​Human to cat translation with GANimorph (ECCV 2018). Several improvements of CycleGAN allow changing not only texture but even shape.
arxiv.org/abs/1808.04325

🔗 Improving Shape Deformation in Unsupervised Image-to-Image Translation
Unsupervised image-to-image translation techniques are able to map local texture between two domains, but they are typically unsuccessful when the domains require larger shape change. Inspired by semantic segmentation, we introduce a discriminator with dilated convolutions that is able to use information from across the entire image to train a more context-aware generator. This is coupled with a multi-scale perceptual loss that is better able to represent error in the underlying shape of objects. We demonstrate that this design is more capable of representing shape deformation in a challenging toy dataset, plus in complex mappings with significant dataset variation between humans, dolls, and anime faces, and between cats and dogs.

🎥 Cases where Backpropagation fails in Neural Networks | Inherent problems with Recurrent Neural Net
👁 1 раз ⏳ 570 сек.
Welcome to "The AI University".

About this video:
This video covers the details about 2 instances where optimization through backpropagation fails in Neural Networks. This is a very
important topic to understand when we work with Recurrent Neural Networks.

Subtitles available in: English

FOLLOW ME ON:
Twitter: https://twitter.com/theaiuniverse
Facebook : https://www.facebook.com/theaiuniversity/

GITHUB REPO : https://github.com/nitinkaushik01

Subscribe Link: https://www.youtube.com/c/TheA

​12 Things I Learned During My First Year as a Machine Learning Engineer

🔗 12 Things I Learned During My First Year as a Machine Learning Engineer
Being your own biggest sceptic, the value in trying things which might not work and why communication is harder than technical problems.

​TensorFlow 2.0 — Here Is What I’ve Learned From A.I. Day At Google

🔗 TensorFlow 2.0 — Here Is What I’ve Learned From A.I. Day At Google
From Research, Prototype to Production

​Understanding PCA

🔗 Understanding PCA
We Discover How Principal Components Analysis Helps Us Uncover the Underlying Trends in Our Data

Python for Data Science | Data Science With Python | Python Data Science Tutorial

https://www.youtube.com/watch?v=mNdbcHECGN4
#PythonforDataScience #DataScienceWithPython #PythonDataScienceTutorial

🎥 Python for Data Science | Data Science With Python | Python Data Science Tutorial | Intellipaat
👁 1 раз ⏳ 21675 сек.
🔥Intellipaat Python for Data Science Course: https://intellipaat.com/python-for-data-science-training/
In this python for data science video you will learn end to end on data science with python. So this python data science tutorial will help you learn various python concepts and machine learning algorithms to get you started in this technology.
#PythonforDataScience #DataScienceWithPython #PythonDataScienceTutorial #PythonforDataScienceTraining #PythonforDataScienceCourse #LearnPython #PythonDataScience

🎥 Intro to Deep Learning NLP with PyTorch 04 LSTMs and Sequence Models
👁 1 раз ⏳ 2893 сек.
Seattle AI Workshops and Silicon Valley Python Workshops Microsoft Reactor event on 2019-06-28

Speaker: David Clark

Groups:
https://www.meetup.com/Seattle-Artificial-Intelligence-Workshops/
https://www.meetup.com/sv-python-workshops/

Обработка изображений
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
Курс по обработке изображений с помощью #Python. В курсе рассматриваются: устройство цифровых изображений, коррекция яркости и цвета изображения, фильтрация изображений, частотный анализ и устройство формата JPEG

00 - Обработка изображений. О курсе
01 - Обработка изображений. Цифровое изображение. Чтение, запись, работа с пикселями
02 - Обработка изображений. Арифметические операции. Каналы. Вычисление яркости изображения
03 - Обработка изображений. Сопоставление фотографий Прокудина-Горского
04 - Обработка изображений. Линейная коррекция контраста
05 - Обработка изображений. Коррекция контраста цветного изображения
06 - Обработка изображений. Баланс белого. Модель «серого мира»
07 - Обработка изображений. Выравнивание гистограммы
08 - Обработка изображений. Операция свертки. Линейные фильтры
09 - Обработка изображений. Медианный фильтр

🎥 00 - Обработка изображений. О курсе
👁 1 раз ⏳ 256 сек.
Лектор: Влад Шахуро

Курс начального уровня учит обработке изображений с помощью языка программирования Python. В курсе рассматриваются: устройство...

🎥 01 - Обработка изображений. Цифровое изображение. Чтение, запись, работа с пикселями
👁 1 раз ⏳ 1050 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 02 - Обработка изображений. Арифметические операции. Каналы. Вычисление яркости изображения
👁 1 раз ⏳ 1062 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 03 - Обработка изображений. Сопоставление фотографий Прокудина-Горского
👁 1 раз ⏳ 782 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 04 - Обработка изображений. Линейная коррекция контраста
👁 1 раз ⏳ 992 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 05 - Обработка изображений. Коррекция контраста цветного изображения
👁 1 раз ⏳ 327 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 06 - Обработка изображений. Баланс белого. Модель «серого мира»
👁 1 раз ⏳ 512 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 07 - Обработка изображений. Выравнивание гистограммы
👁 1 раз ⏳ 531 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 08 - Обработка изображений. Операция свертки. Линейные фильтры
👁 1 раз ⏳ 2489 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 09 - Обработка изображений. Медианный фильтр
👁 1 раз ⏳ 955 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

​Автоматическая сегментация дыхательных органов

🔗 Автоматическая сегментация дыхательных органов
Ручная сегментация легких занимает около 10 минут и требуется определенная сноровка, чтобы получить такой же качественный результат, как при автоматической сегме...

​Как сравнить: «изумительный авто» и «уродливый барак», в маркетинговом опросе и в больших данных

#BigData

Все мы участвовали в опросах, онлайн или в реальной жизни. А когда начинаем новый проект, то без опросов не обойтись. Но иногда есть результаты опросов, с которыми непонятно что делать, кроме как улыбнуться, ниже, на картинке, результат опроса Всероссийского центра изучения общественного мнения (ВЦИОМ).
https://habr.com/ru/post/459052/

🔗 Как сравнить: «изумительный авто» и «уродливый барак», в маркетинговом опросе и в больших данных
Все мы участвовали в опросах, онлайн или в реальной жизни. А когда начинаем новый проект, то без опросов не обойтись. Но иногда есть результаты опросов, с которы...

🎥 Свёрточные нейронные сети: классификация кошек и собак, ImageDataGenerator, переобучение.
👁 1 раз ⏳ 2629 сек.
⚡⚡⚡ В этой обучающей части мы обсудим то, каким образом можно классифицировать изображения кошек и собак. Мы разработаем классификатор изображений с использованием tf.keras.Sequential-модели, а для загрузки данных воспользуемся tf.keras.preprocessing.image.ImageDataGenerator.

Идеи, которые будут затронуты в этой части:

Мы получим практический опыт разработки классификатора и разовьём интуитивное понимание следующих концепций:

Построение модели потока данных (data input pipelines) с использованием tf.

​This Jello Simulation Uses Only 88 Lines of Code

🔗 This Jello Simulation Uses Only 88 Lines of Code
📝 The paper "Moving Least Squares MPM with Compatible Particle-in-Cell" is available here: https://github.com/yuanming-hu/taichi_mpm The Taichi framework: http://taichi.graphics/ ❤️ 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: 313V, Alex Haro, Andrew Melnychuk, Angelos Evripiotis, Anthony Vdovitchenko, Brian Gilman, Bruno Brito, Bryan Learn, Christian Ahlin, Christoph Jadanowsk

​Визуализация количества побед у команд НБА с помощью анимационных столбиковых диаграмм в R

🔗 Визуализация количества побед у команд НБА с помощью анимационных столбиковых диаграмм в R
Для начала небольшая вводная информация. Меня зовут Владислав и моё знакомство с R состоялось в августе прошлого года. Изучать язык программирования я решил по п...

​Support Vector Machines for Classification - Oscar Contreras Carrasco - Medium

🔗 Support Vector Machines for Classification - Oscar Contreras Carrasco - Medium
Learn about Support Vector Machines in depth, from intuition to implementation

​Нейросеть определила авторство спорных песен группы The Beatles

🔗 Нейросеть определила авторство спорных песен группы The Beatles
Исследователи из Гарварда проанализировали 8 наиболее спорных песен группы The Beatles, чтобы определить, кому на самом деле принадлежит их авторство.

​The Misconceptions of AI - Data Driven Investor - Medium

🔗 The Misconceptions of AI - Data Driven Investor - Medium
Did you know that 40% of the start-ups in Europe who claim to use AI actually use machine learning instead.

​Beyond Graph Convolution Networks

🔗 Beyond Graph Convolution Networks
A dive into advanced Graph Neural Network architectures

​Reinforcement Learning: beyond the supervised and unsupervised ways

🔗 Reinforcement Learning: beyond the supervised and unsupervised ways
In Machine Learning, there are two main ways you could train your model depending on the type of data you are provided with:

🎥 TensorFlow Extended: An end-to-end machine learning platform for TensorFlow - Robert Crow
👁 1 раз ⏳ 2506 сек.
TensorFlow Extended: An end-to-end machine learning platform for TensorFlow

As machine learning evolves from experimentation to serving production workloads, so does the need to effectively manage the end-to-end training and production workflow including model management, versioning, and serving. TFX together with Apache Beam and Apache Flink unlocks new and exciting use cases. Clemens Mewald offers an overview of TensorFlow Extended (TFX), the end-to-end machine learning platform for TensorFlow that power

🎥 Feature Selection for Machine Learning in Python
👁 1 раз ⏳ 3087 сек.
Features with a high percentage of missing values
Collinear (highly correlated) features
Features with zero importance in a tree-based model
Features with low importance
Features with a single unique value