​This AI Makes The Mona Lisa Speak…And More!

🔗 This AI Makes The Mona Lisa Speak…And More!
❤️ Check out Lambda here and sign up for their GPU Cloud: https://lambdalabs.com/papers 📝 The paper "Few-shot Video-to-Video Synthesis" is available here: https://nvlabs.github.io/few-shot-vid2vid/ 🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible: Alex Haro, Anastasia Marchenkova, Andrew Melnychuk, Angelos Evripiotis, Anthony Vdovitchenko, Benji Rabhan, Brian Gilman, Bryan Learn, Christian Ahlin, Claudio Fernandes, Daniel Hasegan, Dan Kennedy, Dennis Abts, Eric

​Чипы Intel Myriad X и их масштабируемость в инференсе нейронных сетей
Нейростики Intel NCS2, чипы Myriad X, решения сторонних производителей — компания Intel продвигает решения на базе Myriad X в самых различных вариантах.
Чем же так хороши эти ускорители? Во-первых, стоимостью одного FPS. Во-вторых, полной совместимостью с OpenVINO, где можно перенести существующие решения с CPU/GPU на стик или MyriadX без их доработки или дополнительной адаптации. Конечно же, адаптация это не особенность VPU, а, скорее, особенность OpenVINO, где каждая обученная сеть может работать на любой выбранной аппаратной платформе, будь то CPU, GPU, FPGA, VPU и выбор может быть сделан не до разработки, а после.

🔗 Чипы Intel Myriad X и их масштабируемость в инференсе нейронных сетей
Нейростики Intel NCS2, чипы Myriad X, решения сторонних производителей — компания Intel продвигает решения на базе Myriad X в самых различных вариантах. Чем же т...

​[NLP] Basics: Understanding Regular Expressions

🔗 [NLP] Basics: Understanding Regular Expressions
The only guide you’ll ever need

​Optimal Estimation Algorithms: Kalman and Particle Filters

🔗 Optimal Estimation Algorithms: Kalman and Particle Filters
An introduction to the Kalman and Particle Filters and their applications in fields such as Robotics and Reinforcement Learning.

🎥 Семинар: обучение CNN (16.11.2019)
👁 1 раз ⏳ 3775 сек.

🎥 Raphaël Meudec: tf-explain: Interpretability for Tensorflow 2.0 | PyData New York 2019
👁 1 раз ⏳ 1809 сек.
Deep learning models now emerge in multiple domains. The question data scientists and users always ask is "Why does it work?". Explaining decisions from neural networks is vital for model improvements and analysis, and users' adoption. In this talk, I will explain interpretability methods implementations with TF2.0 and introduce tf-explain, a TF2.0 library for interpretability.

www.pydata.org

PyData is an educational program of NumFOCUS, a 501(c)3 non-profit organization in the United States. PyData provi

🎥 Assembly Data Science - Deep Learning for Computer Vision
👁 1 раз ⏳ 12092 сек.
We’re proud to announce the first event in The Assembly: Data Science stream on 30th November 2019 at in5 Tech! These workshops will cover data science platforms and techniques, machine learning and artificial intelligence paradigms with more sophisticated content from experts for those who would like to do a deep dive into these topics.

Our first session will cover Deep Learning For Computer Vision. We’ll take you over the basics of computer vision - the science of how computers can autonomously gain a hi

​Data Structures and Algorithms with Python — K. D. Lee, S. Hubbard

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Data Structures and Algorithms with Python (en).pdf - 💾13 437 939

​Python for Probability, Statistics, and Machine Learning

📝 Python for Probability, Statistics, and Machine Learning.pdf - 💾7 483 357

🎥 075. Карьера в data science: типичные ошибки на собеседовании – Валерий Бабушкин
👁 13 раз ⏳ 1103 сек.
- Как найти работу в Data Science, если у тебя еще нет рабочего опыта?
- Стоит ли тратить время на kaggle?
- Какой путь должен пройти дата саентолог, чтобы стать джуниором, мидлом и сеньором?


* 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 вопросы.

Валерий Бабушкин
Закончил

​‘I want to learn Artificial Intelligence and Machine Learning. Where can I start?’

🔗 ‘I want to learn Artificial Intelligence and Machine Learning. Where can I start?’
How I went from Apple Genius to Startup Failure to Uber Driver to Machine Learning Engineer

🎥 Семинар 4 - Организация научных исследований в студенческой среде, на примере ВШЭ, ИСП РАН и mipt.ai
👁 1 раз ⏳ 7207 сек.
Запись на следующие семинары: https://mipt.ai/seminar и сайт лаборатории mipt.ai
По всем вопросам пишите нам на [email protected]
Таймтеги в описании ниже.

22 ноября в ВШЭ прошёл уже четвёртый открытый научный семинар лаборатории машинного интеллекта МФТИ! На этот раз с научными руководителями из ВШЭ, ИСП РАН и ИАД (ВЦ РАН) обсуждали построение и развитие научной группы с привлечением студентов к исследованиям.

Таймтеги:
0:21 Андрей Устюжанин (заведующий лабораторией методов анализа больших данных ВШЭ) - гибки

🎥 Quantum Computer Programming w/ Qiskit
👁 1 раз ⏳ 2886 сек.
A practical and applied introduction to quantum computer programming, using IBM's free cloud-based quantum machines and Qiskit.

IBM Quantum Computing: https://quantum-computing.ibm.com/

Text-based tutorials and sample code: https://pythonprogramming.net/quantum-computer-programming-tutorial/

pip install qiskit numpy jupyterlab matplotlib qiskit-ibmq-provider

Qiskit slack channel: https://app.slack.com/client/T7RSPHKK2/C7SJ0PJ5A

Python 3 Basics tutorials: https://pythonprogramming.net/introduction-learn

​A Gentle Introduction to Model Selection for Machine Learning

🔗 A Gentle Introduction to Model Selection for Machine Learning
Given easy-to-use machine learning libraries like scikit-learn and Keras, it is straightforward to fit many different machine learning models on a given predictive modeling dataset. The challenge of applied machine learning, therefore, becomes how to choose among a range of different models that you can use for your problem. Naively, you might believe that model …

​«Ты узнаешь ее из тысячи...» или классифицируем изображения с веб камеры в реальном времени с помощью PyTorch
Вот бывает же в жизни такой, сидишь себе не шалишь, никого не трогаешь, починяешь примус, а тут из этого примуса, из телевизора, да и вообще из каждого утюга, до тебя доносится: «нейронные сети, глубокое обучение, искусственный интеллект, цифровая экономика…».

Я — человек, а значит существо любопытное и алчное . В очередной раз не удержался и решил узнать на практике, что такое нейронные сети и с чем их едят.
Как говориться: «Хочешь научиться сам — начни учить других», на этом я перестану сыпать цитатами и перейдем к делу.

В данной статье мы вместе с вами попробуем, решить задачу, которая как оказалось будоражит не только мой ум. Не имея достаточных фундаментальных знаний в области математики и программирования мы попробуем в реальном времени классифицировать изображения с веб-камеры, с помощью OpenCV и библиотеки машинного для языка Python — PyTorch. По пути узнаем о некоторых моментах, которые могли бы быть полезны новичкам в применении нейронных сетей.

Ну что вам интересно сможет ли наш классификатор отличить Arduino-совместимые контроллеры от малины? Тогда милости прошу под кат.

🔗 «Ты узнаешь ее из тысячи...» или классифицируем изображения с веб камеры в реальном времени с помощью PyTorch
Вот бывает же в жизни такой, сидишь себе не шалишь, никого не трогаешь, починяешь примус, а тут из этого примуса, из телевизора, да и вообще из каждого утюга, до...

​Mathematics for Machine Learning

Free Download Printed Book Cambridge University Press
https://mml-book.github.io/

#artificialintelligence #AI #Mathematics #calculus #linearalgebra #deeplearning #machinelearning

🔗 Mathematics for Machine Learning
Companion webpage to the book “Mathematics for Machine Learning”. Copyright 2019 by Marc Peter Deisenroth, A Aldo Faisal, and Cheng Soon Ong. To be published by Cambridge University Press.

​We just released our #NeurIPS2019 Multimodal Model-Agnostic Meta-Learning (MMAML) code for learning few-shot image classification, which extends MAML to multimodal task distributions (e.g. learning from multiple datasets). The code contains #PyTorch implementations of our model and two baselines (MAML and Multi-MAML) as well as the scripts to evaluate these models to five popular few-shot learning datasets: Omniglot, Mini-ImageNet, FC100 (CIFAR100), CUB-200-2011, and FGVC-Aircraft.

Code: https://github.com/shaohua0116/MMAML-Classification

Paper: https://arxiv.org/abs/1910.13616

#NeurIPS #MachineLearning #ML #code

🔗 shaohua0116/MMAML-Classification
An official PyTorch implementation of “Multimodal Model-Agnostic Meta-Learning via Task-Aware Modulation” (NeurIPS 2019) by Risto Vuorio*, Shao-Hua Sun*, Hexiang Hu, and Joseph J. Lim - shaohua0116...

​Datasets: 23,000 NHS Doctor Jobs Postings
Download: https://www.kaggle.com/homelesssandwich/nhs-jobs

🔗 NHS Jobs
23k+ Jobs from the NHS Jobs Website