🎥 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

​Results of the first fastMRI image reconstruction challenge

🔗 Results of the first fastMRI image reconstruction challenge
Thirty four teams entered the first fastMRI challenge, seeking to develop new ways to use AI to make MRIs 10x faster with no loss in quality. We’re now sharing the results and details.

​How To Build Your Own MuZero In Python

🔗 How To Build Your Own MuZero In Python
A Detailed Walkthrough Of The Google DeepMind MuZero Pseudocode

​Лучшие практики для работы с алгоритмами машинного обучения от Google

https://developers.google.com/machine-learning/guides/rules-of-ml/

🔗 Rules of Machine Learning: | ML Universal Guides | Google Developers

​NLU по-русски_ ELMo vs. BERT
В данной статье речь пойдет о машинном обучении как части искусственного интеллекта. ИИ во многом подразумевает под собой разговорную составляющую, ведь общение – то, что делает нас людьми. Соответственно, если мы будем делать системы, которые могут нас понимать, отвечать на наши слова, мы в какой-то степени приблизимся к разработке искусственного интеллекта. Однако это все теория на грани философии. Давайте перейдем к практике.

🔗 NLU по-русски_ ELMo vs. BERT
В данной статье речь пойдет о машинном обучении как части искусственного интеллекта. ИИ во многом подразумевает под собой разговорную составляющую, ведь общение...

​Архитектура современных систем объектовой видеоаналитики. Процесс становления или укоренившиеся со временем изъяны?
Текущий год – это ралли среди различных систем распознавания и детекции объектов от различных вендоров. Новые устройства для исполнения нейронных сетей: FPGA, VPU, многоядерные процессоры с VNNI и многое другое предлагается от разработчиков аппаратной части. Параллельно наблюдается рост числа доступных топологий, а также готовых предобученных сеток. Детекция инцидентов, ДТП, подсчет пассажиропотоков, построение половозрастных портретов, распознавание эмоций и многое другое сегодня доступно для разработчиков. И все было бы хорошо, если бы не замысловатый «Time to market» (быстрее, быстрее на тот самый рынок, где деньги и если не мы первые, то точно не успеем), следствием которого мы видим на выходе слабо (читай – сложно, дорого) поддерживаемые монструозные системы All-in-one. А ведь параллельно существуют архитекторы (люди), виртуализация (подходы), способы автоматизации процессов, системы контроля состояний и параметров устройства или их множества. Но ввиду сжатых сроков, это опускается и появляются те самые, описанные выше, монстры. И да, задача «быстрее в рынок», часто бывает достигнутой. Но основная ошибка на начальном этапе заключается в том, что после достижения первичных целей сегодня, требования к скорости дополнения и развития решений будут только усугубляться. Рынок-то растущий, система несовершенна и требует развития, а не шага назад и переработки proof of concept в промышленное решение. И на этом этапе проверка гипотезы уходит в продакшн.

🔗 Архитектура современных систем объектовой видеоаналитики. Процесс становления или укоренившиеся со временем изъяны?
Текущий год – это ралли среди различных систем распознавания и детекции объектов от различных вендоров. Новые устройства для исполнения нейронных сетей: FPGA, VP...

​Ищем аномалии и предсказываем сбои с помощью нейросетей

Промышленная разработка программных систем требует большого внимания к отказоустойчивости конечного продукта, а также быстрого реагирования на отказы и сбои, если они все-таки случаются. Мониторинг, конечно же, помогает реагировать на отказы и сбои эффективнее и быстрее, но недостаточно. Во-первых, очень сложно уследить за большим количеством серверов – необходимо большое количество людей. Во-вторых, нужно хорошо понимать, как устроено приложение, чтобы прогнозировать его состояние. Следовательно, нужно много людей, хорошо понимающих разрабатываемые нами системы, их показатели и особенности. Предположим, даже если найти достаточное количество людей, желающих заниматься этим, требуется ещё немало времени, чтобы их обучить.
Что же делать? Здесь нам на помощь спешит искусственный интеллект. Речь в статье пойдет о предиктивном обслуживании (predictive maintenance). Этот подход активно набирает популярность. Написано большое количество статей, в том числе и на Хабре. Крупные компании вовсю используют такой подход для поддержки работоспособности своих серверов. Изучив большое количество статьей, мы решили попробовать применить этот подход. Что из этого вышло?

🔗 Ищем аномалии и предсказываем сбои с помощью нейросетей
Промышленная разработка программных систем требует большого внимания к отказоустойчивости конечного продукта, а также быстрого реагирования на отказы и сбои, е...