​Интервью: Машинное обучение и нейросети / Интервью с техническим директором Яндекс.Дзен

Из этого выпуска вы узнаете о том, что такое машинное обучение (machine learning), какие бывают нейронные сети, что такое data sets и чем инженер машинного обучения отличается от data scientist.

В гостях CTO компании Яндекс.Дзен - Антон Фролов:

https://youtu.be/7bUYEMZVMCE

#интервью #ml #ru

​Доклад: Нейронные сети. Смотрим, как они устроены изнутри

Алексей Гучко, проект-менеджер компании EORA, которая занимается разработкой Искусственного интеллекта, подготовил доклад, где подробно расскажет о том:

— существует ли вообще ИИ;
— какие задачи решает нейросеть;
— что находится "внутри" нейронки.

https://youtu.be/WXSgWawdo0A

#доклад #ml #ru

​Урок: Введение в Машинное Обучение

Машинное обучение представляет собой новую парадигму программирования, где вместо явного задания правил на таком языке программирования как Java или C++, вы создаете систему, которая сама выводит эти правила, обучаясь на данных. Но как это выглядит на самом деле?

В первой части серии "Машинное Обучение: Zero to Hero" Макс Горбунов показывает простой пример создания модели машинного обучения, объясняя идеи, которые мы применим в последующих эпизодах к более интересной задаче — машинному зрению.

https://youtu.be/qu_WEHvGXWk

#урок #ml #ru

Книга: Программирование компьютерного зрения на языке Python

Автор: Ян Эрик Солем
Год издания: 2016

Описание:
Если вы хотите разобраться в основах теории и алгоритмов компьютерного зрения, то эта книга — как раз то, что вам нужно. Вы узнаете о методах распознавания объектов, трехмерной реконструкции, обработке стереоизображений, дополненной реальности и других приложениях компьютерного зрения. Изложение сопровождается понятными примерами на языке Python. При этом объяснения даются в общих чертах, без погружения в сухую теорию.

Издание идеально подходит для студентов, исследователей и энтузиастов-любителей с базовыми знаниями математики и навыками программирования.

#книга #python #ml #ru

​​Шпаргалка: Обучение под наблюдением

Это качественная шпаргалка по обучению под наблюдением с курса по машинному обучению университета Стенфорда. Сохраняйте для изучения:

Ссылка на шпаргалку

#шпаргалка #ml #en

Инструмент: платформа для машинного обучения

Сервис предоставляет множество натренированных моделей для обработки текста, аудио и графических данных. С их помощью можно выполнять различные задачи, такие как классификация текста, извлечение информации, перевод, генерация текста и многое другое. Он также подходит для классификации объектов на изображениях и распознавания речи. Модели способны обрабатывать несколько задач одновременно. Можно использовать сервис через веб-версию, на приватном хостинге или через API.

Инструмент основывается на трёх популярных библиотеках глубокого обучения: Jax, PyTorch и TensorFlow, что обеспечивает безпроблемную интеграцию наинс платформе.

Ссылка на инструмент: Transformers

#инструмент #ai #ml #general

Репозиторий: масштабный сборник всеразличных моделей ML

Сохраняйте репозиторий PINTO_model_zoo, в котором можно найти более 400 моделей на различные задачи: обработка жестов, определение лица, эмоций и объектов, захват движений и многое другое. В описании репозитория все модели разделены по группам, там же отмечены поддерживаемые библиотеки (TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite, EdgeTPU и CoreML). В конце описания можно найти несколько примеров работы с некоторыми из моделей.

#репозиторий #ml

Статья: PyTorch или TensorFlow — что выбрать

Сохраняйте статью, где сравнивают TensorFlow и PyTorch. PyTorch — гибкий инструмент на базе Python и Torch. TensorFlow — система машинного обучения Google Brain с высокоуровневым API Keras.

Выбор зависит от целей проекта: PyTorch прост в использовании, но ограничен в визуализации. TensorFlow — производителен и имеет много предварительно обученных моделей.

#статья #ml #ru

Курс: Контролируемое машинное обучение — регрессия и классификация

Сохраняйте годный курс по ML от Стэнфордского университета. Материал рассчитан для начинающих, есть русские субтитры.

Тут вы научитесь строить модели на Python с использованием NumPy и scikit-learn и модели под наблюдением для задач прогнозирования и бинарной классификации, включая линейную и логистическую регрессию.

#курс #начинающим #ml #python #ru

​​Ещё один подгон ко дню знаний: лучшие обучающие статьи по IT

Сохраняйте подборку best гайдов по 3 направлениям: веб-разработка, мобильная разработка и машинное обучение. С ними вы сможете легко подтянуть свои скилы и знания.

#подборка #mobile #web #ml #ru

Машинное обучение на JavaScript

Заняться машинным обучением можно даже, если вы не знакомы с Python. Для этого у JS есть библиотека ml5.js, которая построена на основе TensorFlow.js.

В этом уроке вы познакомитесь с основами использования ml5.js для создания интерактивных и интеллектуальных веб-приложений. Ролик подойдёт даже тем, у кого ещё нет опыта работы с машинным обучением.

#javascript #ml #видео

Курс: Разработка ML сервиса — от идеи к прототипу

Чтобы идея в машинном обучении не осталась просто кодом в ноутбуке, ее нужно довести до рабочего состояния. А для этого важно не только обучить модель, но и упаковать ее в удобный сервис.

Этот курс как раз об этом: от разведочного анализа данных до веб-приложения на Streamlit. В программе – основы ML, работа с Git, построение моделей и презентация результатов. А в конце получится не просто опыт, а готовый проект в портфолио.

#курс #ml #начинающим #ru

Курс по разработке ML сервиса: от идеи к прототипу

Иногда хочется не просто покрутить данные, а собрать из них что-то живое — например, работающий ML-сервис. Но с чего вообще начать, если опыта немного, а интерес есть?

Один из вариантов — разобрать процесс от анализа данных до прототипа вместе с преподавателями из Вышки. В курсе — немного теории, немного практики, и в итоге — интерактивный дашборд на Streamlit, который не стыдно добавить в резюме.

Ссылка на курс

#курс #ml #начинающим #ru

Репозиторий PINTO_model_zoo — большая подборка самых разных ML-моделей под любые задачи. Там собрано больше 460 штук — от распознавания жестов и лиц до трекинга движений и работы с эмоциями. Всё разложено по полочкам: модели сгруппированы по типам задач, а ещё указано, с какими фреймворками они работают — от TensorFlow и PyTorch до CoreML и EdgeTPU. Внизу описания — пара примеров, как это всё можно запускать в деле.

Ссылка на репозиторий

#подборка #ml