​Mid-price Prediction Based on Machine Learning Methods with Technical and Quantitative Indicators

https://arxiv.org/abs/1907.09452

🔗 Mid-price Prediction Based on Machine Learning Methods with Technical and Quantitative Indicators
Stock price prediction is a challenging task, but machine learning methods have recently been used successfully for this purpose. In this paper, we extract over 270 hand-crafted features (factors) inspired by technical and quantitative analysis and tested their validity on short-term mid-price movement prediction. We focus on a wrapper feature selection method using entropy, least-mean squares, and linear discriminant analysis. We also build a new quantitative feature based on adaptive logistic regression for online learning, which is constantly selected first among the majority of the proposed feature selection methods. This study examines the best combination of features using high frequency limit order book data from Nasdaq Nordic. Our results suggest that sorting methods and classifiers can be used in such a way that one can reach the best performance with a combination of only very few advanced hand-crafted features.

​🔥24 июля в 20:00 мск приглашаем на День открытых дверей курса «Математика для Data Science»: https://otus.pw/Fghn/
Старт курса уже 30 июля - успейте пройти вступительный тест: https://otus.pw/XLae/

На бесплатном вебинаре:
- вы познакомитесь с преподавателем курса Пётром Лукьянченко - преподавателем ВШЭ по высшей математике (работал в Lamoda на должности Team Lead Analytics);
- сможете задать любые вопросы по Data Science;
узнаете подробнее о хардкорной программе курса, формате обучения и выпускном проекте;
- расскажем о карьерных перспективах и компаниях (NVIDIA, Лаборатория Касперского, OZON, СберТех, Газпромбанк, Тинькофф, МТС, Avito и другие), которые уже ждут выпускников курса «Математика для Data Science» на собеседования.

Вебинар рассчитан на всех, кто хочет развиваться в сфере Data Science.
Регистрируйтесь сейчас - напомним в день вебинара!

🔗 Математика для Data Science | OTUS
Профессиональные онлайн курсы для разработчиков


🎥 Untitled
👁 86 раз ⏳ 52 сек.

​Коммуницируй это: как доносить информацию потребителю в цифровом веке

Будущее здесь
Когда к нам в «ЛАНИТ Digital» приходят с вопросом, какой канал выбрать для продвижения в Интернете, мы не спешим с ответом. Ученые из Калифорнии посчитали, что в среднем человек потребляет 34 Гб информации в сутки. Как сделать так, чтобы в этом океане ваш контент не дрейфовал неприкаянным, а встретился, причем своевременно, со своим потенциальным потребителем, поговорим в этой статье.
Машинное обучение,
Искусственный интеллект
https://habr.com/ru/company/lanit/blog/460073/

🔗 Коммуницируй это: как доносить информацию потребителю в цифровом веке
Когда к нам в «ЛАНИТ Digital» приходят с вопросом, какой канал выбрать для продвижения в Интернете, мы не спешим с ответом. Ученые из Калифорнии посчитали, что в...

Обработка изображений

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
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

​Деплоим ML проект, используя Flask как REST API, и делаем доступным через приложение на Flutter

Введение

Машинное обучение уже везде и, пожалуй, почти невозможно найти софт, не использующий его прямо или косвенно. Давайте создадим небольшое приложение, способное загружать изображения на сервер для последующего распознавания с помощью ML. А после сделаем их доступными через мобильное приложение с текстовым поиском по содержимому.

Мы будем использовать Flask для нашего REST API, Flutter для мобильного приложения и Keras для машинного обучения. В качестве базы данных для хранения информации о содержимом изображений используем MongoDB, а для получения информации возьмём уже натренированную модель ResNet50. При необходимости мы сможем заменить модель, используя методы save_model() и load_model(), доступные в Keras. Последний потребует около 100 Мб при первоначальной загрузке модели. Почитать о других доступных моделях можно в документации.
Python,
Программирование
Машинное обучение
https://habr.com/ru/post/460995

🔗 Деплоим ML проект, используя Flask как REST API, и делаем доступным через приложение на Flutter
Введение Машинное обучение уже везде и, пожалуй, почти невозможно найти софт, не использующий его прямо или косвенно. Давайте создадим небольшое приложение, спо...

​Plotly.py 4.0 is here: Offline Only, Express First, Displayable Anywhere

https://medium.com/@plotlygraphs/plotly-py-4-0-is-here-offline-only-express-first-displayable-anywhere-fc444e5659ee

🔗 Plotly.py 4.0 is here: Offline Only, Express First, Displayable Anywhere
Plotly.py is the library that powers graphs and maps for Dash. Version 4.0 of Plotly.py (also known as the plotlymodule) is now available…

​Visual Text Correction — Can we detect and fix an inaccuracy in a video caption?
Videos, images, and sentences are mediums that can express the same semantics.

🔗 Visual Text Correction — Can we detect and fix an inaccuracy in a video caption?
Videos, images, and sentences are mediums that can express the same semantics. One can imagine a picture by reading a sentence or can…

​Rules-of-thumb for building a Neural Network
In this article, we will get a starting point to build an initial Neural Network.
https://towardsdatascience.com/17-rules-of-thumb-for-building-a-neural-network-93356f9930af?source=collection_home---4------1-----------------------

🔗 Rules-of-thumb for building a Neural Network
In this article, we will get a starting point to build an initial Neural Network. We will learn the thumb-rules, e.g. the number of hidden…

​Network of Networks — A Neural-Symbolic Approach to Inverse-Graphics
One of the first ideas many people have once they get acquainted with deep learning and neural networks is, “what if we make a network
https://towardsdatascience.com/network-of-networks-a-neural-symbolic-approach-to-inverse-graphics-acf3998ab3d?source=collection_home---4------0-----------------------

🔗 Network of Networks — A Neural-Symbolic Approach to Inverse-Graphics
One of the first ideas many people have once they get acquainted with deep learning and neural networks is, “what if we make a network of…

​Mapillary Research: Seamless Scene Segmentation and In-Place Activated BatchNorm

https://pytorch.org/blog/mapillary-research/

🔗 PyTorch
An open source deep learning platform that provides a seamless path from research prototyping to production deployment.

Фейлы на соревнованиях по машинному обучению – Павел Плесков

🎥 Фейлы на соревнованиях по машинному обучению – Павел Плесков
👁 1 раз ⏳ 1724 сек.
Секция Failconf – Pain stage, 11 мая 2019
Презентации с Data Fest 6 – https://drive.google.com/open?id=1LOmOoh1WLqmhSqTKjvdOQx-YOTyBgG-i

Рекомендации вакансий с помощью машинного обучения – Георгий Даньщин
https://www.youtube.com/watch?v=V_KmTqIxJXU

🎥 Рекомендации вакансий с помощью машинного обучения – Георгий Даньщин
👁 1 раз ⏳ 1826 сек.
Секция ML Engineering / SysML – Pain stage, 11 мая 2019
Презентации с Data Fest 6 – https://drive.google.com/open?id=1LOmOoh1WLqmhSqTKjvdOQx-YOTyBgG-i

​Just links

🔗 Just links
https://arxiv.org/abs/1907.09595 75.8% Top1 @ 256MFLOPs

​Should the YouTube Algorithm Be Made Worse?
Radicalisation begins in echo chambers, and YouTube’s algorithm is a great
https://medium.com/swlh/should-the-youtube-algorithm-be-made-worse-9d72461a285b?source=topic_page---------0------------------1

🔗 Should the YouTube Algorithm Be Made Worse?
Radicalisation begins in echo chambers, and YouTube’s algorithm is a great architect.

​Rekko Challenge 2019: как это было

Машинное обучение,
Искусственный интеллект

Не так давно на платформе Boosters прошел контест рекомендательных систем от онлайн-кинотеатра Okko — Rekko Challenge 2019. Для меня это был первый опыт участия в соревновании с лидербордом (ранее пробовал силы только в хакатоне). Задача интересная и знакома мне из практики, призовой фонд есть, а значит, был смысл участвовать. В итоге я занял 14 место, за что организаторы выдали памятную футболку. Приятно. Спасибо.

В этой статье я кратко погружу вас в задачу, расскажу о выдвинутых мной гипотезах, а также о том, как затащить соревнование по рекомендательным системам и попасть в топ-15 без опыта стекинга, что будет особенно полезно тем, кто только собирается участвовать в контестах.
https://habr.com/ru/company/surfstudio/blog/461055/

🔗 Rekko Challenge 2019: как это было
Не так давно на платформе Boosters прошел контест рекомендательных систем от онлайн-кинотеатра Okko — Rekko Challenge 2019. Для меня это был первый опыт участи...

Deep Learning with Python, TensorFlow
https://www.youtube.com/watch?v=cOnVaFrXUBE

🎥 Deep Learning with Python, TensorFlow
👁 1 раз ⏳ 1031 сек.
Deep Learning with Python, TensorFlow

#TensorFlow #TensorFlowTutorial
TensorFlow Full Course | Learn TensorFlow in 3 Hours | TensorFlow Tutorial For Beginners | Edureka

🎥 TensorFlow Full Course | Learn TensorFlow in 3 Hours | TensorFlow Tutorial For Beginners | Edureka
👁 1 раз ⏳ 11501 сек.
** TensorFlow Training: https://www.edureka.co/ai-deep-learning-with-tensorflow **
This Edureka TensorFlow Full Course video is a complete guide to Deep Learning using TensorFlow. It covers in-depth knowledge about Deep Leaning, Tensorflow & Neural Networks. Below are the topics covered in this TensorFlow tutorial:

2:07 Artificial Intelligence
2:21 Why Artificial Intelligence?
5:27 What is Artificial Intelligence?
5:55 Artificial Intelligence Domains
6:14 Artificial Intelligence Subsets
11:17 Machine Learn

​Review: Deep Layer Cascade (LC) — Not All Pixels Are Equal (Semantic Segmentation)
Segmentation for Easy, Moderate and Hard Regions, Outperforms FCN, CRF-RNN, SegNet, DilatedNet, DeepLabv1 & DeepLabv2
https://towardsdatascience.com/review-deep-layer-cascade-lc-not-all-pixels-are-equal-semantic-segmentation-cb29ec71b1a5?source=collection_home---4------5-----------------------

🔗 Review: Deep Layer Cascade (LC) — Not All Pixels Are Equal (Semantic Segmentation)
Segmentation for Easy, Moderate and Hard Regions, Outperforms FCN, CRF-RNN, SegNet, DilatedNet, DeepLabv1 & DeepLabv2

​Network of Networks — A Neural-Symbolic Approach to Inverse-Graphics
One of the first ideas many people have once they get acquainted with deep learning and neural networks
https://towardsdatascience.com/network-of-networks-a-neural-symbolic-approach-to-inverse-graphics-acf3998ab3d?source=collection_home---4------0-----------------------

🔗 Network of Networks — A Neural-Symbolic Approach to Inverse-Graphics
One of the first ideas many people have once they get acquainted with deep learning and neural networks is, “what if we make a network of…

​MixNet: Mixed Depthwise Convolutional Kernels

https://arxiv.org/abs/1907.09595

🔗 MixNet: Mixed Depthwise Convolutional Kernels
Depthwise convolution is becoming increasingly popular in modern efficient ConvNets, but its kernel size is often overlooked. In this paper, we systematically study the impact of different kernel sizes, and observe that combining the benefits of multiple kernel sizes can lead to better accuracy and efficiency. Based on this observation, we propose a new mixed depthwise convolution (MDConv), which naturally mixes up multiple kernel sizes in a single convolution. As a simple drop-in replacement of vanilla depthwise convolution, our MDConv improves the accuracy and efficiency for existing MobileNets on both ImageNet classification and COCO object detection. By integrating MDConv into AutoML search space, we have further developed a new family of models, named as MixNets, which significantly outperform previous models including MobileNetV2 [19] (ImageNet top-1 accuracy +4.2%), ShuffleNetV2 [15] (+3.5%), MnasNet [25] (+1.3%), ProxylessNAS [2] (+2.2%), and FBNet [26] (+2.0%). In particular, our MixNet-L achieves a