обучение. Оценка качества
5 - Машинное обучение. Оценка качества II
6 - Машинное обучение. Instance based learning
7 - Машинное обучение. Линейные модели
8 - Машинное обучение. Линейные модели II
9 - Машинное обучение. Деревья решений
10 - Машинное обучение. Деревья решений II

Больше видео в альбоме: https://vk.cc/8VTY2c

#video #ai

🎥 1 - Машинное обучение. Обзор методов оптимизации I
👁 497 раз ⏳ 6158 сек.
Машинное обучение

🎥 2 - Машинное обучение. Обзор методов оптимизации II
👁 58 раз ⏳ 4209 сек.
Лекция №2 в курсе "Машинное обучение, часть 1", осень 2016
Преподаватели курса: Игорь Евгеньевич Куралёнок, Никита Игоревич Поваров, Сергей Андреев...

🎥 3 - Машинное обучение. Один эксперимент
👁 53 раз ⏳ 2873 сек.
Лекция №3 в курсе "Машинное обучение, часть 1", осень 2016
Преподаватели курса: Игорь Евгеньевич Куралёнок, Никита Игоревич Поваров, Сергей Андреев...

🎥 4 - Машинное обучение. Оценка качества
👁 48 раз ⏳ 4987 сек.
В этой лекции будут рассказано как можно и нужно оценивать качество машинного обучения.

Лекция №4 в курсе "Машинное обучение, часть 1", осень 2016...

🎥 5 - Машинное обучение. Оценка качества II
👁 25 раз ⏳ 5114 сек.
Продолжим разговор про оценку качества машинного обучения.

Лекция №5 в курсе "Машинное обучение, часть 1", осень 2016
Преподаватели курса: Игорь Е...

🎥 6 - Машинное обучение. Instance based learning
👁 25 раз ⏳ 5297 сек.
В этой лекции рассказано о самом работающем методе в машинном обучении. О методе ближайших соседей.

Лекция №6 в курсе "Машинное обучение, часть 1"...

🎥 7 - Машинное обучение. Линейные модели
👁 31 раз ⏳ 5322 сек.
На этой лекции будет рассказана вся правда про линейные модели.

Лекция №7 в курсе "Машинное обучение, часть 1", осень 2016
Преподаватели курса: Иг...

🎥 8 - Машинное обучение. Линейные модели II
👁 25 раз ⏳ 4568 сек.
На предыдущей лекции про линейные модели было рассказано только про постановку самой задачи, её простое решение и свойствах этого решения по теорем...

🎥 9 - Машинное обучение. Деревья решений
👁 41 раз ⏳ 5092 сек.
В этой лекции рассмотрены базовые деревья решений.

Лекция №9 в курсе "Машинное обучение, часть 1", осень 2016
Преподаватели курса: Игорь Евгеньеви...

🎥 10 - Машинное обучение. Деревья решений II
👁 48 раз ⏳ 4751 сек.
Продолжаем разговор о деревьях решений.

Лекция №10 в курсе "Машинное обучение, часть 1", осень 2016
Преподаватели курса: Игорь Евгеньевич Куралёно...

​Labeling Legal Documents Using Machine Learning

🔗 Labeling Legal Documents Using Machine Learning
Introduction

​Secret element that helped me learn machine learning!

🔗 Secret element that helped me learn machine learning!
It will help even if you’re not good at mathematics.

​Что такое Интернет вещей и как он поможет предприятиям зарабатывать больше?

Мы находимся на пороге четвертой промышленной революции. В развитых и развивающихся странах, в каждом уголке планеты, наступит полная автоматизация производства.

Мы движемся вперед с невероятной скоростью. Десять лет назад было около 500 миллионов устройств, подключенных к сети. Сегодня их уже около 10-20 миллиардов.

Индустрия 4.0 приведет к ультраавтоматизации производственных процессов, увеличению производительности труда, экономическому росту и конкурентоспособности предприятий.
С развитием информационных технологий мир меняется кардинальным образом. Если раньше для мониторинга и получения информации с окружающих нас объектов требовалось несколько недель, десяток специалистов и финансовые вложения, то теперь достаточно одной платформы и пары «кликов» мышью.

IoT технологии открывают фантастические возможности для бизнеса и меняют саму природу продукта.

🔗 Что такое Интернет вещей и как он поможет предприятиям зарабатывать больше?
Мы находимся на пороге четвертой промышленной революции. В развитых и развивающихся странах, в каждом уголке планеты, наступит полная автоматизация производств...

​Что изучают на специальности Data Science в зарубежных вузах
«Будь то компания, предоставляющая финансовые услуги, которая хочет снизить риски, или ритейлер, пытающийся предсказать поведение покупателей, сценарий применения ИИ и машинного обучения основан на эффективной стратегии использования данных», — слова Рёхея Фуджимаки, основателя компании dotData и самого молодого научного сотрудника в истории 119-летней IT-корпорации NEC.
С ростом спроса, растет и количество программ Data Science в университетах. Какие модули изучают студенты, какие визовые возможности предусмотрены для выпускников вузов — разбираемся ниже.

🔗 Что изучают на специальности Data Science в зарубежных вузах
«Будь то компания, предоставляющая финансовые услуги, которая хочет снизить риски, или ритейлер, пытающийся предсказать поведение покупателей, сценарий применени...

​HoloGAN (A new generative model) learns 3D representation from natural images

Article: https://arxiv.org/pdf/1904.01326.pdf

Code: https://github.com/thunguyenphuoc/HoloGAN/

Dataset: https://mmlab.ie.cuhk.edu.hk/projects/CelebA.html

🔗 thunguyenphuoc/HoloGAN
HoloGAN. Contribute to thunguyenphuoc/HoloGAN development by creating an account on GitHub.

​Квантовая ставка Google на ИИ – и что она означает для всего человечества
У Google есть больше вычислительных мощностей, данных и талантливых специалистов для работы над искусственным интеллектом, чем у любой другой компании на Земле – и она не замедляет темп. Поэтому не должны замедлять темп и люди.

Человеческий мозг – забавная штука. Какие-то воспоминания остаются с нами навсегда: рождение ребёнка, автомобильная авария, день выборов. Но мы можем сохранять только некоторые детали – цвет двери акушерского отделения, запах избирательного участка – а другие подробности, типа лица медсестры, или то, как мы были одеты в момент ДТП, исчезают. Сундар Пичаи, генеральный директор Google, навсегда запомнит день, когда ИИ вышел из лаборатории.

«Это было в 2012-м, я находился в одной комнате с небольшой командой, где было всего несколько человек», — рассказывает он. Джефф Дин, легендарный программист из Google, помогавший писать поисковый движок, работал над новым проектом, и хотел, чтобы Пичаи на него взглянул. «Каждый раз, когда Джефф хочет показать вам что-то новое, вы испытываете радостное возбуждение», — говорит он.

🔗 Квантовая ставка Google на ИИ – и что она означает для всего человечества
У Google есть больше вычислительных мощностей, данных и талантливых специалистов для работы над искусственным интеллектом, чем у любой другой компании на Земле –...

​Applied Deep Learning — Umberto Michelucci (en) 2018

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Applied Deep Learning (en).pdf - 💾13 210 772

​Конспект по «Машинному обучению». Математическая статистика. Метод максимального правдоподобия

Вспомним некоторые определения математической статистики
Пусть задано вероятностное пространство .

Определение 1:
Случайной величиной , принимающей значения в множестве c -алгеброй подмножеств называется любая -измеримая функция , то есть выполняется условие .

🔗 Конспект по «Машинному обучению». Математическая статистика. Метод максимального правдоподобия
Вспомним некоторые определения математической статистики Пусть задано вероятностное пространство . Определение 1: Случайной величиной , принимающей значения в...

​Deep learning reveals cancer metastasis and therapeutic antibody targeting in whole body
https://www.biorxiv.org/content/biorxiv/early/2019/02/05/541862.full.pdf

🔗

​Bjarne Stroustrup: C++ | Artificial Intelligence (AI) Podcast

🔗 Bjarne Stroustrup: C++ | Artificial Intelligence (AI) Podcast
Bjarne Stroustrup is the creator of C++, a programming language that after 34 years is still one of the most popular and powerful languages in the world. (Note: I accidentally said 40 in the introduction, C++ will turn 40 in 2025.) Its focus on fast, stable, robust code underlies many of the biggest systems in the world that we have come to rely on as a society. If you're watching this on YouTube, many of the critical back-end component of YouTube are written in C++. Same goes for Google, Facebook, Amazon,

​5. Углубленный Python. Часть 1. Курс "ВВЕДЕНИЕ В АНАЛИЗ ДАННЫХ" | Технострим

🔗 5. Углубленный Python. Часть 1. Курс "ВВЕДЕНИЕ В АНАЛИЗ ДАННЫХ" | Технострим
Лекция №5 "Углубленный Python. Часть 1". Курс "Введение в анализ данных" Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова Другие лекции этого курса: https://bit.ly/2P7ZUaD 📝 ПОДРОБНЕЕ О КУРСЕ: Описание и программа: https://bit.ly/2JbZnRw Короткое видео о курсе: https://youtu.be/c_jihi3MuOU Цель курса — познакомить слушателей с сферой анализа данных, основными инструментами, задачами и методами, с которыми сталкивается исследователь данных в работе. 👨‍🎓 ВМЕСТЕ С ЭТИМ КУРСОМ РЕКОМЕНДУЕМ ИЗУЧИТЬ: Курс "

​Lecture #8a: Neural Networks and Deep Learning on 11/4/2019 Mon

🔗 Lecture #8a: Neural Networks and Deep Learning on 11/4/2019 Mon
Lecture #8a: Neural Networks and Deep Learning CIS 419/519 2019C Applied Machine Learning on 11/4/2019 Mon

​Павел Петроченко, Денис Денисенко || Musket – deep learning для крестьян (программистов)

🔗 Павел Петроченко, Денис Денисенко || Musket – deep learning для крестьян (программистов)
Сказ о том, как мужики пайплайн писали. Запись доклада Павла Петроченко и Дениса Денисенко на конференции DataFest Siberia 2019, Новосибирск.

​Theoretical Deep Learning #2: PAC-bayesian bounds. Part3

🔗 Theoretical Deep Learning #2: PAC-bayesian bounds. Part3
We are dealing with PAC-bayesian bounds formulated naturally for stochastic classifiers. We discuss several methods for applying these bounds to deterministic classifiers found by gradient descent. Find all relevant info on github page: https://github.com/deepmipt/tdl2 Our open-source framework to develop and deploy conversational assistants: https://deeppavlov.ai/

​Двоичный алгоритм машинного обучения с динамической структурой

Если рассматривать сегодняшние алгоритмы машинного обучения с движением от невежества (низ) к осознанию (верх) то текущие алгоритмы похожи на прыжок. После прыжка происходит замедление скорости развития (обучающая способность) и неминуемый разворот и падение (переобучение). Все усилия сводятся к попыткам приложить как можно больше сил к прыжку, что увеличивает высоту прыжка но кардинально не меняет результатов. Прокачивая прыжки мы увеличиваем высоту, но не учимся летать. Для освоения техники «контролируемого полета» потребуется переосмыслить некоторые базовые принципы.

🔗 Двоичный алгоритм машинного обучения с динамической структурой
Если рассматривать сегодняшние алгоритмы машинного обучения с движением от невежества (низ) к осознанию (верх) то текущие алгоритмы похожи на прыжок. После пры...

​A GPT-2 style model for dialog
A State-of-the-Art Large-scale Pretrained Response generation model (DialoGPT)
code https://github.com/microsoft/DialoGPT
paper https://arxiv.org/pdf/1911.00536.pdf

🔗 microsoft/DialoGPT
Large-scale pretraining for dialogue. Contribute to microsoft/DialoGPT development by creating an account on GitHub.

​Healthcare Fraud Detection With Python

🔗 Healthcare Fraud Detection With Python
The importance of exploratory data analysis