SNA Hackathon 2019 — итоги
🔗 SNA Hackathon 2019 — итоги
1-го апреля завершился финал SNA Hackathon 2019, участники которого соревновались в сортировке ленты социальной сети с использованием современных технологий маш...
🔗 SNA Hackathon 2019 — итоги
1-го апреля завершился финал SNA Hackathon 2019, участники которого соревновались в сортировке ленты социальной сети с использованием современных технологий маш...
Хабр
SNA Hackathon 2019 — итоги
1-го апреля завершился финал SNA Hackathon 2019, участники которого соревновались в сортировке ленты социальной сети с использованием современных технологий машинного обучения, компьютерного зрения,...
Play with #GAN(Generative Adversarial Networks) in your browser and better understand what's going on inside network
https://poloclub.github.io/ganlab/?fbclid=IwAR1xl1kmA4DflkXShjbufAD4EUOW6O9TxFcoBPI-DWHClIR4UhSD566d4XY
🔗 GAN Lab: Play with Generative Adversarial Networks in Your Browser!
https://poloclub.github.io/ganlab/?fbclid=IwAR1xl1kmA4DflkXShjbufAD4EUOW6O9TxFcoBPI-DWHClIR4UhSD566d4XY
🔗 GAN Lab: Play with Generative Adversarial Networks in Your Browser!
The Third Wave Data Scientist
🔗 The Third Wave Data Scientist
An update of the data science skill portfolio
🔗 The Third Wave Data Scientist
An update of the data science skill portfolio
Towards Data Science
The Third Wave Data Scientist
An update of the data science skill portfolio
🎥 Stanford CS224N: NLP with Deep Learning | Winter 2019 | Lecture 19 – Bias in AI
👁 1 раз ⏳ 3363 сек.
👁 1 раз ⏳ 3363 сек.
Professor Christopher Manning, Stanford University
http://onlinehub.stanford.edu/
Professor Christopher Manning
Thomas M. Siebel Professor in Machine Learning, Professor of Linguistics and of Computer Science
Director, Stanford Artificial Intelligence Laboratory (SAIL)
To follow along with the course schedule and syllabus, visit: http://web.stanford.edu/class/cs224n/index.html#schedule
To get the latest news on Stanford’s upcoming professional programs in Artificial Intelligence, visit: http://learn.sVk
Stanford CS224N: NLP with Deep Learning | Winter 2019 | Lecture 19 – Bias in AI
Professor Christopher Manning, Stanford University
http://onlinehub.stanford.edu/
Professor Christopher Manning
Thomas M. Siebel Professor in Machine Learning, Professor of Linguistics and of Computer Science
Director, Stanford Artificial Intelligence Laboratory…
http://onlinehub.stanford.edu/
Professor Christopher Manning
Thomas M. Siebel Professor in Machine Learning, Professor of Linguistics and of Computer Science
Director, Stanford Artificial Intelligence Laboratory…
#NaturalLanguageProcessing,
Попробуем сформировать описание процесса появления новой звуковой единицы в естественном языке.
Для этого рассмотрим отдельно живущее племя. И построим цепочку ситуаций, которую необходимо совместно пережить нескольким особям этого племени, приводящую к формированию в языке нового звука.
Звук, который мы попробуем сформировать, будет тождественен фразе: "Видел мамонта".
https://habr.com/ru/post/446834/
🔗 Как в языке сформировать существительное? Сигнал («Видел мамонта»)
Попробуем сформировать описание процесса появления новой звуковой единицы в естественном языке. Для этого рассмотрим отдельно живущее племя. И построим цепочку с...
Попробуем сформировать описание процесса появления новой звуковой единицы в естественном языке.
Для этого рассмотрим отдельно живущее племя. И построим цепочку ситуаций, которую необходимо совместно пережить нескольким особям этого племени, приводящую к формированию в языке нового звука.
Звук, который мы попробуем сформировать, будет тождественен фразе: "Видел мамонта".
https://habr.com/ru/post/446834/
🔗 Как в языке сформировать существительное? Сигнал («Видел мамонта»)
Попробуем сформировать описание процесса появления новой звуковой единицы в естественном языке. Для этого рассмотрим отдельно живущее племя. И построим цепочку с...
Хабр
Как в языке сформировать существительное? Сигнал («Видел мамонта»)
Попробуем сформировать описание процесса появления новой звуковой единицы в естественном языке. Для этого рассмотрим отдельно живущее племя. И построим цепочку с...
Research Awards
🔗 Research Awards
From time to time we invite academics to propose research in specific areas that align with our mission of making the world more open and connected.
🔗 Research Awards
From time to time we invite academics to propose research in specific areas that align with our mission of making the world more open and connected.
Facebook Research
Research Awards - Facebook Research
Here are the open research awards offered by Facebook Research.
What the Hell is a Neural Network? A 5 Minute Primer for Non-Engineers.
🔗 What the Hell is a Neural Network? A 5 Minute Primer for Non-Engineers.
Odds are that you’ve heard someone talk about “Artificial Intelligence” and “neural networks” in the recent past.
🔗 What the Hell is a Neural Network? A 5 Minute Primer for Non-Engineers.
Odds are that you’ve heard someone talk about “Artificial Intelligence” and “neural networks” in the recent past.
Medium
What the Hell is a Neural Network? A 5 Minute Primer for Non-Engineers.
Odds are that you’ve heard someone talk about “Artificial Intelligence” and “neural networks” in the recent past.
http://arxiv.org/abs/1904.07290
🔗 Brain Tumor Segmentation on MRI with Missing Modalities
Brain Tumor Segmentation from magnetic resonance imaging (MRI) is a critical technique for early diagnosis. However, rather than having complete four modalities as in BraTS dataset, it is common to have missing modalities in clinical scenarios. We design a brain tumor segmentation algorithm that is robust to the absence of any modality. Our network includes a channel-independent encoding path and a feature-fusion decoding path. We use self-supervised training through channel dropout and also propose a novel domain adaptation method on feature maps to recover the information from the missing channel. Our results demonstrate that the quality of the segmentation depends on which modality is missing. Furthermore, we also discuss and visualize the contribution of each modality to the segmentation results. Their contributions are along well with the expert screening routine.
🔗 Brain Tumor Segmentation on MRI with Missing Modalities
Brain Tumor Segmentation from magnetic resonance imaging (MRI) is a critical technique for early diagnosis. However, rather than having complete four modalities as in BraTS dataset, it is common to have missing modalities in clinical scenarios. We design a brain tumor segmentation algorithm that is robust to the absence of any modality. Our network includes a channel-independent encoding path and a feature-fusion decoding path. We use self-supervised training through channel dropout and also propose a novel domain adaptation method on feature maps to recover the information from the missing channel. Our results demonstrate that the quality of the segmentation depends on which modality is missing. Furthermore, we also discuss and visualize the contribution of each modality to the segmentation results. Their contributions are along well with the expert screening routine.
arXiv.org
Brain Tumor Segmentation on MRI with Missing Modalities
Brain Tumor Segmentation from magnetic resonance imaging (MRI) is a critical
technique for early diagnosis. However, rather than having complete four
modalities as in BraTS dataset, it is common...
technique for early diagnosis. However, rather than having complete four
modalities as in BraTS dataset, it is common...
How to Automate Tasks on GitHub With Machine Learning for Fun and Profit
🔗 How to Automate Tasks on GitHub With Machine Learning for Fun and Profit
A tutorial on how to build a GitHub App that predicts and applies issue labels using Tensorflow and public datasets.
🔗 How to Automate Tasks on GitHub With Machine Learning for Fun and Profit
A tutorial on how to build a GitHub App that predicts and applies issue labels using Tensorflow and public datasets.
Towards Data Science
How to Automate Tasks on GitHub With Machine Learning for Fun and Profit
A tutorial on how to build a GitHub App that predicts and applies issue labels using Tensorflow and public datasets.
Which Democratic Candidate Gets the Most News Coverage?
🔗 Which Democratic Candidate Gets the Most News Coverage?
A Data Analysis of the 2020 Presidential Contenders
🔗 Which Democratic Candidate Gets the Most News Coverage?
A Data Analysis of the 2020 Presidential Contenders
Towards Data Science
Which Democratic Candidate Gets the Most News Coverage?
A Data Analysis of the 2020 Presidential Contenders
Becoming a Data Scientist — When Dan Becker pointed out I had it all wrong
🔗 Becoming a Data Scientist — When Dan Becker pointed out I had it all wrong
After Dan Becker’s “Why Data Science Skill-Building Might Be Holding You Back (And What You Should Be Doing Instead).”…
🔗 Becoming a Data Scientist — When Dan Becker pointed out I had it all wrong
After Dan Becker’s “Why Data Science Skill-Building Might Be Holding You Back (And What You Should Be Doing Instead).”…
Towards Data Science
Becoming a Data Scientist — When Dan Becker pointed out I had it all wrong
After Dan Becker’s “Why Data Science Skill-Building Might Be Holding You Back (And What You Should Be Doing Instead).”…
A Gentle Introduction to Convolutional Layers for Deep Learning Neural Networks
🔗 A Gentle Introduction to Convolutional Layers for Deep Learning Neural Networks
Convolution and the convolutional layer are the major building blocks used in convolutional neural networks. A convolution is the simple application of a filter to an input that results in an activation. Repeated application of the same filter to an input results in a map of activations called a feature map, indicating the locations and …
🔗 A Gentle Introduction to Convolutional Layers for Deep Learning Neural Networks
Convolution and the convolutional layer are the major building blocks used in convolutional neural networks. A convolution is the simple application of a filter to an input that results in an activation. Repeated application of the same filter to an input results in a map of activations called a feature map, indicating the locations and …
[Открытые лекции]: Машинное обучение для фундаментальных исследований
🔗 [Открытые лекции]: Машинное обучение для фундаментальных исследований
Денис Деркач, доцент департамента больших данных и информационного поиска Применение методов машинного обучения стало необходимым этапом анализа данных в физ...
🔗 [Открытые лекции]: Машинное обучение для фундаментальных исследований
Денис Деркач, доцент департамента больших данных и информационного поиска Применение методов машинного обучения стало необходимым этапом анализа данных в физ...
YouTube
[Открытые лекции]: Машинное обучение для фундаментальных исследований
Денис Деркач, доцент департамента больших данных и информационного поиска Применение методов машинного обучения стало необходимым этапом анализа данных в физ...
MD vs. Machine: Artificial intelligence in health care
🔗 MD vs. Machine: Artificial intelligence in health care
Recent advances in artificial intelligence and machine learning are changing the way doctors practice medicine. Can medical data actually improve health care...
🔗 MD vs. Machine: Artificial intelligence in health care
Recent advances in artificial intelligence and machine learning are changing the way doctors practice medicine. Can medical data actually improve health care...
YouTube
MD vs. Machine: Artificial intelligence in health care
Recent advances in artificial intelligence and machine learning are changing the way doctors practice medicine. Can medical data actually improve health care...
Smart Farming: Mixed Reality and AI
🔗 Smart Farming: Mixed Reality and AI
Mixed reality (MR) and artificial intelligence (AI) can enhance the output and efficiency of farms. Here’s how.
🔗 Smart Farming: Mixed Reality and AI
Mixed reality (MR) and artificial intelligence (AI) can enhance the output and efficiency of farms. Here’s how.
🎥 Видео открытого урока курса "Big Data для менеджеров" от CleverDATA и OTUS.
👁 1 раз ⏳ 4462 сек.
👁 1 раз ⏳ 4462 сек.
Артем Просветов (Art Prosvetov), руководитель практики анализа данных и машинного интеллекта в CleverDATA, рассказывает о базовых принципах анализа данных для аудитории без предварительной подготовки. Слушатели познакомятся с несколькими инструментами анализа данных, такими как статистические тесты, предсказательная модель Random Forest и тематическое моделирование для работы с текстовыми данными.
-
Сегодня в дефиците не только технические специалисты, способные организовать работу с данными, но и менеджерVk
Видео открытого урока курса "Big Data для менеджеров" от CleverDATA и OTUS.
Артем Просветов (Art Prosvetov), руководитель практики анализа данных и машинного интеллекта в CleverDATA, рассказывает о базовых принципах анализа данных для аудитории без предварительной подготовки. Слушатели познакомятся с несколькими инструментами анализа…
Машинное обучение без Python, Anaconda и прочих пресмыкающихся
Нет, ну я, конечно, не всерьез. Должен же быть предел, до какой степени возможно упрощать предмет. Но для первых этапов, понимания базовых концепций и быстрого «въезжания» в тему, может быть, и допустимо. А как правильно поименовать данный материал (варианты: «Машинное обучение для чайников», «Анализ данных с пеленок», «Алгоритмы для самых маленьких»), обсудим в конце.
К делу. Написал несколько прикладных программ на MS Excel для визуализации и наглядного представления процессов, которые происходят в разных методах машинного обучения при анализе данных. Seeing is believing, в конце концов, как говорят носители культуры, которая и разработала большинство этих методов (кстати, далеко не все. Мощнейший «метод опорных векторов», или SVM, support vector machine – изобретение нашего соотечественника Владимира Вапника, Московский Институт управления. 1963 год, между прочим! Сейчас он, правда, преподает и работает в США).
https://habr.com/ru/post/446150/
🔗 Машинное обучение без Python, Anaconda и прочих пресмыкающихся
Нет, ну я, конечно, не всерьез. Должен же быть предел, до какой степени возможно упрощать предмет. Но для первых этапов, понимания базовых концепций и быстрого «...
Нет, ну я, конечно, не всерьез. Должен же быть предел, до какой степени возможно упрощать предмет. Но для первых этапов, понимания базовых концепций и быстрого «въезжания» в тему, может быть, и допустимо. А как правильно поименовать данный материал (варианты: «Машинное обучение для чайников», «Анализ данных с пеленок», «Алгоритмы для самых маленьких»), обсудим в конце.
К делу. Написал несколько прикладных программ на MS Excel для визуализации и наглядного представления процессов, которые происходят в разных методах машинного обучения при анализе данных. Seeing is believing, в конце концов, как говорят носители культуры, которая и разработала большинство этих методов (кстати, далеко не все. Мощнейший «метод опорных векторов», или SVM, support vector machine – изобретение нашего соотечественника Владимира Вапника, Московский Институт управления. 1963 год, между прочим! Сейчас он, правда, преподает и работает в США).
https://habr.com/ru/post/446150/
🔗 Машинное обучение без Python, Anaconda и прочих пресмыкающихся
Нет, ну я, конечно, не всерьез. Должен же быть предел, до какой степени возможно упрощать предмет. Но для первых этапов, понимания базовых концепций и быстрого «...
Хабр
Машинное обучение без Python, Anaconda и прочих пресмыкающихся
Нет, ну я, конечно, не всерьез. Должен же быть предел, до какой степени возможно упрощать предмет. Но для первых этапов, понимания базовых концепций и быстрого «въезжания» в тему, может быть, и...