​Сможет ли Julia побороть Python так же, как Python поборол Java

Язык программирования Python прошел большой путь с момента своего появления в 1990-х. Едва ли Гвидо Ван Россум знал, что Python станет одним из самых популярных языков в мире, в то время, когда он его разрабатывал. На сегодняшний день Python является одним из наиболее широко используемых языков программирования на планете и имеет множество различных применений. Будь то приложения корпоративного уровня, машинное обучение, модели искусственного интеллекта или работа в области Data Science, Python активно используется практически во всех процветающих отраслях и областях.

Текущий сценарий для Python
В мире более 8 миллионов разработчиков на Python, которые регулярно используют этот язык для самых разных целей. Благодаря своей гибкости и простой масштабируемости, Python уже стал предпочтительным языком для многих разработчиков. Это стало причиной, по которой Python смог обойти Java, которая долгое время была любимым языком у разработчиков. Но это также может быть связано с естественным процессом старения языка, с которым Java приближается к своему концу. Большинство новых языков предназначены для решения современных задач. Хотя языки, разработанные давно, наиболее эффективны для решения задач своего времени, им становится чрезвычайно трудно оставаться актуальными для меняющихся отраслей и сценариев.

🔗 Сможет ли Julia побороть Python так же, как Python поборол Java
Язык программирования Python прошел большой путь с момента своего появления в 1990-х. Едва ли Гвидо Ван Россум знал, что Python станет одним из самых популярны...

​The Hyperparameter Cheat Sheet

🔗 The Hyperparameter Cheat Sheet
A quick guide to hyperparameter tuning utilizing Scikit Learn’s GridSearchCV

​Python Machine Learning Blueprints

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Python Machine Learning Blueprints (en) (1).pdf - 💾39 356 955

​Как подружить PyTorch и C++. Используем TorchScript
Около года назад разработчики PyTorch представили сообществу TorchScript — инструмент, который позволяет с помощью пары строк кода и нескольких щелчков мыши сделать из пайплайна на питоне отчуждаемое решение, которое можно встроить в систему на C++. Ниже я делюсь опытом его использования и постараюсь описать встречающиеся на этом пути подводные камни. Особенное внимание уделю реализации проекта на Windows, поскольку, хотя исследования в ML обычно делаются на Ubuntu, конечное решение часто (внезапно!) требуется под "окошками".
Примеры кода для экспорта модели и проекта на C++, использующего модель, можно найти в репозиториии на GitHub.

🔗 Как подружить PyTorch и C++. Используем TorchScript
Около года назад разработчики PyTorch представили сообществу TorchScript — инструмент, который позволяет с помощью пары строк кода и нескольких щелчков мыши сдел...

​Anomaly Detection - Another Challenge for Artificial Intelligence

https://www.experfy.com/blog/anomaly-detection-another-challenge-for-artificial-intelligence

🔗

​4 крутых функции Numpy, которые я использую постоянно
В этой статье я хочу рассказать о нескольких функциях Numpy, которые я использую для анализа данных постоянно. Это ни в коем случае не исчерпывающий список, но думаю, что инструменты, о которых пойдёт речь, пригодятся каждому без исключения.

https://habr.com/ru/post/480740/

🔗 4 крутых функции Numpy, которые я использую постоянно
В этой статье я хочу рассказать о нескольких функциях Numpy, которые я использую для анализа данных постоянно. Это ни в коем случае не исчерпывающий список, но д...

​"Top 100 most discussed academic papers" (across all fields) this year:

Explore the list of the most discussed and shared research of 2019. The world’s climate emergency, vaccinations, and developments in AI all feature heavily in this year’s list. https://www.altmetric.com/top100/ #AltmetricTop100 https://xn--r1a.website/ArtificialIntelligenceArticles

🔗 The Altmetric Top 100 – 2019
What research caught the public imagination in 2019? Check out our annual list of papers with the most attention.

​Pendragon Four: Multi-Agent Reinforcement Learning with Fate Grand Order

🔗 Pendragon Four: Multi-Agent Reinforcement Learning with Fate Grand Order
Multi-agent reinforcement learning in a custom game environment to train 4 agents and have them play the mobile phone game Fate Grand Order

🎥 [part4]|Python Crash Course|Python for Data Science and Machine Learning Bootcamp
👁 1 раз ⏳ 5059 сек.
Python for Data Science and Machine Learning Bootcamp

Learn how to use NumPy, Pandas, Seaborn , Matplotlib , Plotly , Scikit-Learn , Machine Learning, Tensorflow , and more!

#python #Data #science #ml #machinelearning #datascience

What you'll learn!

Use Python for Data Science and Machine Learning

Use Spark for Big Data Analysis

Implement Machine Learning Algorithms

Learn to use NumPy for Numerical Data

Learn to use Pandas for Data Analysis

Learn to use Matplotlib for Python Plotting

Learn to use

​Causal Inference that’s not A/B Testing: Theory & Practical Guide

🔗 Causal Inference that’s not A/B Testing: Theory & Practical Guide
How to establish causality when you can’t run A/B tests? 5 methods to choose from, with theory, industry application and code examples.

🎥 Save costs training on AMLCompute
👁 1 раз ⏳ 952 сек.
With ever changing data and customer signals continuous training and retraining can incur higher costs, especially on GPUs for deep learning models. In AzureML, we have heard this concern loud and clear, and we want to share some tips to manage your costs and spend your budget wisely. Come learn about the latest updates to AMLcompute including some tips on saving costs.

00:40 - Introduction
03:22- Demo of enterprise ready features of AMLcompute
10:40- Demo of saving costs on AMLcompute

Learn More:
What is

🎥 The JerusML Show 19 - Yoav Levine (HUJI) - Deep learning and many-body quantum physics
👁 1 раз ⏳ 1164 сек.
Yoav Levine talking about Deep learning and many-body quantum physics: fundamental connections and bidirectional contributions as part of the JerusML Show, the first-ever Jerusalem Centered AI conference organized by JerusML, the largest professional tech community in Jerusalem.

JerusML is the AI and Data Science community of Jerusalem. With over 3000 members, JerusML is the largest professional community in Jerusalem.
JerusML main goal is to establish Jerusalem as a leading and thriving AI center in Israe

​Surprise Video With Our New Paper! - Photorealistic Material Editing 🔮

🔗 Surprise Video With Our New Paper! - Photorealistic Material Editing 🔮
📝 Our paper "Photorealistic Material Editing Through Direct Image Manipulation" and its source code are now available here: https://users.cg.tuwien.ac.at/zsolnai/gfx/photorealistic-material-editing/ ❤️ Pick up cool perks on our Patreon page: https://www.patreon.com/TwoMinutePapers 🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible: Alex Haro, Anastasia Marchenkova, Andrew Melnychuk, Angelos Evripiotis, Anthony Vdovitchenko, Benji Rabhan, Brian Gilman, Bryan Learn,

🎥 [part5]|Python for Data Analysis - NumPy|Python for Data Science and Machine Learning Bootcamp
👁 1 раз ⏳ 3782 сек.
Python for Data Science and Machine Learning Bootcamp

Learn how to use NumPy, Pandas, Seaborn , Matplotlib , Plotly , Scikit-Learn , Machine Learning, Tensorflow , and more!

#python #Data #science #ml #machinelearning #datascience

What you'll learn!

Use Python for Data Science and Machine Learning

Use Spark for Big Data Analysis

Implement Machine Learning Algorithms

Learn to use NumPy for Numerical Data

Learn to use Pandas for Data Analysis

Learn to use Matplotlib for Python Plotting

Learn to use

​Качество кода Apache Hadoop: production VS test

Для того, чтобы получить качественный production код, недостаточно просто обеспечить максимальное покрытие тестами. Несомненно, для того, чтобы добиться высоких результатов, основной код проекта и тесты обязаны работать в идеально сплоченном тандеме. Поэтому уделять внимания тестам нужно столько же, сколько и основному коду. Написание хорошего теста – залог того, что он отловит регрессию в production. Чтобы показать важность того, что баги в тестах ничем не хуже, чем в production, рассмотрим очередной разбор предупреждений статического анализатора PVS-Studio. Цель: Apache Hadoop.

🔗 Качество кода Apache Hadoop: production VS test
Для того, чтобы получить качественный production код, недостаточно просто обеспечить максимальное покрытие тестами. Несомненно, для того, чтобы добиться высоких...

​Развитие компилятора C для нового мультиклета-нейропроцессора

На конференции разработчиков системного и инструментального ПО – OS DAY 2016, которая прошла в г. Иннополис 9-10 июня 2016 (Казань) при обсуждении доклада о мультиклеточной архитектуре была высказана мысль, что она будет наиболее эффективной при решении задач искусственного интеллекта. Условия для разработки нового процессора общего назначения, ориентированного на задачи ИИ, сложились в текущем году.

Нейропроцессор Мультиклет S2, проект которого был впервые представлен на Huawei Innovation Forum 2019 является дальнейшим развитием мультиклеточной архитектуры. От ранее созданных мультиклетов он отличается системой команд, а именно вводом новых типов малоразмерных данных (с фиксированной и плавающей запятой) и операций с ними. Увеличено количество клеток – 256 и частота – 2,5 ГГц, что должно обеспечить пиковую производительность 81,9 TФлопс на 16F и, соответственно, сделать его сравнимым, в части нейровычислений, с возможностями современных специализированных ASIC TPU (TPU-3: 90 Тфлопс на 16F).

Так как эффективность использования процессоров в значительной мере зависит от оптимальности компилятора разработана развиваемая схема оптимизации кода.
Рассмотрим ее более подробно.

🔗 Развитие компилятора C для нового мультиклета-нейропроцессора
На конференции разработчиков системного и инструментального ПО – OS DAY 2016, которая прошла в г. Иннополис 9-10 июня 2016 (Казань) при обсуждении доклада о му...

​Pandas Tips & Tricks: Need For Speed

🔗 Pandas Tips & Tricks: Need For Speed
A Personal Favorite 1-Liner

​The year in AI: 2019 ML/AI advances recap

🔗 The year in AI: 2019 ML/AI advances recap
It has become somewhat of a tradition for me to do an end-of-year retrospective of advances in AI/ML (see last year’s round up for…

​Kaggle Reading Group: On NMT Search Errors and Model Errors: Cat Got Your Tongue? (Part 2) | Kaggle

🔗 Kaggle Reading Group: On NMT Search Errors and Model Errors: Cat Got Your Tongue? (Part 2) | Kaggle
This week we'll be continuing "On NMT Search Errors and Model Errors: Cat Got Your Tongue?" by Felix Stahlber and Bill Byrne, published at EMNLP 2019. You can follow along with the paper here: https://www.aclweb.org/anthology/D19-1331.pdf About Kaggle: Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data science work. Kaggle's platform is the fastest way to get started on a new data science project. Spin up a Jupyter notebook with a single cli

🎥 Microsoft Cognitive Service to Add Image and Voice Intelligence to your apps
👁 1 раз ⏳ 3564 сек.
Cognitive Services is a set of APIs that use the power of Machine Learning to enhance your application. Using these APIs, you can quickly add image recognition and analysis , speech recognition , text-to-speech capabilities , and many other features to your application.
In this presentation, you will learn about the capabilities of these APIs, how to test them, and how to call them via a REST web service and using some helpful .NET libraries.

This channel is all about latest trending technologies tutoria