​Physicists have discovered what makes neural networks so extraordinarily powerful

🔗 Physicists have discovered what makes neural networks so extraordinarily powerful
Nobody understands why deep neural networks are so good at solving complex problems. Now physicists say the secret is buried in the laws of physics.

​Как Мефодий стал Анной: опыт разработки и запуска классификаторов голосовых сообщений. Часть
Цель и задача
Напомню, что в рамках первой статьи мы получили модель с удовлетворяющим нас качеством и пришли к выводу, что не стоит сразу строить нейронные сети, на некорректных данных большой пользы от этого не будет. Чтобы избежать потери времени и своих сил, достаточно проанализировать ошибки на “простых” моделях.

В этой статье мы поговорим о выводе в продуктив рабочей модели.

🔗 Как Мефодий стал Анной: опыт разработки и запуска классификаторов голосовых сообщений. Часть
Цель и задача Напомню, что в рамках первой статьи мы получили модель с удовлетворяющим нас качеством и пришли к выводу, что не стоит сразу строить нейронные сети...

​A Gentle Introduction to Logistic Regression With Maximum Likelihood Estimation

🔗 A Gentle Introduction to Logistic Regression With Maximum Likelihood Estimation
Logistic regression is a model for binary classification predictive modeling. The parameters of a logistic regression model can be estimated by the probabilistic framework called maximum likelihood estimation. Under this framework, a probability distribution for the target variable (class label) must be assumed and then a likelihood function defined that calculates the probability of observing …

​Garry Kasparov: Chess, Deep Blue, AI, and Putin | Artificial Intelligence (AI) Podcast

🔗 Garry Kasparov: Chess, Deep Blue, AI, and Putin | Artificial Intelligence (AI) Podcast
Garry Kasparov is considered by many to be the greatest chess player of all time. From 1986 until his retirement in 2005, he dominated the chess world, ranking world number 1 for most of those 19 years. While he has many historic matches against human chess players, in the long arc of history he may be remembered for his match again a machine, IBM's Deep Blue. His initial victories and eventual loss to Deep Blue captivated the imagination of the world of what role Artificial Intelligence systems may play in

​«Ждёт тебя дорога дальняя…» или решение задачи прогнозирования на C# с помощью Ml.NET (DataScience)
В последнее время мне все чаще на глаза попадается информация о фреймворке для машинного обучения Ml.NET. Количество упоминаний о нем переросло в качество, и я решил хотя бы одним глазком глянуть, что же это за зверь такой.

Пару лет назад мы с вами уже пробовали решить простейшую задачу предсказания с помощью линейной регрессии в экосистеме .NET. Для этого мы использовали Accord.NET Framework.

Пару лет назад из открытых данных по обращениям граждан в органы исполнительной власти и лично в адрес мэра г. Москвы , я заботливо собрал для дорогих читателей небольшой набор данных. Спустя пару лет на обновлённом наборе данных мы попробуем решить простейшую задачу предсказания используя Ml.NET Framework. Попутно мы сравним Ml.NET с Accord. NET и библиотеками на Python.

Хотите овладеть силой и могуществом предсказателя? Тогда милости прошу под кат.

P.S. Пусть вас не смущает изображение Собянина, в статье не будет ни слова о политике, только анализ данных, только хардкор )

🔗 «Ждёт тебя дорога дальняя…» или решение задачи прогнозирования на C# с помощью Ml.NET (DataScience)
В последнее время мне все чаще на глаза попадается информация о фреймворке для машинного обучения Ml.NET. Количество упоминаний о нем переросло в качество, и я р...

​It seems AutoML is popular

🔗 It seems AutoML is popular
So we had better take a little look, it could be big!

​Идея инерции(SGDm), идея масштабирования (Adagrad) и регуляризация в машинном обучении на примере задачи классификации
Датасет, используемый далее, взят с уже прошедшего соревнования на kaggle отсюда.
На вкладке Data можно прочитать описание всех полей.

Весь исходный код здесь в формате ноутбука.

🔗 Идея инерции(SGDm), идея масштабирования (Adagrad) и регуляризация в машинном обучении на примере задачи классификации
Датасет, используемый далее, взят с уже прошедшего соревнования на kaggle отсюда. На вкладке Data можно прочитать описание всех полей. Весь исходный код здесь в...

​Гоним кота: как заставить котов не гадить на лужайке у дома?
Жил был Роберт Бонд — 65-летний программист из Калифорнии. И была у него жена-садовница, которая очень любила свою чистенькую лужайку. Но это Калифорния, там нет двухметровых заборов с системой защиты от котов. На лужайку ходят соседские коты и гадят!

Проблему нужно было решать. Как же решил её Роберт? Он докупил немного железа к своему компьютеру, подключил к нему камеру наружного наблюдения, смотрящую за лужайкой и дальше проделал несколько необычную вещь, он загрузил доступный бесплатный Open Source софт — нейросеть, и начинал обучать её распознавать котов на изображении с камеры. И задача в начале кажется тривиальной, ведь если чему-то учить и легко — это котам, потому что котами завален Интернет, их там десятки миллионов. Если было всё так просто, но дела обстоят хуже, в реальной жизни коты ходят гадить в основном ночью. Картинок ночных котов писающих на лужайке в Интернете практически нет. И некоторые из котов умудряются даже пить из системы полива во время работы, но всё же потом сваливают.

🔗 Гоним кота: как заставить котов не гадить на лужайке у дома?
Жил был Роберт Бонд — 65-летний программист из Калифорнии. И была у него жена-садовница, которая очень любила свою чистенькую лужайку. Но это Калифорния, там нет...

​Open MMLab Detection Toolbox and Benchmark https://github.com/open-mmlab/mmdetection

🔗 open-mmlab/mmdetection
Open MMLab Detection Toolbox and Benchmark. Contribute to open-mmlab/mmdetection development by creating an account on GitHub.

​Google is training graph neural networks to predict smells

#DataScience #MachineLearning #ArtificialIntelligence

https://venturebeat.com/2019/10/24/google-is-training-graph-neural-networks-to-predict-smells/

🔗 Google is training graph neural networks to predict smells
Machine learning that predicts smells can be used to create synthetic perfumes and reduce the ecological impact of harvesting natural resources.

🎥 Real time emotion recognition during presentations by Artemii Frolov
👁 1 раз ⏳ 1154 сек.
Abstract:
Understanding of emotions during presentations could be very important for the presenter. It could be not only useful for him but also make presentations more interesting for the listeners. In this talk, I would like to present my solution, based on Amazon DeepLens, and using MTCNN and mini-Xception networks (with an explanation of how they work). We'll discuss easy visualization of the results and how to expand the solution for every mini-computer with a camera.

Bio:
Artemii is a Master student

​What does it mean for a machine to “understand”?

🔗 What does it mean for a machine to “understand”?
Critics of recent advances in artificial intelligence complain that although these advances have produced remarkable improvements in AI…

​Machine Learning Model Comparison for Breast Cancer Classification and Bio-Marker Identification

🔗 Machine Learning Model Comparison for Breast Cancer Classification and Bio-Marker Identification
This data-set is publicly available for research. Credit: Patrício, M., Pereira, J., Crisóstomo, J., Matafome, P., Gomes, M., Seiça, R., &…

​How I See Things With Google Lens

🔗 How I See Things With Google Lens
For Android users, Google Assistant provides a feature that uses image recognition technology with the smartphone camera. It is called…

​Introducing the Schema-Guided Dialogue Dataset for Conversational Assistants

🔗 Introducing the Schema-Guided Dialogue Dataset for Conversational Assistants
Posted by Abhinav Rastogi, Software Engineer, and Pranav Khaitan, Engineering Lead, Google Research Today's virtual assistants help use...

🎥 Brain Computer Interface w/ Python and OpenBCI for EEG data
👁 3 раз ⏳ 1373 сек.
Learning how to read EEG data in Python for the purposes of creating a brain computer interface with hopes of doing things like controlling characters in a game and hopefully much more!

Channel membership: https://www.youtube.com/channel/UCfzlCWGWYyIQ0aLC5w48gBQ/join
Discord: https://discord.gg/sentdex
Support the content: https://pythonprogramming.net/support-donate/
Twitter: https://twitter.com/sentdex
Instagram: https://instagram.com/sentdex
Facebook: https://www.facebook.com/pythonprogramming.net/
Twit

​AWS Elastic MapReduce (EMR) — 6 Caveats You Shouldn’t Ignore

🔗 AWS Elastic MapReduce (EMR) — 6 Caveats You Shouldn’t Ignore
A few gotchas about AWS EMR and AWS Glue that you, as a developer/architect, should know

​How to use NVIDIA GPUs for Machine Learning with the new Data Science PC from Maingear

🔗 How to use NVIDIA GPUs for Machine Learning with the new Data Science PC from Maingear
Yes, you read it right: it's Machine Learning and not Deep Learning

​Credit Risk Analysis Using Machine Learning and Deep Learning Models

https://github.com/brainy749/CreditRiskPaper
https://www.mdpi.com/2227-9091/6/2/38/htm

🔗 brainy749/CreditRiskPaper
Codes for replication and implementation of techniques in our credit risk article - brainy749/CreditRiskPaper

​Превращаем скрипты в красивые инструменты для машинного обучения
Создаём семантический поисковик с машинным обучением в реальном времени за 300 строк Python кода.
Мой опыт подсказывает, что любой более или менее сложный проект по машинному обучению рано или поздно превращается в набор сложных неподдерживаемых внутренних инструментов. Эти инструменты, как правило, мешанина из скриптов Jupyter Notebooks и Flask, которые сложно развёртывать и интегрировать с решениями типа GPU сессий Tensorflow.
Впервые я столкнулся с этим в университете Карнеги, затем в Беркли, в Google X, и, наконец, при создании автономных роботов в Zoox. Зарождались инструменты в виде небольших Jupyter notebooks: утилита калибровки сенсора, сервис моделирования, приложение LIDAR, утилита для сценариев и т.д.
С ростом важности инструментов появлялись менеджеры. Бюрократия росла. Требования повышались. Маленькие проекты превращались в огромные неуклюжие кошмары.

🔗 Превращаем скрипты в красивые инструменты для машинного обучения
Создаём семантический поисковик с машинным обучением в реальном времени за 300 строк Python кода. Мой опыт подсказывает, что любой более или менее сложный проект...

​Как мы используем цепи Маркова в оценке решений и поиске багов. Со скриптом на Python

Нам важно понимать, что с происходит с нашими студентами во время обучения, и как эти события влияют на результат, поэтому мы выстраиваем Customer Journey Map — карту клиентского опыта. Ведь процесс обучения — не нечто непрерывное и цельное, это цепочка взаимосвязанных событий и действий студента, причем эти действия могут сильно отличаться у разных учеников. Вот он прошел урок: что он сделает дальше? Пойдет в домашнее задание? Запустит мобильное приложение? Изменит курс, попросит сменить учителя? Сразу зайдет в следующий урок? Или просто уйдет разочарованным? Можно ли, проанализировав эту карту, выявить закономерности, приводящие к успешному окончанию курса или наоборот, «отваливанию» студента?

Обычно для выстраивания CJM используют специализированные, весьма дорогие инструменты с закрытым кодом. Но нам хотелось придумать что-то простое, требующее минимальных усилий и по возможности опенсорсное. Так появилась идея воспользоваться цепями Маркова — и у нас получилось. Мы построили карту, интерпретировали данные о поведении студентов в виде графа, увидели совершенно неочевидные ответы на глобальные вопросы бизнеса и даже нашли глубоко спрятанные баги. Все это мы сделали с помощью опенсорсных решений Python-скрипта. В этой статье я расскажу про два кейса с теми самыми неочевидными результатами и поделюсь скриптом со всеми желающими.

🔗 Как мы используем цепи Маркова в оценке решений и поиске багов. Со скриптом на Python
Нам важно понимать, что с происходит с нашими студентами во время обучения, и как эти события влияют на результат, поэтому мы выстраиваем Customer Journey Map...