🎥 Convolutional Neural Networks (CNNs) explained
👁 1 раз ⏳ 517 сек.
CNNs for deep learning. Blog for this vid! http://deeplizard.com/learn/video/YRhxdVk_sIs

#21 in Machine Leaning / Deep Learning for Programmers Playlist
https://www.youtube.com/playlist?list=PLZbbT5o_s2xq7LwI2y8_QtvuXZedL6tQU

In this video, we explain the concept of convolutional neural networks, how they’re used, and how they work on a technical level. We also discuss the details behind convolutional layers and filters.

fast.ai lesson 4:
http://course.fast.ai/lessons/lesson4.html

Follow deeplizard on T

​This Waifu Does Not Exist (TWDNE) - Gwern

🔗 This Waifu Does Not Exist (TWDNE) - Gwern
TWDNE: A site demonstrating anime faces generated by StyleGAN neural networks and text snippets generated by GPT-2-small.

​StyleGAN-generated anime face & GPT-2-small-generated anime plot: https://www.thiswaifudoesnotexist.net/

🔗 This Waifu Does Not Exist (TWDNE) - Gwern
TWDNE: A site demonstrating anime faces generated by StyleGAN neural networks and text snippets generated by GPT-2-small.

​Playing Poker on Mars: How AI Mastered the Game

🔗 Playing Poker on Mars: How AI Mastered the Game
Or, the Edge of Trillions of Hands

​“Particle robot” works as a cluster of simple units

http://news.mit.edu/2019/particle-robot-cluster-simple-units-0320

🔗 “Particle robot” works as a cluster of simple units
Loosely connected disc-shaped “particles” can push and pull one another, moving en masse to transport objects.

​Топ-7 Сценариев Использования Data Science в Финансах

https://habr.com/ru/company/otus/blog/444802/

🔗 Топ-7 Сценариев Использования Data Science в Финансах
Доброе утро! Сегодняшнюю публикацию мы хотим посвятить запуску курса «Data Scientist», который стартует уже 26 марта. Поехали! За последние годы наука о данных...

🎥 MIT 6.S191: Visualization for Machine Learning (Google Brain)
👁 1 раз ⏳ 2260 сек.
MIT Introduction to Deep Learning 6.S191: Lecture 7
*New 2019 Edition*
Data Visualization for Machine Learning
Lecturer: Fernanda Viegas
Google Brain Guest Lecture
January 2019


For all lectures, slides and lab materials: http://introtodeeplearning.com

🎥 MIT 6.S191 (2018): Computer Vision Meets Social Networks
👁 1 раз ⏳ 2038 сек.
MIT Introduction to Deep Learning 6.S191: Lecture 11
Computer Vision Meets Social Networks
Lecturer: Lin Ma; Tencent AI Lab
January 2018

Lecture 1 - Introduction to Deep Learning: https://www.youtube.com/watch?v=JN6H4rQvwgY
Lecture 2 - Deep Sequence Modeling: https://www.youtube.com/watch?v=CznICCPa63Q
Lecture 3 - Deep Computer Vision: https://www.youtube.com/watch?v=NVH8EYPHi30
Lecture 4 - Deep Generative Models: https://www.youtube.com/watch?v=JVb54xhEw6Y
Lecture 5 - Deep Reinforcement Learning: https://

​Cutting Edge Deep Learning for Coders: Launching Deep Learning Part 2

https://www.fast.ai/2017/07/28/deep-learning-part-two-launch/

🔗 Cutting Edge Deep Learning for Coders: Launching Deep Learning Part 2 · fast.ai

​huggingface/pytorch-pretrained-BigGAN

🔗 huggingface/pytorch-pretrained-BigGAN
🦋A PyTorch implementation of BigGAN with pretrained weights and conversion scripts. - huggingface/pytorch-pretrained-BigGAN

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 основная идея – обучение двух нейросетей, генератора, который обучается синтезу данных (к примеру, изображений), и дискриминатора, обучающегося тому, как отличать реальные данных от тех, что синтезировал генератор. Этот подход успешно использовался для высококачественного синтеза изображений, улучшения сжатия изображений, и прочего.
https://habr.com/ru/post/444768/

​ML.NET 0.11 — Машинное обучение для .Net
Microsoft — один из самых важнейших игроков в индустрии разработки ПО. Последнее дополнение ML.NET прибавляет ценность всей системе. Основная цель — внедрить и разработать собственный Искусственный Интеллект для модели и получить наиболее подходящую настройку при создании приложений.

В общем, машинное обучение ML.NET предназначено для использования и создания общих задач, которые включают регрессию, классификацию, рекомендации, ранжирование, кластеризацию и обнаружение аномалии. Не только это, но и дополнительная поддержка экосистемы с открытым исходным кодом делает ее популярной благодаря интеграции инфраструктуры с глубоким изучением. Одна из компаний сейчас работает над совместимостью всей системы с вариантами использования, которые работают с различными сценариями, такими как прогноз продаж, классификация изображений, анализ настроений и т. д.
https://habr.com/ru/post/444846/

🔗 ML.NET 0.11 — Машинное обучение для .Net
Microsoft — один из самых важнейших игроков в индустрии разработки ПО. Последнее дополнение ML.NET прибавляет ценность всей системе. Основная цель — внедрить и...

​Data science productionization: maintenance

🔗 Data science productionization: maintenance
Time spent on maintainability reduces time spent on actual maintenance.

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»...