​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...

🎥 Магия CSS #9➤ Эффект появление текста на картинке при наведении | CSS, HTML ( Версия 3.0)
👁 1 раз ⏳ 662 сек.
Эффект появление текста на картинке при наведении | CSS, HTML (Версия 3.0) | Hover effects with CSS (version 3.0)



#webmanual #html #cssКанал для тех, кто интересуется созданием сайтов: версткой, программированием и дизайном. Размещать здесь мы будем только интересные и полезные видео-уроки по верстке, программированию и тд. А также еще куча всяких полезных материалов, связанных с веб-разработкой...

Группа VK: https://vk.com/webmanual

​[Paper Summary] On the detection of digital face manipulation

🔗 [Paper Summary] On the detection of digital face manipulation
How to detect fake face images and localize the manipulated parts by using attention maps

​Шолле. Глубокое обучение на Python

📝 Шолле. Глубокое обучение на Python.pdf - 💾10 823 858

📝 Глубокое обучение на R [2018] Шолле Ф.pdf - 💾9 315 575

​Using Cloud AutoML in Kaggle Notebooks | Kaggle

🔗 Using Cloud AutoML in Kaggle Notebooks | Kaggle
In this tutorial video, Kaggle Data Scientist Rachael shows you how to connect a GCP project to your Kaggle Notebook so you can use Cloud AutoML. SUBSCRIBE: https://www.youtube.com/c/kaggle?sub_confirmation=1&utm_medium=youtube&utm_source=channel&utm_campaign=yt-sub 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 Ju

​Biomedical Image Segmentation: UNet++

🔗 Biomedical Image Segmentation: UNet++
Improve segmentation accuracy with a series of nested, dense skip pathways

🎥 Machine Learning and Advanced Analytics in Today's Cyber Security at DefCamp 2019
👁 1 раз ⏳ 2194 сек.
DefCamp is the most important conference on Hacking & Information Security in Central and Eastern Europe, bringing hands-on talks about the latest research and practices from the INFOSEC field. Since 2011 it has been gathering decision makers, security specialists, entrepreneurs and developers under the same roof. The 10th edition, which took place in Bucharest, Romania in November 2019 brought together almost 2,000 attendees from 40 countries.

All slides and other presentations can be found on https://def

🎥 Visual Culture Computation at the Yale DHLab
👁 1 раз ⏳ 1843 сек.
Peter Leonard (DHLab, Yale)
The Yale-Smithsonian Partnership presents: Machine Vision for Cultural Heritage & Natural Science Collections

The mass digitization of visual collections, on the order of hundreds of thousands or millions of images, creates new challenges for curators and researchers alike. Simultaneously, the rapid pace of industry innovation in deep learning (from guiding self-driving cars to captioning smartphone images) demands the attention of library, museum, and academic professionals. Ex

​11 Best Machine Learning Algorithms

You Just can't Afford to miss these if You are a Data Science Aspirant

https://data-flair.training/blogs/machine-learning-algorithms/

🔗 11 Top Machine Learning Algorithms used by Data Scientists - DataFlair
Top machine learning algorithms that you should know to become a data scientist - Linear Regression, Logistic Regression,SVM, KNN,ANN, Naive Bayes

​Автономные автомобили учитывают уровень эгоизма людей

Оценка того, эгоистичны или альтруистичны водители вокруг, имеет большое значение.

Представьте, что вы пытаетесь повернуть налево на оживленную дорогу. Машина за машиной проезжают мимо, удерживая вас в ловушке, ваше напряжение растет. Наконец, великодушный водитель замедляется достаточно, чтобы пропустить вас. Проверка встречного движения, небольшой разгон, и вы успешно вливаетесь в трафик.

Такие сцены разыгрываются по всему миру бесчисленное количество раз в день. И это ситуация, в которой сложно понять физику движения и мотивы других водителей, о чем говорит тот факт, что в Соединенных Штатах каждый год происходит 1,4 миллиона аварий при поворотах. Теперь добавьте в эту ситуацию автономные автомобили. Обычно они ограничиваются только оценкой физических параметров и принимают более осторожные решения в ситуациях с неоднозначной обстановкой.

🔗 Автономные автомобили учитывают уровень эгоизма людей
Оценка того, эгоистичны или альтруистичны водители вокруг, имеет большое значение. Представьте, что вы пытаетесь повернуть налево на оживленную дорогу. Машина...

​Опыт разработки и внедрения систем объектовой видеоаналитики на СХД
СХД – это системы хранения данных, сервера или иные устройства с большим количеством установленных дисков и системами быстрого доступа к ним с гарантией сохранности информации (например, аппаратные или программные RAID-контроллеры). Если речь идёт про хранение видео с нескольких камер, то специализированных решений не требуется. СХД или обычные диски будут использоваться для хранения видеоархива и там же или на отдельном носителе будут храниться события (результат детекции, например, нарушения ПДД или пресечение запретных зон) для дальнейшего доступа к ним и анализа. Но если камер много, например, 80 штук и мы рассматриваем поток RTSP Full HD, 15 FPS с дорожных камер, то зарегистрированных событий в сутки будет уже около 100 Гб. Для хранения таких объемов данных требуются уже специализированные решения. Мы остановили свой выбор на СХД от компании QNAP, куда смогли встроить свой собственный продукт Cumulator. Цель и задача этого продукта – сбор событий с множества устройств: серверов для инференса (исполнения нейронных сетей), камер или микрокомпьютеров, установленных в непосредственной близости от камер.

Сервер на базе Intel NUC, который осуществляет обработку данных с 80 камер с агрегацией этих данных через ПО Cumulator

🔗 Опыт разработки и внедрения систем объектовой видеоаналитики на СХД
СХД – это системы хранения данных, сервера или иные устройства с большим количеством установленных дисков и системами быстрого доступа к ним с гарантией сохранно...

​How Much Over-parameterization Is Sufficient to Learn Deep ReLU Networks?

https://arxiv.org/abs/1911.12360

This is interesting in context of
https://arxiv.org/abs/1801.04540 who trained underparametrized networks (ShuffleNet with fixed FC layer)

🔗 How Much Over-parameterization Is Sufficient to Learn Deep ReLU Networks?
A recent line of research on deep learning focuses on the extremely over-parameterized setting, and shows that when the network width is larger than a high degree polynomial of the training sample size $n$ and the inverse of the target accuracy $ε^{-1}$, deep neural networks learned by (stochastic) gradient descent enjoy nice optimization and generalization guarantees. Very recently, it is shown that under certain margin assumption on the training data, a polylogarithmic width condition suffices for two-layer ReLU networks to converge and generalize (Ji and Telgarsky, 2019). However, how much over-parameterization is sufficient to guarantee optimization and generalization for deep neural networks still remains an open question. In this work, we establish sharp optimization and generalization guarantees for deep ReLU networks. Under various assumptions made in previous work, our optimization and generalization guarantees hold with network width polylogarithmic in $n$ and $ε^{-1}$. Our results push the study of over-parameterized deep neural networks towards more practical settings.

​Kaggle Open Images 2019 — Артур Кузин

🔗 Kaggle Open Images 2019 — Артур Кузин
Artur Kuzin tells about his participation in Kaggle Open Images 2019 in English. He got a gold medal in each of the three competitions. In this video you will find out: - Description of the dataset and its markup procedures, as well as a description of the metric and its features - Architecture overview of the best models - Overview of tricks and hacks from the top3 of each competition - Approach for quick model training Presentation - https://gh.mltrainings.ru/presentations/Kuzin_KaggleOpenImages201