Stanford CS230: Deep Learning | Autumn 2018 | Lecture 1 - Class Introduction and Logistics

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

https://www.youtube.com/watch?v=PySo_6S4ZAg

🎥 Stanford CS230: Deep Learning | Autumn 2018 | Lecture 1 - Class Introduction and Logistics
👁 1 раз ⏳ 4072 сек.
Andrew Ng, Adjunct Professor & Kian Katanforoosh, Lecturer - Stanford University
http://onlinehub.stanford.edu/

Andrew Ng
Adjunct Professor, Computer Science

Kian Katanforoosh
Lecturer, Computer Science

To follow along with the course schedule and syllabus, visit:
http://cs230.stanford.edu/

To get the latest news on Stanford’s upcoming professional programs in Artificial Intelligence, visit: http://learn.stanford.edu/AI.html

To view all online courses and programs offered by Stanford, visit: http:

​Predicting the ‘Future’ with Facebook’s Prophet

🔗 Predicting the ‘Future’ with Facebook’s Prophet
Forecasting Medium’s future ‘Views’ using Facebook’s Prophet Library

​Новый алгоритм в 200 раз ускоряет автоматическое проектирование нейросетей
Исследователи из Массачусетского технологического института разработали эффективный алгоритм для автоматического дизайна высокопроизводительных нейросетей для конкретного аппаратного обеспечения, пишет издание MIT News.

Алгоритмы для автоматического проектирования систем машинного обучения — новая область исследований в сфере ИИ. Такая техника называется «поиск нейронной архитектуры (neural architecture search, NAS) и считается трудной вычислительной задачей.
https://habr.com/ru/post/444920/

🔗 Новый алгоритм в 200 раз ускоряет автоматическое проектирование нейросетей
ProxylessNAS напрямую оптимизирует архитектуры нейронных сетей для конкретной задачи и оборудования, что позволяет значительно увеличить производительность по...

​Teaching

🔗 Teaching

🎥 Artificial Intelligence Chat (machine learning, deep learning, ANNs, AI in games, biological systems
👁 1 раз ⏳ 3965 сек.
An overview of today's AI landscape. How AI might apply to games. -- Watch live at https://www.twitch.tv/rhyolight_

​A Design Thinking Mindset for Data Science
https://towardsdatascience.com/a-design-thinking-mindset-for-data-science-f94f1e27f90

🔗 A Design Thinking Mindset for Data Science
Adapted from a research paper written for The University of Texas capstone.

​Как я не стал специалистом по машинному обучению
https://habr.com/ru/post/444778/

🔗 Как я не стал специалистом по машинному обучению
Истории успеха любят все. И на хабре их достаточно много. «Как я получил работу с зарплатой 300 000 долларов в Кремниевой долине» «Как я получил работу в Google»...

​Уменьшение зависимости от размеченных данных у генеративно-состязательных сетей

https://habr.com/ru/post/444768/

🔗 Уменьшение зависимости от размеченных данных у генеративно-состязательных сетей
Генеративно-состязательные сети (ГСС) [Generative Adversarial Networks, GAN] – обладающий интересными возможностями класс глубоких генеративных моделей. Их основ...

​Как мы предсказывали отток, подойдя к нему как к стихийному бедствию

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

https://habr.com/ru/company/rostelecom/blog/444694/

🔗 Как мы предсказывали отток, подойдя к нему как к стихийному бедствию
Иногда для того, чтобы решить какую-то проблему, надо просто взглянуть на нее под другим углом. Даже если последние лет 10 подобные проблемы решали одним и тем ж...

​Learning Latent Dynamics for Planning from Pixels

🔗 Learning Latent Dynamics for Planning from Pixels
PlaNet solves control tasks from pixels by planning in latent space.

​Машинное обучение для людей

🔗 Машинное обучение для людей
Разбираемся простыми словами

🎥 How optimization for machine learning works - Part 3
👁 2 раз ⏳ 368 сек.
In this video you will learn about how optimization for machine learning works. Optimization is crucial in machine learning.
#MLoptimization
#MachineLearningOptimization

🎥 How optimization for machine learning works - part 2
👁 1 раз ⏳ 632 сек.
In this video you will learn about how optimization for machine learning works. Optimization is crucial in machine learning.
#MLoptimization
#MachineLearningOptimization

​Откуда берут фотографии для тестирования систем распознавания лиц
https://habr.com/ru/post/444984/

🔗 Откуда берут фотографии для тестирования систем распознавания лиц
Аннотированная фотография из набора данных Diversity in Faces от IBM Недавно компания IBM подверглась критике за то, что для обучения нейросетей без разрешения...

​DeViSE Zero-shot learning

🔗 DeViSE Zero-shot learning
DeViSE combines computer vision with language modeling and can make predictions about thousands of image labels not observed during…

🎥 MIT AI: Revolutionary Ideas in Science, Math, and Society (Eric Weinstein)
👁 18 раз ⏳ 4916 сек.
Eric Weinstein is a mathematician, economist, physicist, and managing director of Thiel Capital. He formed the "intellectual dark web" which is a loosely assembled group of public intellectuals including Sam Harris, Jordan Peterson, Steven Pinker, Joe Rogan, Michael Shermer, and a few others. Follow Eric on Twitter: https://twitter.com/EricRWeinstein and look out for a podcast that he may be starting soon.

This conversation is part of the Artificial Intelligence podcast at MIT and beyond. Audio podcast ver

​https://arxiv.org/abs/1903.00450

🔗 Multi-Object Representation Learning with Iterative Variational Inference
Human perception is structured around objects which form the basis for our higher-level cognition and impressive systematic generalization abilities. Yet most work on representation learning focuses on feature learning without even considering multiple objects, or treats segmentation as an (often supervised) preprocessing step. Instead, we argue for the importance of learning to segment and represent objects jointly. We demonstrate that, starting from the simple assumption that a scene is composed of multiple entities, it is possible to learn to segment images into interpretable objects with disentangled representations. Our method learns -- without supervision -- to inpaint occluded parts, and extrapolates to scenes with more objects and to unseen objects with novel feature combinations. We also show that, due to the use of iterative variational inference, our system is able to learn multi-modal posteriors for ambiguous inputs and extends naturally to sequences.

🎥 Machine Learning инженер в США | Что и где учить по машинному обучению
👁 83 раз ⏳ 1137 сек.
Михаил Ольховский – Machine Learning инженер в Postmates –  в этом видео рассказал о своем пути в программирование и поделился полезными онлайн ресурсами по изучению машинного обучение. Приятного просмотра!

Спасибо за просмотр и лайк!

Не забудьте подписаться на канал, чтобы не пропустить новые выпуски.

Запись на личную консультацию – pb@progblog.tv
-визовые вопросы,
-способы поиски работы в США,
-прохождение собеседований,
-составление резюме,
-заполнение LinkedIn-профиля,
-учеба в США по специальност

​How to Load and Manipulate Images for Deep Learning in Python With PIL/Pillow

https://machinelearningmastery.com/how-to-load-and-manipulate-images-for-deep-learning-in-python-with-pil-pillow/

🔗 How to Load and Manipulate Images for Deep Learning in Python With PIL/Pillow
Before you can develop predictive models for image data, you must learn how to load and manipulate images and photographs. The most popular and de facto standard library in Python for loading and working with image data is Pillow. Pillow is an updated version of the Python Image Library, or PIL, and supports a range …

​Discover open source Deep Learning code and pretrained models.
Deep learning researchers easily find pre-trained models for a variety of platforms and uses. Great resource

https://modelzoo.co/

🔗

​"A Step-by-Step NLP Guide to Learn ELMo for Extracting Features from Text".

* However you can utilize ElMo for several domains:
- Machine Translation
- Language Modeling
- Text Summarization
- Named Entity Recognition
- Question-Answering Systems
https://www.analyticsvidhya.com/blog/2019/03/learn-to-use-elmo-to-extract-features-from-text/

🔗 A Step-by-Step NLP Guide to Learn ELMo for Extracting Features from Text
Introduction I work on different Natural Language Processing (NLP) problems (the perks of being a data scientist!). Each NLP problem is a unique challenge in its own way. That's just a reflection of how complex, beautiful and wonderful the human language is. But one thing has always been a thorn in an NLP practitioner's mind