Watch Me Build an AI Startup
https://www.youtube.com/watch?v=NzmoPqte4V4

🎥 Watch Me Build an AI Startup
👁 6 раз ⏳ 2374 сек.
I'm going to build a medical imaging classification app called SmartMedScan! The potential customers for this app are medical professionals that need to scale and improve the accuracy of their diagnoses using AI. From ideation, to logo design, to integrating features like payments and AI into a single app, I'll show you my 10 step process. I hope that by seeing my thought process and getting familiar with the sequence of steps I'll demonstrate,, you too will be as inspired as I am to use this technology to

​Python Tutorial: A Name Lookup Table for Fuzzy Name Data Sets

🔗 Python Tutorial: A Name Lookup Table for Fuzzy Name Data Sets
Increase accuracy in person name matching by using name component combinations

🎥 This AI is The “Photoshop” of Human Faces
👁 1 раз ⏳ 192 сек.
❤️ Pick up cool perks on our Patreon page: https://www.patreon.com/TwoMinutePapers

📝 The paper "SC-FEGAN: Face Editing Generative Adversarial Network with User's Sketch and Color" is available here:
https://arxiv.org/abs/1902.06838
https://github.com/JoYoungjoo/SC-FEGAN

🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible:
313V, Alex Haro, Andrew Melnychuk, Angelos Evripiotis, Anthony Vdovitchenko, Brian Gilman, Christian Ahlin, Christoph Jadanowski, Claudio Fernand

​Geo Experiments, The Perfect Complement to A/B Testing

🔗 Geo Experiments, The Perfect Complement to A/B Testing
What Is It and How Will It Help You In Marketing?

🎥 Getting Started with TensorFlow and Deep Learning | SciPy 2018 Tutorial | Josh Gordon
👁 1 раз ⏳ 9679 сек.
A friendly introduction to Deep Learning, taught at the beginner level. We’ll work through introductory exercises across several domains - including computer vision, natural language processing, and structured data classification. We’ll introduce TensorFlow - the world’s most popular open source machine learning library - preview the latest APIs (including Eager Execution), discuss best practices, and point you to recommended educational resources you can use to learn more.

Tutorial instructions may be fou

​Другой Github 2: машинное обучение, датасеты и Jupyter Notebooks
Несмотря на то, что в интернете существует множество источников свободного программного обеспечения для машинного обучения, Github остается важным центром обмена информацией для всех типов инструментов с открытым исходным кодом, используемых в сообществе специалистов по машинному обучению и анализу данных.

В этой подборке собраны репозитории по машинному обучению, датасетам и Jupyter Notebooks, ранжированные по количеству звезд. В предыдущей части мы рассказывали о популярных репозиториях для изучения работ по визуализации данных и глубокому обучению.
https://habr.com/ru/company/mailru/blog/445530/

🔗 Другой Github 2: машинное обучение, датасеты и Jupyter Notebooks
Несмотря на то, что в интернете существует множество источников свободного программного обеспечения для машинного обучения, Github остается важным центром обме...

​Neural Quantum States — представление волновой функции нейронной сетью

В этой статье мы рассмотрим необычное применение нейронных сетей в целом и ограниченных машин Больцмана в частности для решения двух сложных задач квантовой механики — поиска энергии основного состояния и аппроксимации волновой функции системы многих тел.
https://habr.com/ru/company/raiffeisenbank/blog/445516/

🔗 Neural Quantum States — представление волновой функции нейронной сетью
В этой статье мы рассмотрим необычное применение нейронных сетей в целом и ограниченных машин Больцмана в частности для решения двух сложных задач квантовой меха...

​Unifying Physics and Deep Learning with TossingBot

🔗 Unifying Physics and Deep Learning with TossingBot
Posted by Andy Zeng, Student Researcher, Robotics at Google Though considerable progress has been made in enabling robots to grasp objec...

​Word Vectors and Lexical Semantics (Part 1)

🔗 Word Vectors and Lexical Semantics (Part 1)
The following are my personal notes based on the Deep NLP course by Oxford University held in 2017. The material is available at [1].

​Training deep neural networks on a GPU with PyTorch

🔗 Training deep neural networks on a GPU with PyTorch
Part 4 of “PyTorch: Zero to GANs”

​How to correctly select a sample from a huge dataset in machine learning

🔗 How to correctly select a sample from a huge dataset in machine learning
Choosing a small, representative dataset from a large population can improve model training reliability

​Monte Carlo Integration is Magic

🔗 Monte Carlo Integration is Magic
How to compute an integral in 3 lines of code

​Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
https://www.shortscience.org/paper?bibtexKey=journals/corr/1406.4729

🔗 Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition - ShortScience.org
Spatial Pyramid Pooling (SPP) is a technique which allows Convolutional Neural Networks (CNNs) to use input images of any size, not only $224\text{px} \times 224\text{px}$ as most architectures do. (However, there is a lower bound for the size of the input image). ## Idea * Convolutional layers operate on any size, but fully connected layers need fixed-size inputs * Solution: * Add a new SPP layer on top of the last convolutional layer, before the fully connected layer * Use an approach similar to bag of words (BoW), but maintain the spatial information. The BoW approach is used for text classification, where the order of the words is discarded and only the number of occurences is kept. * The SPP layer operates on each feature map independently. * The output of the SPP layer is of dimension $k \cdot M$, where $k$ is the number of feature maps the SPP layer got as input and $M$ is the number of bins. Example: We could use spatial pyramid pooling with

🎥 Михаил Цветков: «Обзор проектов Intel в области машинного обучения и систем AI»
👁 6 раз ⏳ 3342 сек.
Доклад «Обзор проектов Intel в области машинного обучения и систем AI: новые аппаратные платформы и оптимизация на программном уровне» будет читать Михаил Цветков, лидер технической группы Intel в России. Михаил закончил Физический факультет и аспирантуру по направлению Физика полупроводниковых приборов и микроэлектроника Воронежского Университета. Работал в подразделениях Intel Labs и Intel Architecture Group в Intel с 2008 года. Специализация — разработка пространственных структур обработки данных на FPGA

🎥 Машинное обучение на реальных кейсах
👁 1 раз ⏳ 5198 сек.
Спикер Андрей Латыш, инженер по машинному обучению анализу данных в The Product Engine.

Программа:
- история машинного обучения;
- суть машинного обучения;
- распространенные алгоритмы с демонстрацией и объяснением на практических, бизнес-примерах.

Компьютерная Школа Hillel

site: https://ithillel.ua
тел.: +38 (097) 156-58-27

fb: https://www.facebook.com/hillel.it.school
in: https://www.instagram.com/hillel_itschool
tw: https://twitter.com/hillel_itschool
ln: https://www.linkedin.com/company/hillel_itsch

https://www.youtube.com/watch?v=Ejsr3S79gcQ/

🎥 Байесовские методы в машинном обучении. Лекция 1
👁 1 раз ⏳ 5449 сек.
Лектор: профессор Ветров Дмитрий Петрович

🎥 Google Cloud Next, Machine Learning, & more! (This Week in Cloud)
👁 1 раз ⏳ 141 сек.
Here to bring you the latest news in the cloud is Google Cloud Developer Advocate Stephanie Wong.

Learn more about these announcements → https://bit.ly/2TqGuME

• Weekly updates (blog) → https://bit.ly/2TmTgvS
• Get Cloud Certified → https://bit.ly/2Tqmwlh
• TensorFlow Deep Learning VM Instances → https://bit.ly/2Toph6Q
• G Suite Updates → https://bit.ly/2TqHHUc

This Week in The Cloud is a new series where we serve you the lowest latency news → https://bit.ly/ThisWeek-inCloud

Tune in every week for a n

🎥 Stanford CS230: Deep Learning | Autumn 2018 | Lecture 3 - Full-Cycle Deep Learning Projects
👁 1 раз ⏳ 4697 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:

🎥 Stanford CS230: Deep Learning | Autumn 2018 | Lecture 2 - Deep Learning Intuition
👁 1 раз ⏳ 4967 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:

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🎥 Евгений Борисов: «Настоящие и будущие супер-решения Supermicro для систем ИИ и анализа данных»
👁 1 раз ⏳ 4546 сек.
Продукция компании Supermicro — производителя серверных платформ — является ключевым звеном в цепи «превращения умных чипов в законченные функциональные устройства». Она применяется в крупных дата-центрах и в первую очередь — в ЦОДах, ориентированных на системы искусственного интеллекта (AI/ML/DL).

Практическая аппаратная часть систем искусственного интеллекта для решений конкретных задач начинается с серверных платформ. В Supermicro-платформы устанавливаются «ИИ-акселераторы» разной функциональности: CPU,

🎥 Байесовские методы в машинном обучении. Лекция 6
👁 1 раз ⏳ 5159 сек.
Лектор: профессор Ветров Дмитрий Петрович