🔥 NVIDIA’s AI: Amazing DeepFakes And Virtual Avatars!

🎞Разбор статьи
🗒 Статья
⚙️ Демо

@machinelearning_ru

#️⃣ BlendGAN

интересная нейронка позволяющая смешивать лица и преобразовывать их в портреты.

⚙️ GitHub
🔋 Demo

#python #github #soft

@machinelearning_ru

📊 TimberTrek

Trek, первая интерактивная система визуализации, которая визуализирует тысячи деревьев решений.

⚙️ Github
🗒 Статья
🎞 Video
🚀 Демо

@machinelearning_ru

🦾 HiPart: Hierarchical divisive clustering toolbox

HiPart — это пакет, созданный для реализации алгоритмов иерархической кластеризации.

pip install HiPart

⚙️Github:
📄Статья
📎Dataset

@machinelearning_ru

🔋 NVIDIA’s New AI: Beautiful Simulations, Cheaper!

🎞Разбор статьи
🗒 Статья
➡️ Подробнее


@machinelearning_ru

👨 Как за месяц создать систему учета посещаемости на базе распознавания лиц

В этом месяце наша система управления посещаемостью достигла отметки в 900 000 событий всего через год после запуска. Однако радость от сегодняшних достижений не может стереть из памяти то, как нелегко начиналась работа над этим проектом.

Наша команда, состоящая всего из двух инженеров, смогла создать рабочий прототип системы управления посещаемостью менее чем за месяц и масштабировать ее до более чем 1 000 сотрудников менее чем за 3 месяца.

Эта статья  —  история о подготовке к запуску программного продукта и технических проблемах, с которыми пришлось столкнуться при его создании.

➡️ Читать дальше

@machinelearning_ru

👺 txt2mask

это надстройка для веб-интерфейса AUTOMATIC1111, в основе которой лежит Stable Diffusion. txt2mask позволяет вам вводить текст в режиме img2img и автоматически генерировать маску изображения.

⚙️ Github
➡️ Stable Diffusion

@machinelearning_ru

💊 Medical Open Network for AI

MONAI — это основанная на PyTorch библиотека глубокого обучения с открытым исходным кодом для визуализации мед данных, входящая в экосистему PyTorch.

pip install monai

⚙️ Code
🗒 Docs

@machinelearning_ru

CMGAN: Conformer-Based Metric-GAN for Monaural Speech Enhancement

мы предлагаем основанную на конформере метрическую генеративную состязательную сеть (CMGAN) для SE в частотно-временной (TF) области.

⚙️ Github
🗒 Статья
💻 Demo

@machinelearning_ru

⚜️ Руководство по созданию интерактивных визуализаций на Python

Визуализация данных — один из важнейших этапов проекта в области науки о данных и аналитики данных. Она помогает как изучать и понимать данные, так и эффективно обмениваться результатами.

Самыми распространенными библиотеками для создания визуализаций на Python являются Matplotlib и Seaborn, но существует и множество других инструментов.

В этом руководстве мы изучим инструменты HoloViz, а точнее Panel и hvPlot  — библиотеки с открытым исходным кодом, которые используются для создания интерактивных диаграмм и контрольных панелей. Также узнаем, как легко развернуть и поделиться контрольной панелью с помощью Jupyter Notebook.

В этом проекте мы будем использовать данные о различных покемонах, доступные на Kaggle и Wikipedia, а также данные о продажах игр про покемонов.

Краткий обзор
Мы выполним следующие задачи.

Создадим простой интерактивный график, используя hvPlot и Pandas.
Построим более сложные визуализации, используя Panel для создания виджетов, которые будут фильтровать данные, и hvPlot для отображения этих данных.
Создадим контрольную панель, показывающую табличные данные, информацию о проекте, а также различные интерактивные диаграммы.
Узнаем, как развертывать контрольную панель на Heroku, чтобы проектом можно было делиться.

➡️ Читать дальше
⚙️ Код

@machinelearning_ru

Google's New AI: Dog Goes In, Statue Comes Out! 🗽

🎞 Разбор статьи
🗒 Статья

@machinelearning_ru

👱‍♂️ Редактор 3D лиц в онлайн

C данным алгоритмом можно легко и просто сгенерить на основе GAN лицо и отредактировать его в 3D.
Исследователи из Tencent AI Lab, ByteDance и Университета Цинхуа представили IDE-3D, новую генеративную модель для рисования лица в режиме свободного просмотра, редактирования и управления стилем. Система, работающая на базе GAN, обеспечивает локальное управление формой и текстурой лица, а также интерактивное редактирование в режиме онлайн.
Тем, кто следит за нашими постами, очевидно, что совместили сразу несколько GAN нейросетей, добавив визуальный редактор.

Установка

git clone --recursive https://github.com/MrTornado24/IDE-3D.git
cd IDE-3D
conda env create -f environment.yml

➡️ Проект
⚙️ Код
🗒 Статья

@machinelearning_ru

📌 MGAD-multimodal-guided-artwork-diffusion

Алгоритм создания цифровых иллюстраций на основе диффузии, который использует мультимодальные подсказки в качестве руководства для управления моделью.

git clone https://github.com/openai/CLIP
pip install -e ./CLIP
pip install -e ./guided-diffusion
pip install lpips

⚙️ Код
🗒 Статья

@machinelearning_ru

Google’s New Self-Driving Robot Is Amazing! 🤖

🎞 Разбор статьи
🗒 Статья

@machinelearning_ru

📎 TVLT: Textless Vision-Language Transformer

conda create -n TVLT python=3.8 # You can also use other environment.

⚙️ Код
🗒 Статья
Colab
➡️ Dataset

@machinelearning_ru

✔️ 6 алгоритмов машинного обучения, которые должен знать каждый исследователь данных

Алгоритмы машинного обучения делятся на контролируемые и неконтролируемые.

Алгоритмы контролируемого обучения моделируют отношения между помеченными входными и выходными данными (также известными как целевые данные). Впоследствии такая модель используется для предсказания метки новых наблюдений с помощью новых помеченных входных данных. Если целевая переменная дискретная, алгоритм решает задачи классификации, а если целевая переменная непрерывная  —  алгоритм используется для задач регрессии.

В отличие от контролируемого, неконтролируемое обучение не опирается на помеченные входные/выходные данные, а обрабатывает непомеченные данные.

➡️ Читать дальше

@machinelearning_ru

🎓 Stanford CS25 бесплатный курс по Трансформерам

✔️ Курс: https://web.stanford.edu/class/cs25/

➡️ Лекции: https://www.youtube.com/playlist?list=PLoROMvodv4rNiJRchCzutFw5ItR_Z27CM

@machinelearning_ru

🔋 Denoising of 3D MR images using a voxel-wise hybrid residual MLP-CNN model to improve small lesion diagnostic confidence

⚙️ Код
🗒 Статья
➡️ Dataset


@machinelearning_ru

Как масштабировать многопроцессорность Python до кластера с помощью одной строчки кода

Программы начинаются с малого. Будь то исследовательский анализ данных или построение модели машинного обучения, важно как можно быстрее заставить что-то простое работать. Однако со временем требования меняются, и некогда небольшие программы необходимо масштабировать, чтобы обрабатывать больше данных или использовать больше вычислительных ресурсов. К сожалению, изменение программы для масштабирования на несколько ядер или нескольких машин часто требует переписывания ее с нуля, не говоря уже о решении множества сложностей, связанных с параллелизмом и распределенными системами.

Многопроцессорность Python предлагает одно решение этой проблемы, предоставляя набор удобных API-интерфейсов, которые позволяют программам Python использовать преимущества нескольких ядер на одной машине. Однако, хотя это может помочь масштабировать приложение в 10 или даже 50 раз, оно все же ограничено параллелизмом одной машины, и выход за рамки этого потребует переосмысления и переписывания приложения.

В этом сообщении в блоге я расскажу, как можно преодолеть это ограничение, беспрепятственно масштабируясь до многоузлового кластера с помощью ray.util.multiprocessing.Pool API, выпущенного вместе с Ray - без переписывания своей программы!

➡️ Читать дальше

@machinelearning_ru

Google’s New AI: Fly INTO Photos…But Deeper! 🐦

🎞 Разбор статьи
🗒 Статья

@machinelearning_ru