Здравствуйте коллеги!

Подскажите, может кто нибудь написать (естественно) не бесплатно самообучающуюся программу для идентификации изображений?

Администрация: прошу прощения если написал не туда, готов перенести пост в нужную ветку по Вашему указанию.

Спасибо!

​GANs and Plans

🔗 GANs and Plans
Using Neural Networks to explore thematic content

​PyTorch: An Imperative Style, High-Performance Deep Learning Library

Paszke et al.: https://arxiv.org/abs/1912.01703
#ArtificialIntelligence #deepLearning #PyTorch

🔗 PyTorch: An Imperative Style, High-Performance Deep Learning Library
Deep learning frameworks have often focused on either usability or speed, but not both. PyTorch is a machine learning library that shows that these two goals are in fact compatible: it provides an imperative and Pythonic programming style that supports code as a model, makes debugging easy and is consistent with other popular scientific computing libraries, while remaining efficient and supporting hardware accelerators such as GPUs. In this paper, we detail the principles that drove the implementation of PyTorch and how they are reflected in its architecture. We emphasize that every aspect of PyTorch is a regular Python program under the full control of its user. We also explain how the careful and pragmatic implementation of the key components of its runtime enables them to work together to achieve compelling performance. We demonstrate the efficiency of individual subsystems, as well as the overall speed of PyTorch on several common benchmarks.

🎥 ONNX and ONNX Runtime
👁 1 раз ⏳ 2675 сек.
What is the universal inference engine for neural networks?

Tensorflow? PyTorch? Keras? There are many popular frameworks out there for working with Deep Learning and ML models, each with their pros and cons for practical usability for product development and/or research. Once you decide what to use and train a model, now you need to figure out how to deploy it onto your platform and architecture of choice. Cloud? Windows? Linux? IOT? Performance sensitive? How about GPU acceleration? With a landscape of 1

Машинное обучение
Все лекции в видеоальбоме: https://vk.cc/8uZUMZ
#video #ai


#video

🎥 Лекция 1 | Машинное обучение | Сергей Николенко | Лекториум
👁 206 раз ⏳ 5396 сек.
Лекция 1 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 2 | Машинное обучение | Сергей Николенко | Лекториум
👁 28 раз ⏳ 4251 сек.
Лекция 2 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 3 | Машинное обучение | Сергей Николенко | Лекториум
👁 19 раз ⏳ 3352 сек.
Лекция 3 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 4 | Машинное обучение | Сергей Николенко | Лекториум
👁 17 раз ⏳ 6109 сек.
Лекция 4 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 5 | Машинное обучение | Сергей Николенко | Лекториум
👁 12 раз ⏳ 5170 сек.
Лекция 5 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 6 | Машинное обучение | Сергей Николенко | Лекториум
👁 12 раз ⏳ 5297 сек.
Лекция 6 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 7 | Машинное обучение | Сергей Николенко | Лекториум
👁 9 раз ⏳ 2860 сек.
Лекция 7 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 8 | Машинное обучение | Сергей Николенко | Лекториум
👁 11 раз ⏳ 2317 сек.
Лекция 8 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 9 | Машинное обучение | Сергей Николенко | Лекториум
👁 16 раз ⏳ 3029 сек.
Лекция 9 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 10 | Машинное обучение | Сергей Николенко | Лекториум
👁 14 раз ⏳ 6184 сек.
Лекция 10 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это вид...

🎥 Patrick Haralabidis - A developer's cheat sheet into Machine Learning
👁 1 раз ⏳ 1767 сек.
This talk aims to help you, the developer, start with machine learning as quickly as possible.
Go from zero to hero, and get an understanding of how deep learning neural networks work, build and train your own DNN in TensorFlow and deploy it in production using TensorFlow Lite.

The talk will utilise a blend of high-level theory and (hopefully working) live demos that aim to demystify Machine Learning and work as a primer for further exploration.

​https://www.sciencesetavenir.fr/high-tech/intelligence-artificielle/yann-lecun-et-le-deep-learning-laureats-du-prix-turing_132479

🔗 Yann LeCun, lauréat du prix Turing, raconte ses travaux dans un livre
Le chercheur français Yann LeCun, directeur du laboratoire de recherche en intelligence artificielle de Facebook, publie un ouvrage.

​"Deep Learning was great, what's next?" - Yoshua Bengio (2/4)

🔗 "Deep Learning was great, what's next?" - Yoshua Bengio (2/4)
Interested in attending a RE•WORK Summit? Get 25% off your pass from December 2-6! See the list of summits here - https://bit.ly/2DrrCbj "Deep Learning was great, what's next?". A common question asked by journalists to Yoshua in this past year. In this part of his keynote, Yoshua explains that Deep Learning IS the thing and also how we can scale each individual part including optimization methods and representations. See part one here - https://www.youtube.com/watch?v=eKMA1Tscdag

​PhiFlow
Research-oriented differentiable fluid simulation framework : https://github.com/tum-pbs/PhiFlow
#ArtificialIntelligence #MachineLearning #TensorFlow

🔗 tum-pbs/PhiFlow
Research-oriented differentiable fluid simulation framework - tum-pbs/PhiFlow

🎥 Лекторий TechnoScience. Анатомия искусственного интеллекта. Лекция 5
👁 1 раз ⏳ 4197 сек.
5 декабря в 18:30 в Библиотеке № 240 TechnoScience прошла пятая лекция авторского цикла Игоря Шнуренко "Анатомия искусственного интеллекта".

Лекция 5. История искусственного интеллекта. Часть 2. От дешифровки мира к дешифровке человека. Стрела познания: человек в союзе с машиной штурмует природу. Создание нового человека и синтетических языков. Признания пана Мариана: как и кто на самом деле хакнул "Энигму". Конец стабильности, теория всеобщего контроля и кибернетический прорыв. Идиш и начало машинного об

​wps712/MicroNetChallenge

🔗 wps712/MicroNetChallenge
Contribute to wps712/MicroNetChallenge development by creating an account on GitHub.

​Что такое ЭЭГ и зачем она нужна
Ученые любят искать первое упоминание своей науки. К примеру, я видел статью, где всерьез утверждалось, что первые опыты по электрической стимуляции мозга были проведены в Древнем Риме, когда кого-то ударил током электрический угорь. Так или иначе, обычно, историю электрофизиологии принято отсчитывать примерно от опытов Луиджи Гальвани (XVIII век). В этом цикле статей мы попробуем рассказать небольшую часть того, что наука, узнала за последние 300 лет про электрическую активность мозга человека, про то, какие профиты из всего этого можно извлечь.

🔗 Что такое ЭЭГ и зачем она нужна
Ученые любят искать первое упоминание своей науки. К примеру, я видел статью, где всерьез утверждалось, что первые опыты по электрической стимуляции мозга были п...

​Puppies & Python: Analyzing Geospatial Data

🔗 Puppies & Python: Analyzing Geospatial Data
Visualizing Seattle pet density by combining several shape files and data sources, using Geopandas, Shapely, Pyplot, and Folium

​Introducing TensorFlow Videos for a Global Audience: French

🔗 Introducing TensorFlow Videos for a Global Audience: French

​Книги Deep learning

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Deep learning in Molecular modeling RUS.pdf - 💾11 843 934

📝 DEEP LEARNING FOR SYMBOLIC MATHEMATICS.pdf - 💾482 250

📝 Deep-Learning-with-PyTorch.pdf - 💾17 636 694

📝 Deep Learning with Keras.pdf - 💾21 028 746

📝 Statistics, Data Analysis, and Decision Modeling.pdf - 💾14 856 874