​TRFL : TensorFlow Reinforcement Learning
A library of reinforcement learning building blocks
By DeepMind: https://github.com/deepmind/trfl
#DeepLearning #TensorFlow #ReinforcementLearning

🔗 deepmind/trfl
TensorFlow Reinforcement Learning. Contribute to deepmind/trfl development by creating an account on GitHub.

​BM Data Science and AI Programs on Coursera Free for 30 Days

https://onlinecoursesgalore.com/ibm-data-science-ai-coursera/

Курс: https://www.coursera.org/promo/ibmdscommunity?ranMID=40328&ranEAID

🔗 IBM Data Science and AI Programs on Coursera Free for 30 Days
Get 30 days of free access to IBM data science and artificial intelligence specialization and professional certificate program until June 2020 on Coursera

​В поисках «Годзиллы». Нейросети и прогнозирование котировок на основе биржевых и «внешних» данных

Эта работа вдохновлена статьей «Мечтают ли нейросети об электроденьгах?», где автор без преувеличения талантливо в своей доходчивости объясняет, почему использование искусственных нейросетей на голых биржевых данных не приводит к успеху. Вот особенно, на мой взгляд, удачный отрывок:
«Цена не формирует сама себя… Если рынок выразить как метафоричное озеро, то биржевой график это лишь рябь на воде. Может быть это ветер подул, может камень в воду бросили, может рыбы плеснула, может Годзилла прыгает в 200 километрах на батуте. Мы видим лишь рябь.»Действительно, пытаться предсказать поведение ряби на следующий день, имея в распоряжении только лишь данные о поведении ряби в прошлом, видится, как минимум, самонадеянным. Не тот масштаб модели. Поведение водной глади формируется за счет множества внешних и внутренних по отношению к водоему факторов. И вот на этом моменте мое любопытство не позволило мне пройти мимо. А что если все-таки поработать с этими факторами? Что получиться, если учесть их в модели данных, предназначенных для «кормежки» нейросети?
«Но как же учесть миллионы, если не миллиарды возможных факторов влияющих на наш метафорический водоем?» — спросите вы. А я отвечу, что нас не интересуют ни движение мальков, ни случайно упавший с близлежащей скалы камушек, ни мерное покачивание удочки Дяди Вити-рыбака. Нас интересует Годзилла.

🔗 В поисках «Годзиллы». Нейросети и прогнозирование котировок на основе биржевых и «внешних» данных
Эта работа вдохновлена статьей «Мечтают ли нейросети об электроденьгах?», где автор без преувеличения талантливо в своей доходчивости объясняет, почему использо...

​Web Scraping News Articles to Build an NLP Data Pipeline

🔗 Web Scraping News Articles to Build an NLP Data Pipeline
In 3 Easy to Follow Steps with Tensorflow 2.0, Scrapy, and SpaCy!

🎥 Build a Neural Network with Python Tutorial | Deep Learning with PyTorch
👁 3 раз ⏳ 3481 сек.
Subscribe: https://bit.ly/venelin-youtube-subscribe
Complete tutorial: https://www.curiousily.com/posts/build-your-first-neural-network-with-pytorch/
GitHub: https://github.com/curiousily/Getting-Things-Done-with-Pytorch

Build a model that predicts whether or not is going to rain tomorrow using real-world weather data. Learn how to train, evaluate and make predictions with it

⭐️ Tutorial Contents ⭐️

(00:12) Download the weather data
(04:13) Data preprocessing
(17:45) Build a Neural Network with PyTorch
(3

​Чем отличаются data analyst, data engineer и data scientist?

https://youtu.be/lDkTNURDIaY

🔗 074. Чем отличаются data analyst, data engineer и data scientist – Алексей Натёкин
- Как войти в сообщество data science? - О различиях data scientist, data analyst, data engineer, кто из них чем занимается? - В чём отличия между Machine Learning и Data Science? - Что у них общего и чем их работа отличается? * 21 октября 2018 г. в московском офисе Яндекса прошла встреча сообщества Open Data Science. Мы испытали новый формат: программа не была определена заранее, а составлялась по запросам аудитории. Мы собрали больше 500 заявок от участников и ответили на самые популярные и интересные во

​Measuring Social Biases in Grounded Vision and Language Embeddings

We generalize the notion of social biases from language embeddings to grounded vision and language embeddings. Biases are present in grounded embeddings, and indeed seem to be equally or more significant than for ungrounded embeddings

https://github.com/candacelax/bias-in-vision-and-language

https://arxiv.org/abs/2002.08911v1

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 candacelax/bias-in-vision-and-language
Code for paper "Measuring Social Biases in Grounded Vision and Language Embeddings" - candacelax/bias-in-vision-and-language

Introduction to Reinforcement Learning

By DeepMind: https://www.youtube.com/watch?v=2pWv7GOvuf0&list=PLqYmG7hTraZDM- OYHWgPebj2MfCFzFObQ
#DeepLearning #ReinforcementLearning #Robotics

🎥 RL Course by David Silver - Lecture 1: Introduction to Reinforcement Learning
👁 1 раз ⏳ 5293 сек.
#Reinforcement Learning Course by David Silver# Lecture 1: Introduction to Reinforcement Learning

#Slides and more info about the course: https://goo.gl/vUiyjq

​Linear Regression Using Normal Equations

🔗 Linear Regression Using Normal Equations
Data on two variables recorded simultaneously for a group of individuals are called bi-variate data. Examples of bi-variate data are…

​Linear Algebra for Machine Learning: Solve a System of Linear Equations

🔗 Linear Algebra for Machine Learning: Solve a System of Linear Equations
How Algebra is the Underline Mechanism of Machine Learning Algorithms

OpenCV Python Tutorial - Find Lanes for Self-Driving Cars (Computer Vision Basics Tutorial)

https://www.youtube.com/watch?v=eLTLtUVuuy4

🎥 OpenCV Python Tutorial - Find Lanes for Self-Driving Cars (Computer Vision Basics Tutorial)
👁 1 раз ⏳ 5182 сек.
Simulate Self-Driving Cars with Computer Vision & Deep Learning - Full Course on sale for $10! (normally $200): https://www.udemy.com/applied-deep-learningtm-the-complete-self-driving-car-course/?couponCode=YOUTUBE09

Rayan Slim's channel: https://www.youtube.com/channel/UCY-XVeC8oCIm9tfX7qqt0Xw
Road Image Link: https://github.com/rslim087a/road-image (for Computer Vision tutorial 1)

Road Video Link: https://github.com/rslim087a/road-video (for last Computer Vision tutorial)

This video was done in colla

​RecSys Series Part 4: The 7 Variants of Matrix Factorization For Collaborative Filtering

🔗 RecSys Series Part 4: The 7 Variants of Matrix Factorization For Collaborative Filtering
Mathematical Deep Dive Into Matrix Factorization

​Ищем Data Scientists, которые готовы принять методологический вызов и участвовать в хакатоне Яндекс.Недвижимости по анализу данных домов в Москве для повышения эффективности объявлений на классифайде. Очный этап 21-22 марта, регистрация для индивидуальных участников и команд до 10 марта на сайте: https://hacktherealty.ru/

🔗 Hack The Realty
Первый хакатон Яндекс.Недвижимости пройдет в Москве 21-22 марта. Призовой фонд мероприятия 500 000 рублей.

​Статья о трёх продвинутых функциях Python для data scientist-ов.

https://towardsdatascience.com/3-advanced-python-functions-for-data-scientists-f869016da63a

🔗 3 Advanced Python Functions for Data Scientists
Make your code cleaner and more readable by not reinventing the wheel.

​MIT Deep Learning online course *New 2020 Edition* ALL! New lectures every week for the rest of the course with slides, video coding labs
For all lectures, slides, and lab materials https://introtodeeplearning.com/

https://www.youtube.com/watch?v=iaSUYvmCekI&feature=youtu.be

🔗 MIT Deep Learning 6.S191
MIT's official introductory course on deep learning methods and applications.

🎥 Переосмысление переводческой отрасли как бизнеса, управляемого данными. UTICamp-2019
👁 1 раз ⏳ 2434 сек.
Докладчица: Оксана Ткач, основатель и руководитель компании Metamova
О докладчице: https://2019.utic.eu/speakers/oksana-tkach

Мы привыкли считать, что переводческая отрасль — это бизнес, основанный на управлении и ориентированный в первую очередь на клиентов. Это действительно так: непросто организовать работу, подобрать подходящего переводчика для клиента, согласовать рабочий процесс, обеспечить качество перевода… Но если рассмотреть переводческий бизнес как отрасль с большим объемом данных, то мы придем

​Neo4j vs GRAKN Part I: Basics

🔗 Neo4j vs GRAKN Part I: Basics
Dear readers, in this series of articles I compared two popular knowledge bases: Neo4j and Grakn. I decided to write this comparison long…

​KaoKore: A Pre-modern Japanese Art Facial Expression Dataset
Paper: https://arxiv.org/pdf/2002.08595v1.pdf
Github: https://github.com/rois-codh/kaokore

🔗

​Architecture as a Graph

🔗 Architecture as a Graph
A Computational Approach

🎥 Enhancing Actions with APIs like Machine Learning and Canvas (Assistant on Air)
👁 1 раз ⏳ 367 сек.
Meet Sachin Kumar, a Google Developer Expert (GDE) for Google Assistant. Sachin hosts workshops for beginners, and expands beyond beginner level to teaching how to build meaningful Actions with Machine Learning APIs. He also touches on building for Interactive Canvas.

Links:
Actions on Google docs → https://goo.gle/2YIelnq
Listen to the podcast version for the longer conversation → https://goo.gle/2VdYbDQ

Catch more episodes of Assistant on Air → https://goo.gle/2X0nBqG
Please subscribe for more updates