🎥 Face Generation with nVidia StyleGAN2 and Python (3.7)
👁 1 раз ⏳ 1214 сек.
It can take considerable training effort and compute time to build a face generating GAN from scratch. nVidia StyleGAN2 offers pretrained weights and a TensorFlow compatible wrapper that allows you to generate realistic faces out of the box. StyleGAN does require a GPU, however, Google CoLab GPU works just fine, as this video demonstrates.

Code for This Video:
https://github.com/jeffheaton/t81_558_deep_learning/blob/master/t81_558_class_07_3_style_gan.ipynb

Course Homepage: https://sites.wustl.edu/jeff

🎥 Артеменко М.В. Лекция №3 «Нейронные сети: алгоритмы электрокардиографы»
👁 1 раз ⏳ 821 сек.
Лекция №3 на тему «Нейронные сети: алгоритмы электрокардиографы» по дисциплине «Управление в биотехнических системах».
Лекцию подготовил и прочитал кандидат биологических наук, доцент кафедры Биомедицинской инженерии ЮЗГУ Артеменко Михаил Владимирович.

​Speeding up neural networks using TensorNetwork in Keras

https://blog.tensorflow.org/2020/02/speeding-up-neural-networks-using-tensornetwork-in-keras.html

🔗 Speeding up neural networks using TensorNetwork in Keras

​Learning to See Transparent Objects

ClearGrasp uses 3 neural networks: a network to estimate surface normals, one for occlusion boundaries (depth discontinuities), and one that masks transparent objects

Google research: https://ai.googleblog.com/2020/02/learning-to-see-transparent-objects.html

Code: https://github.com/Shreeyak/cleargrasp

Dataset: https://sites.google.com/view/transparent-objects

3D Shape Estimation of Transparent Objects for Manipulation: https://sites.google.com/view/cleargrasp

🔗 Learning to See Transparent Objects
Posted by Shreeyak Sajjan, Research Engineer, Synthesis AI and Andy Zeng, Research Scientist, Robotics at Google Optical 3D range sensor...

​Недооцененная японская машина S-класса по цене подержанного Фокуса

🔗 Недооцененная японская машина S-класса по цене подержанного Фокуса
Всем привет🖐 Многие люди хотят купить хорошую надежную машину за небольшой бюджет. Чтобы не нужно было постоянно ремонтировать и выплачивать кредит несколько лет. В этой статье хочу рассказать об одной интересной японской машине, которая очень надежная, имеет роскошный кожаный салон и кучу опций S-класса, например пневмоподвеску, доводчики дверей, вентиляцию сидений, ксенон, парктроники и

​12 Astonishing Machine Learning Applications

🔗 12 Astonishing Machine Learning Applications
“Machine Learning is the last invention that humanity will ever need to make.” Isn’t it fascinatin...

​Kaggle Lyft 3D Object Detection for Autonomous Vehicles — Павел Логачев

🔗 Kaggle Lyft 3D Object Detection for Autonomous Vehicles — Павел Логачев
Павел Логачев рассказывает про соревнование Kaggle Lyft 3D Object Detection for Autonomous Vehicles, в котором он заработал первую золотую медаль, да ещё и соло! Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и видео можно из групп: ВКонтакте https://vk.com/mltrainings Facebook https: https://www.facebook.com/TrainingsML/ Telegram https://xn--r1a.website/mltrainings Чат ML тренировок https://xn--r1a.website/mltrainings_chat

🎥 Практическое применение машинного обучения
👁 3 раз ⏳ 1201 сек.
A Practical Application of Machine Learning

Кирилл Рудаков
научный сотрудник, НИУ Высшая Школа Экономики (ВШЭ)

Dev Meetup
7 февраля 2020, Кострома

«На разных этапах развития компаний появляются внутренние задачи, в результате решения которых можно повысить качество продукта. Машинное обучение помогло решить одну из таких задач.»

Кирилл поэтапно разбирает работу над проектом, которая включает:
- Определение проблемы, постановку задач
- Исследование методов, проверку гипотез
- Создание прототипа пользоват

Нейронная сеть C#

✅Машинное обучение для начинающих. Простая нейросеть.
✅Обучение нейронных сетей. Алгоритм обратного распространения ошибки
✅Нормализация и масштабирование данных. Обучение по Dataset
✅Компьютерное зрение и распознавание образов нейронной сетью
✅Информационная система медицинской организации

#video #neural #csharp

🎥 Искусственный интеллект и нейронные сети C#. Машинное обучение для начинающих. Простая нейросеть.
👁 24 раз ⏳ 8928 сек.
Мы изучим основные понятия и теорию необходимые для создания нейронных сетей, поймем главный принцип работы искусственного интеллекта и приступим к...

🎥 Искусственный интеллект C#. Обучение нейронных сетей. Алгоритм обратного распространения ошибки
👁 2 раз ⏳ 7803 сек.
Основной задачей при разработке искусственного интеллекта является обучение нейронной сети. Это наиболее затратный процесс и для его успешного выпо...

🎥 Нейронные сети C#. Нормализация и масштабирование данных. Обучение по Dataset.
👁 2 раз ⏳ 7635 сек.
Использую информацию по историческим данным (dataset - датасет) мы научимся с определенной вероятностью прогнозировать наличие сердечных заболевани...

🎥 Искусственный интеллект C#. Компьютерное зрение и распознавание образов нейронной сетью
👁 7 раз ⏳ 8198 сек.
На основе большого количества изображений о клетках малярии мы научимся реализовывать простые механизмы компьютерного зрения и распознавания образо...

🎥 Искусственный интеллект и нейронные сети C#. Информационная система медицинской организации
👁 4 раз ⏳ 8488 сек.
Завершаем разработку простой медицинской информационной системы, которую мы реализовали с помощью языка программирования C# и алгоритмов машинного ...

​A Gentle Intro to Probability and Statistics for Data Science

🔗 A Gentle Intro to Probability and Statistics for Data Science
Deep and easy dive into the world of Statistics.

​Fourier Transformation for a Data Scientist

🔗 Fourier Transformation for a Data Scientist
Introduction

🎥 Karen Croxson: The Opportunity and Dangers of Machine Learning in Finance | WIRED Smarter 2019
👁 1 раз ⏳ 1120 сек.
Karen Croxson is the Head of Research and Deputy Chief Economist at the Financial Conduct Authority, where she leads an interdisciplinary research team that integrates economics, data science and behavioural science to analyse markets and inform policy.

In this video, Karen explains how artificial intelligence and machine learning can benefit institutions, but also the risks which come with adapting them too quickly. She shares how crucial it is for investors and regulators to develop a better understandi

🎥 13- Implementing a neural network for music genre classification
👁 1 раз ⏳ 2005 сек.
In this video, l implement a music genre classifier using Tensorflow. The classifier is trained on MFCC features extracted from the music Marsyas dataset. While building the network, I also introduce a few fundamental deep learning concepts such as binary/multicalss classification, rectified linear units, batching, and overfitting.

Video slides:
https://github.com/musikalkemist/DeepLearningForAudioWithPython/tree/master/12-%20Music%20genre%20classification:%20Preparing%20the%20dataset/code

Code:
https://g

​Downloading The Kinetics Dataset For Human Action Recognition in Deep Learning

🔗 Downloading The Kinetics Dataset For Human Action Recognition in Deep Learning
If you are interested in performing deep learning for human activity or action recognition, you are bound to come across the Kinetics…

​The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification

Code release for The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification (TIP 2020)

code: https://github.com/dongliangchang/Mutual-Channel-Loss
paper: https://arxiv.org/abs/2002.04264v1
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 dongliangchang/Mutual-Channel-Loss
Code release for The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification (TIP 2020) - dongliangchang/Mutual-Channel-Loss

​Top 20 free Data Science, ML and AI MOOCs on the Internet

🔗 Top 20 free Data Science, ML and AI MOOCs on the Internet
Here is a list of the best online courses on Data Science, Machine Learning, Deep Learning, and Artificial Intelligence

​Мифы о больших данных и цифровая культура

Мы продолжаем публиковать самые интересные доклады RAIF. Сегодня хотим поделиться рассказом доктора физико-математических наук, профессора департамента информатики НИУ ВШЭ Бориса Асеновича Новикова.

🔗 Мифы о больших данных и цифровая культура
Мы продолжаем публиковать самые интересные доклады RAIF. Сегодня хотим поделиться рассказом доктора физико-математических наук, профессора департамента информа...

​Классификация с многими метками
Привет, Хаброжители! Мы решили привести опубликовать отрывок из книги Андрея Буркова «Машинное обучение без лишних слов», посвященный классификации.

Для описания изображения на рисунке можно использовать одновременно несколько меток: «хвойный лес», «горы», «дорога». Если число возможных значений для меток велико, но все они имеют одинаковую природу, как теги, каждый размеченный образец можно преобразовать в несколько размеченных данных, по одному для каждой метки. Все эти новые данные будут иметь одинаковые векторы признаков и только одну метку. В результате задача превращается в задачу многоклассовой классификации. Решить ее можно, используя стратегию «один против всех». Единственное отличие от обычной задачи многоклассовой классификации заключается в появлении нового гиперпараметра: порога. Если оценка подобия для какой-то метки выше порогового значения, эта метка присваивается входному вектору признаков. В этом сценарии одному вектору признаков может быть присвоено несколько меток. Значение порога выбирается с использованием контрольного набора.

🔗 Классификация с многими метками
Привет, Хаброжители! Мы решили привести опубликовать отрывок из книги Андрея Буркова «Машинное обучение без лишних слов», посвященный классификации. Для описан...

​📚Natural Language Processing with PyTorch

📝 [Delip_Rao,_Brian_McMahan]_Natural_Language_Proces.pdf - 💾16 896 401

​Why Heatmaps don’t work for experimenting “geospatially” on ground?

🔗 Why Heatmaps don’t work for experimenting “geospatially” on ground?
What can we learn about experiments on the ground from web-based experimentation?