​Introduction to Graphs (Part 1)

🔗 Introduction to Graphs (Part 1)
Main concepts, properties, and applications in Python

​Рекомендации в Okko: как заработать сотни миллионов, перемножив пару матриц

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
Знакома ли вам ситуация, когда на выбор фильма вы тратите гигантское количество времени, сопоставимое со временем самого просмотра? Для пользователей онлайн-кинотеатров это частая проблема, а для самих кинотеатров — упущенная прибыль.

К счастью, у нас есть Rekko — система персональных рекомендаций, которая уже год успешно помогает пользователям Okko выбирать фильмы и сериалы из более чем десяти тысяч единиц контента. В статье я расскажу вам как она устроена с алгоритмической и технической точек зрения, как мы подходим к её разработке и как оцениваем результаты. Ну и про сами результаты годового A/B теста тоже расскажу.
https://habr.com/ru/company/okko/blog/454224/

🔗 Рекомендации в Okko: как заработать сотни миллионов, перемножив пару матриц
Знакома ли вам ситуация, когда на выбор фильма вы тратите гигантское количество времени, сопоставимое со временем самого просмотра? Для пользователей онлайн-кин...

​K Means Clustering with Dask (Image Filters for Cat Pictures)

🔗 K Means Clustering with Dask (Image Filters for Cat Pictures)
Applying filters to images is not a new concept to anyone. How do we make it cooler with Machine Learning?

🎥 An Empirical Study on Quality of Android Applications written in Kotlin language
👁 1 раз ⏳ 1599 сек.
Язык программирования Kotlin разрабатывался как прагматичная и приятная замена Java.

Мы рассмотрим статью, в которой авторы изучают использование Kotlin при написании Android-приложений.

Статья анализирует динамику использования Java/Kotlin и качества кода в 244 open-source приложениях. При помощи инструмента Paprika было обнаружено, что некоторые code smells в приложениях на Java в среднем встречаются чаще, чем в приложениях на Kotlin, а даже частичный переход на Kotlin уменьшает количество code smells б

🎥 Lecture 8: Matrix Manipulations | Exploring MATLAB by Dr. Ahmad Bazzi
👁 1 раз ⏳ 3793 сек.
In this lecture, you will learn everything you need to know in order to properly handle matrices and arrays. Starting from creating the most basic matrices, such as the zeros, ones, identity, random matrices. You will also learn how to handle logical matrices that are involved in logical/discrete mathematics. Furthermore, you will also grasp fast and easy techniques on how array/matrix concatenation, replication, permutation, and shifting is done. You will sort matrices based off certain criteria. You could

🎥 Build, Train, and Deploy Machine Learning Models at Scale Using AWS
👁 1 раз ⏳ 2744 сек.
Learn more about AWS at – https://amzn.to/2MqPzHk 
Learn how to quickly build, train, and deploy machine learning models using Amazon SageMaker, an end-to-end machine learning platform. Amazon SageMaker simplifies machine learning with pre-built algorithms, support for popular deep learning frameworks, such as PyTorch, TensorFlow, and Apache MXNet, as well as one-click model training and deployment.

🎥 Rajat Monga: TensorFlow | Artificial Intelligence (AI) Podcast
👁 1 раз ⏳ 4258 сек.
Rajat Monga is an Engineering Director at Google, leading the TensorFlow team. This conversation is part of the Artificial Intelligence podcast at MIT and beyond. Audio podcast version is available on https://lexfridman.com/ai/

INFO:
Podcast website: https://lexfridman.com/ai
Course website: https://deeplearning.mit.edu
YouTube Playlist: https://bit.ly/2EcbaKf

OUTLINE:
0:00 - Introduction
1:17 - Google Brain early days
4:47 - TensorFlow early days - open sourcing, etc
12:53 - TensorFlow growth
22:00 - Kera

🎥 Deep Learning and Neural Network Introduction with Keras (3.1)
👁 1 раз ⏳ 981 сек.
An introduction to neural networks and deep learning. This provides the fundamental information needed to begin study of Keras and TensorFlow. Topics such as bias neurons, activation functions, input layer, hidden layers, and neural network structure are discussed.

Code for This Video: https://github.com/jeffheaton/t81_558_deep_learning/blob/master/t81_558_class01_intro_python.ipynb
Course Homepage: https://sites.wustl.edu/jeffheaton/t81-558/

Follow Me/Subscribe:
https://www.youtube.com/user/HeatonResea

​«Толстый и тонкий» или как я осваивал нейросети
Искусственный интеллект

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
Часть 2

Обучение

Ну вот, всё готово! Теперь можно начинать. Начинать обучать нейросеть, а потом пожинать плоды этого её обучения. Так думается поначалу, по неопытности… Но вернёмся к теории. К устройству нейрона. Есть дендриты, есть тело нейрона, есть аксон. По дендритам мы передаём входные сигналы (рост и вес), которые имеют свои веса W1 и W2, есть тело нейрона (активационная функция) и есть аксон(выход).
https://habr.com/ru/post/454694/

🔗 «Толстый и тонкий» или как я осваивал нейросети
Часть 2 Часть 1 — здесь. Большое спасибо читателям за положительные отзывы. Обучение Ну вот, всё готово! Теперь можно начинать. Начинать обучать нейросеть, а п...

Parallel Neural Text-to-Speech

https://arxiv.org/pdf/1905.08459.pdf

​Anomaly detection in time series with Prophet library

🔗 Anomaly detection in time series with Prophet library
Find outliers in time series and plot in few lines of code

​Машинное обучение в микрофинансах: строим скоринговую модель для клиентов с пустой кредитной историей

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
Нет кредитной истории — не дают кредиты, не дают кредиты — нет кредитной истории. Замкнутый круг какой-то. Что делать? Давайте разбираться.

Привет! Меня зовут Марк, я data scientist в компании Devim. Недавно мы запустили модель для скоринга заемщиков МФК “До Зарплаты”, у которых отсутствует кредитная история. Хочу поделиться опытом поиска данных, особенностями конструирования и интерпретации признаков.

https://habr.com/ru/post/454574/

🔗 Машинное обучение в микрофинансах: строим скоринговую модель для клиентов с пустой кредитной историе
Нет кредитной истории — не дают кредиты, не дают кредиты — нет кредитной истории. Замкнутый круг какой-то. Что делать? Давайте разбираться. Привет! Меня зовут М...

​An Explicitly Relational Neural Network Architecture

🔗 An Explicitly Relational Neural Network Architecture
With a view to bridging the gap between deep learning and symbolic AI, we present a novel end-to-end neural network architecture that learns to form propositional representations with an explicitly relational structure from raw pixel data. In order to evaluate and analyse the architecture, we introduce a family of simple visual relational reasoning tasks of varying complexity. We show that the proposed architecture, when pre-trained on a curriculum of such tasks, learns to generate reusable representations that better facilitate subsequent learning on previously unseen tasks when compared to a number of baseline architectures. The workings of a successfully trained model are visualised to shed some light on how the architecture functions.

​Anomaly detection in time series with Prophet library

🔗 Anomaly detection in time series with Prophet library
Find outliers in time series and plot in few lines of code

​Wasserstein Style Transfer
arxiv.org/abs/1905.12828

🔗 Wasserstein Style Transfer
We propose Gaussian optimal transport for Image style transfer in an Encoder/Decoder framework. Optimal transport for Gaussian measures has closed forms Monge mappings from source to target distributions. Moreover interpolates between a content and a style image can be seen as geodesics in the Wasserstein Geometry. Using this insight, we show how to mix different target styles , using Wasserstein barycenter of Gaussian measures. Since Gaussians are closed under Wasserstein barycenter, this allows us a simple style transfer and style mixing and interpolation. Moreover we show how mixing different styles can be achieved using other geodesic metrics between gaussians such as the Fisher Rao metric, while the transport of the content to the new interpolate style is still performed with Gaussian OT maps. Our simple methodology allows to generate new stylized content interpolating between many artistic styles. The metric used in the interpolation results in different stylizations.

🎥 #DataScience, Леонид Кулигин, Тренировка моделей машинного обучения на больших объемах данных
👁 1 раз ⏳ 2459 сек.
Леонид Кулигин
Google

Тренировка моделей машинного обучения на больших объемах данных

Объём доступных данных, как и сложность моделей машинного обучения, растёт экспоненциально. Мы поговорим про то, как работает распределённое обучение с TensorFlow, как устроен процессинг данных и какие средства доступны для профайлинга тренировки.

https://codefest.ru

🎥 TensorFlow Dev Summit 2019 Summary + Deep Diving into GANs
👁 1 раз ⏳ 6503 сек.
During the event we will watch to a couple of key talks from the recent TensorFlow Summit showing the new features of the release 2 and in particular the new tf.function and AutoGraph allowing to write graph code using natural Python syntax.

After the vew party we will feature the talk of Paolo Galeone, Google Development Expert in ML, on how to build Generative Adversarial Networks using TensorFlow 2.0.

Deep Diving into GANs: from theory to production

Tensorflow 2.0 will be a major milestone for the mos

🎥 DeepMind Made a Math Test For Neural Networks
👁 36 раз ⏳ 301 сек.
📝 The paper "Analysing Mathematical Reasoning Abilities of Neural Models" is available here:
https://arxiv.org/abs/1904.01557

❤️ Pick up cool perks on our Patreon page: https://www.patreon.com/TwoMinutePapers

🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible:
313V, Alex Haro, Andrew Melnychuk, Angelos Evripiotis, Anthony Vdovitchenko, Brian Gilman, Bruno Brito, Bryan Learn, Christian Ahlin, Christoph Jadanowski, Claudio Fernandes, Daniel Hasegan, Dennis Abts, Eri

🎥 Введение в глубокое обучение: регрессия, классификация, свёрточные нейронные сети. 2019.
👁 1 раз ⏳ 209 сек.
⚡⚡⚡ Подводим итоги прошедших практических занятий по разработке нейронных сетей.

1. Что такое регрессия и какие задачи относятся к этому классу задач?
2. Что такое классификация и какие задачи относятся к этому классу задач?
3. Сравнение задач регрессий и классификаций - входные и выходные данные, функции оптимизации, функции активации, функции потерь.
4. Свёрточные нейронные сети и определение кошек / собак на изображениях.

Статья на Хабре:
https://habr.com/ru/post/454034/

Google CoLab:
https://colab.re

🎥 Обзор конференции AAMAS 2019
👁 1 раз ⏳ 2746 сек.
В связи с быстрым развитием в области обучения с подкреплением и искусственного интеллекта все сложнее уследить за новыми статьям. Недавно прошла одна из самых важных конференции по обучению с подкреплением — Autonomous Agents and Multiagent Systems (AAMAS). В данном докладе будут упомянуты все самый интересные идеи и статьи, которые были озвучены на конференции.

На семинаре будут рассматриваться статьи из deepmind: о новых окружениях для мультиагентных систем, также будет рассмотрены способы обучения аге