​Exploring Reddit’s ‘Ask Me Anything’ Using the PRAW API Wrapper

🔗 Exploring Reddit’s ‘Ask Me Anything’ Using the PRAW API Wrapper
A brief PRAW tutorial for future Reddit analysts

​Как нас анализируют в магазинах и ресторанах

🔗 Как нас анализируют в магазинах и ресторанах
Сегодня поговорим о применении видеоаналитики в ритейле, сфере услуг и ресторанном бизнесе. Речь пойдет об анализе покупателей, их трафике, уникальности, повторя...

​Как в Яндекс.Такси ищут машины, когда их нет

🔗 Как в Яндекс.Такси ищут машины, когда их нет
Хороший сервис для заказа такси должен быть безопасным, надёжным и быстрым. Пользователь не станет вдаваться в детали: ему важно, чтобы он нажал кнопку «Заказа...

​Как и зачем мы делали распознавание достопримечательностей в Облаке Mail.ru

🔗 Как и зачем мы делали распознавание достопримечательностей в Облаке Mail.ru
С появлением качественных камер в мобильных телефонах мы все больше и чаще фотографируем, снимаем видео ярких и важных моментов нашей жизни. У многих из нас фо...

​Boost your Image Classifier

🔗 Boost your Image Classifier
Image classification is assumed to be a nearly solved problem. Fun part is when you have to use all your cunning to gain that extra 1%…

🎥 [Коллоквиум] Математика больших данных тензоры, нейросети, байесовский вывод - Ветров Д.П.
👁 32347 раз ⏳ 4414 сек.

​"Искусственный интеллект с примерами на Python. Создание приложений искусственного интеллекта"

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

Искусственный интеллект становится неотъемлемым атрибутом современного мира, управляемого технологиями и данными. Он интенсивно применяется в таких областях, как поисковые системы, распознавание образов, робототехника, беспилотные автомобили и т.п. В этой книге исследуются различные сценарии, взятые из реальной жизни. Прочитав ее, вы будете знать, какие алгоритмы искусственного интеллекта следует применять в том или ином контексте.
Автор начинает с рассмотрения общих концепций искусственного интеллекта, после чего переходит к обсуждению более сложных тем, таких как предельно случайные леса, скрытые марковские модели, генетические алгоритмы, сверточные нейронные сети и др. Вы узнаете о том, как принимать обоснованные решения при выборе необходимых алгоритмов, а также о том, как реализовывать эти алгоритмы на языке Python для достижения наилучших результатов.

📝 Dzhoshi_P_-_Iskusstvenny_intellekt_s_primerami_na_Python_-_2019.pdf - 💾72 984 400

​Introducing Translatotron: An End-to-End Speech-to-Speech Translation Model

🔗 Introducing Translatotron: An End-to-End Speech-to-Speech Translation Model
Posted by Ye Jia and Ron Weiss, Software Engineers, Google AI Speech-to-speech translation systems have been developed over the past sever...

🎥 Machine Learning and JavaScript - City JS Conf 2019
👁 1 раз ⏳ 1911 сек.
Elle Haproff

JavaScript probably isn't the first language which springs to mind when you say 'machine learning', but that does seem to be changing, especially with the release of TensorFlow.js last year.

This talk gives a high level overview of what machine learning and neural networks are, shows how to get started with TensorFlow.js, and demos a number of projects which use JavaScript and AI.

_

About Pusher Sessions:

We're bringing the meetup to you. With Sessions, you can watch recordings of top-not

🎥 Data Science Tutorial | Data Science Courses | Learning Data Science Online | Intellipaat
👁 2 раз ⏳ 33731 сек.
Intellipaat Data Science Course:- https://intellipaat.com/data-scientist-course-training/
In this complete Data Science tutorial you will learn data science online all the major concepts to become a data scientist. You will learn concepts like what is data science, supervised learning concepts like data manipulation, data visualization, linear regression, logistic regression, decision tree, random forest, unsupervised learning concepts like k means clustering, user based & item based filtering, association

🎥 Возможности Python для анализа данных и моделирования
👁 1 раз ⏳ 2674 сек.
Конференция AI разработчиков 27 апреля 2019.
Спикер: Полина Полунина (практикующий Data Scientist, X5 Retail Group. Победитель и призер международных чемпионатов по машинному обучению, предикативному финансово-математическому моделированию)

🎥 Using events based data architecture for near real time, machine learning / Nir Malbin
👁 1 раз ⏳ 2017 сек.
HighLoad++ Siberia

24 и 25 июня 2019
Новосибирск

Подробности и билеты по ссылке https://www.highload.ru/siberia/2019

--------
HighLoad++ Moscow 2018

Зал «Москва»
9 ноября, 12:00

Тезисы и презентация:
http://www.highload.ru/moscow/2018/abstracts/4310

Gett is using events based data architecture, collecting millions of records per minute. In this talk i shall describe how we built, using this data, an end-to-end machine learning solution for predicting the company KPI's in near real time.
--------
Н

​timsainb/tensorflow2-generative-models

🔗 timsainb/tensorflow2-generative-models
Implementations of a number of generative models in Tensorflow 2. GAN, VAE, Seq2Seq, VAEGAN, GAIA, Spectrogram Inversion. Everything is self contained in a jupyter notebook for easy export to colab...

​How to Use Transfer Learning when Developing Convolutional Neural Network Models

🔗 How to Use Transfer Learning when Developing Convolutional Neural Network Models
Deep convolutional neural network models may take days or even weeks to train on very large datasets. A way to short-cut this process is to re-use the model weights from pre-trained models that were developed for standard computer vision benchmark datasets, such as the ImageNet image recognition tasks. Top performing models can be downloaded and …

​ICLR 2019: Overcoming limited data

🔗 ICLR 2019: Overcoming limited data
Deep learning has proven powerful at many tasks, but requires massive amounts of data. However a number of new techniques are emerging

​Uber datasets in BigQuery: Driving times around SF and your city too

🔗 Uber datasets in BigQuery: Driving times around SF and your city too
Uber keeps adding new cities to their public data program — and here I’ll show you how to load this data into BigQuery. We’ll be able to…

🎥 Unsupervised machine translation
👁 1 раз ⏳ 3403 сек.
Main topics:
Unsupervised dictionary induction
Unsupervised neural machine translation
Unsupervised phrase based machine translation


Presentation: https://docs.google.com/presentation/d/1iwi2i4gaBZqlFQE6dkeHfzXgQWFG9pJlsEfcUTkC5aA/edit?usp=sharing

Latest course updates and insights: https://xn--r1a.website/dlinnlp


Vladislav Lyalin, iPavlov

​Scalable Python Code with Pandas UDFs: A Data Science Application

🔗 Scalable Python Code with Pandas UDFs: A Data Science Application
Making Python code run at massive scale in the cloud

🎥 Machine learning в JavaScript. Библиотеки и решения
👁 1 раз ⏳ 2177 сек.
Максим Северухин [Малый лекторий]

🎥 Episode 60: Predicting your mouse click (and a crash course in deeplearning)
👁 1 раз ⏳ 2393 сек.
Source:
https://www.podbean.com/media/share/pb-xy6qt-b1516a

Deep learning is the future. Get a crash course on deep learning. Now! In this episode I speak to Oliver Zeigermann, author of Deep Learning Crash Course published by Manning Publications at https://www.manning.com/livevideo/deep-learning-crash-course
Oliver (Twitter: @DJCordhose) is a veteran of neural networks and machine learning. In addition to the course - that teaches you concepts from prototype to production - he's working on a really cool