Python Flappy Bird AI Tutorial (with NEAT) - Implementing NEAT/Creating Fitness Function

🎥 Python Flappy Bird AI Tutorial (with NEAT) - Implementing NEAT/Creating Fitness Function
👁 1 раз ⏳ 939 сек.
In this AI flappy bird tutorial we start coding and implementing the NEAT algorithm.
Thanks to Linode for sponsoring this video! Get a free $20 credit with the code TWT19 : https://www.linode.com/techwithtim

Download CONFIG File: https://techwithtim.net/wp-content/uploads/2019/08/config-feedforward.txt

NEAT Documentation: https://neat-python.readthedocs.io/en/latest/config_file.html
NEAT Article: http://nn.cs.utexas.edu/downloads/papers/stanley.cec02.pdf
Code: https://github.com/techwithtim/NEAT-Flappy-Bi

​TARGET HK: A Quick Dive Into China’s Disinformation Campaign On Twitter
This is a quick dive into the trove of Chinese state troll tweets released by Twitter on Aug 19. More to come in the coming days and weeks.
https://towardsdatascience.com/target-hk-a-quick-dive-into-chinas-disinformation-campaign-on-twitter-2b64ab9feb1a?source=collection_home---4------2-----------------------

🔗 TARGET HK: A Quick Dive Into China’s Disinformation Campaign On Twitter
This is a quick dive into the trove of Chinese state troll tweets released by Twitter on Aug 19. More to come in the coming days and weeks.

Лекции по Big Data

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
1 - BigData. Введение в машинное обучение
2 - BigData. Python
3 - BigData. Что такое BigData
4 - BigData. OLAP. What and why
5 - BigData. IoT и BigData
6 - BigData. Сhallenges of classification
7 - BigData. Formal Context Analysis
8 - BigData. Регрессия
9 - BigData. Хранение и анализ больших данных
10 - BigData. Deep learning

🎥 1 - BigData. Введение в машинное обучение
👁 1 раз ⏳ 1960 сек.
Лекция 1 - Введение в машинное обучение.
В лекции рассказывается о том, что подразумевается под понятием «машинное обучение» и какие задачи решаютс...

🎥 2 - BigData. Python
👁 1 раз ⏳ 8499 сек.
Лекция 2 - Python, как язык анализа данных.
В лекции сделан небольшой обзор языков и программ для анализа данных. Рассказан базовый синтаксис языка...

🎥 3 - BigData. Что такое BigData
👁 1 раз ⏳ 3792 сек.
Лекция 3 - Что такое BigData?
В лекции рассказывается о том, что же это такое. Цели, проблемы и практическая польза результатов
анализа BD на приме...

🎥 4 - BigData. OLAP. What and why
👁 1 раз ⏳ 5766 сек.
Лекция 4 - OLAP. What and why. Lightning talk.
В лекции описание OLAP. Что это? Для чего? Каковы отличия от OLTP? Небольшой экскурс в анализ данных...

🎥 5 - BigData. IoT и BigData
👁 1 раз ⏳ 4183 сек.
Лекция 5 - IoT and BigData
В лекции рассказывается о IoT and BigData. Области их пересечения, применения, основные проблемы и методы решения. Lambd...

🎥 6 - BigData. Сhallenges of classification
👁 1 раз ⏳ 3923 сек.
Лекция 6 - Сhallenges of classification
The Internet is growing at a tremendous rate. The amount of information presented is beyond human comprehen...

🎥 7 - BigData. Formal Context Analysis
👁 1 раз ⏳ 6046 сек.
Лекция 7 - Formal Concept Analysis
В этой лекции рассказывается о том, откуда возник анализ формальных понятий, для чего он используется и какие за...

🎥 8 - BigData. Регрессия
👁 1 раз ⏳ 4118 сек.
Лекция 8 - Регрессия
В лекции рассказана задача регрессии на примере классической задачи предсказания цены дома в Силиконовой Долине. Также рассмот...

🎥 9 - BigData. Хранение и анализ больших данных
👁 1 раз ⏳ 8210 сек.
Лекция 9 - Хранение и анализ больших данных
Лекция дает ответы на такие вопросы как: что такое большие данные, откуда они берутся, как их хранить, ...

🎥 10 - BigData. Deep learning
👁 1 раз ⏳ 5703 сек.
Опубликовано: 19 февр. 2016 г.
Лекция 10 - Deep learning - нейронные сети и их применение.
Лекция рассказывает о истории возникновения и развития н...

​Фильм, в котором был грунт. Исследование Яндекса и краткая история поиска по смыслу

Иногда люди обращаются к Яндексу, чтобы найти фильм, название которого вылетело из головы. Описывают сюжет, запомнившиеся сцены, яркие детали: например, [как называется фильм там где мужик выбирает красная или синяя таблетка]. Мы решили изучить описания забытых фильмов и выяснить, что сильнее всего запоминается людям в кино.

Сегодня мы не только поделимся ссылкой на наше исследование, но и вкратце расскажем о том, как развивался семантический поиск Яндекса. Вы узнаете, какие технологии помогают поиску находить ответ даже тогда, когда точно сформулировать запрос просто не получается.

А ещё мы добавили слайдеры-загадки с примерами реальных запросов людей — почувствуйте себя поисковой системой и попробуйте угадать ответ.
https://habr.com/ru/company/yandex/blog/464315/

🔗 Фильм, в котором был грунт. Исследование Яндекса и краткая история поиска по смыслу
Иногда люди обращаются к Яндексу, чтобы найти фильм, название которого вылетело из головы. Описывают сюжет, запомнившиеся сцены, яркие детали: например, [как наз...

​Sean Carroll: Understanding the Origin of Life is Within the Reach of Science | AI Podcast Clips

🔗 Sean Carroll: Understanding the Origin of Life is Within the Reach of Science | AI Podcast Clips
This is a clip from a conversation with Sean Carroll on the Artificial Intelligence podcast. You can watch the full conversation here: http://bit.ly/315QhfC If you enjoy these, consider subscribing, sharing, and commenting below. Full episode: http://bit.ly/315QhfC Full episodes playlist: http://bit.ly/2EcbaKf Clips playlist: http://bit.ly/2JYkbfZ Podcast website: https://lexfridman.com/ai Sean Carroll is a theoretical physicist at Caltech, specializing in quantum mechanics, gravity, and cosmology. He is

​Kaggle iMet Collection 2019 - FGVC6 — Дмитрий Кустиков

🔗 Kaggle iMet Collection 2019 - FGVC6 — Дмитрий Кустиков
Дмитрий Кустиков рассказывает на английском языке про соревнование Kaggle iMet Collection 2019 - FGVC6, в котором он получил серебро. Из видео вы сможете узнать: - Описание данных и задачи соревнования, интересные факты - Алгоритм решения соревнования по компьютерному зрению для получения высокого места - Сравнение с решением, занявшим первое место - Советы для начинающих: как лучше оформить свой код для соревнований kernel-only типа Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/

​Simulating Water-Saturated Debris Flows

🔗 Simulating Water-Saturated Debris Flows
❤️ Pick up cool perks on our Patreon page: https://www.patreon.com/TwoMinutePapers 📝 The paper "Animating Fluid Sediment Mixture in Particle-Laden Flows" is available here: http://pages.cs.wisc.edu/~sifakis/papers/MPM-particle-laden-flow.pdf https://dl.acm.org/citation.cfm?id=3201309 🙏 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 Ahli

🎥 How Gmail Team Uses Iterative Design, Machine Learning and AI to Create More Assistive Features
👁 1 раз ⏳ 2956 сек.
Paul Lambert, Senior Product Manager, Gmail - Google

Machine Learning may be the most important trend in technology -- but how do you design great user experiences for ML-powered features? It's replete with complexity and difficult questions. Learn about the challenges faced by the Gmail team as they built ML features directly into the product and shipped them to over a billion users.

​In order to contribute to the broader research community, Google periodically releases data of interest to researchers in a wide range of computer science disciplines.
https://ai.google/tools/datasets/

🔗 Datasets – Google AI

​Cities should use machine learning to detect buildings at risk of fire (with Python code)
Combining different datasets and applying machine learning will allow fire departments to more efficiently target resources.

https://medium.com/@nicolas.diaz.amigo/cities-should-use-machine-learning-to-detect-buildings-at-risk-of-fire-with-python-code-469358ffb304?source=topic_page---------0------------------1

🔗 Cities should use machine learning to detect buildings at risk of fire (with Python code)
Combining different datasets and applying machine learning will allow fire departments to more efficiently target resources.

​Bayesian Basketball : were the Toronto Raptors really the best team during NBA 2019 season ?
Let’s go back in time and see if we can end up with a different winner for the NBA 2019 title. How ? By using Bayesian simulations.

https://towardsdatascience.com/bayesian-basketball-were-the-toronto-raptors-really-the-best-team-during-nba-2019-season-e524a26b43a1?source=collection_home---4------1-----------------------

🔗 Bayesian Basketball : was Toronto really the best team during NBA 2019 season ?
Let’s go back in time and see if we can end up with a different winner for the NBA 2019 title. How ? By using Bayesian simulations.

​Supercreativity
AI may soon surpass human creativity in art
https://towardsdatascience.com/supercreativity-b4114ebd0357?source=collection_home---4------1-----------------------

🔗 Supercreativity
AI may soon surpass human creativity in art

​The case against the jupyter notebook
Joel Grus on the TDS podcast
https://towardsdatascience.com/the-case-against-the-jupyter-notebook-d4da17e97243?source=collection_home---4------0-----------------------

🔗 The case against the jupyter notebook
Joel Grus on the TDS podcast

​Массивный набор трёхмерных данных помогает роботам разбираться в устройстве вещей
#Машинноеобучение
#Искусственныйинтеллект
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
PartNet – новая семантическая база данных повседневных объектов, выводящая степень понимания роботами окружающего мира на новый уровень

В базе содержится не менее 26 671 3D-модели из 24 категорий объектов, каждая из которых снабжена подробной трёхмерной информацией.

Одна из способностей человека, позволяющих нам так хорошо адаптироваться к окружающему миру, состоит в возможности понимать разные вещи сразу категориями целиком, а потом использовать это обобщённое понимание, чтобы разбираться с какими-то конкретными вещами, которые нам раньше не встречались. Представьте себе, например, лампу. Никто не видел все существующие в мире лампы. Но в большинстве случаев мы, впервые входя в новый дом, легко сможем найти всех имеющиеся там лампы, и понять, как они работают. Конечно, иногда мы сможем встретить что-то очень странное, что вынудит нас спросить: «Ого, это что, лампа? А как её включать?» Но в большинстве случаев наша обобщённая ментальная модель лампы спасает нас.
https://habr.com/ru/post/464583/

🔗 Массивный набор трёхмерных данных помогает роботам разбираться в устройстве вещей
PartNet – новая семантическая база данных повседневных объектов, выводящая степень понимания роботами окружающего мира на новый уровень В базе содержится не мен...

​PVS-Studio Analyzer.
Tool for detecting bugs and security weaknesses in the source code of programs, written in C, C++, C# and Java. Download, try and make a clean code, which less bugs

https://www.viva64.com/en/pvs-studio/

🔗 PVS-Studio: Static Code Analyzer for C, C++, C# and Java
PVS-Studio: Static Code Analyzer for C, C++, C# and Java

​Онлайн-Хакатон BioDataHack. Создание инструмента для обработки и визуализации медицинских знаний с использованием искусственного интеллекта.

Современную жизнь невозможно представить без цифровых технологий, в том числе в такой важной сфере как здравоохранение. Cистемы мониторинга биомаркеров, основанные на определении рисков для здоровья, уже не воспринимаются как нечто необычное. Поиск новых инструментов, способных открыть людям доступ к информации о себе в едином окне, с применением передовых цифровых технологий, становится миссией многих компаний.

Поэтому Компания Биодата Груп и АНО "КИБЕР СТРАНА" объявляют о запуске нового Онлайн-хакатона "BioDataHack".

С 1 сентября по 27 декабря 2019 года IT-разработчики смогут пройти конкурсный отбор и принять участие в поиске решения для важной задачи - визуализации медицинских знаний при помощи технологии NLP. Призовой фонд - 1 000 000 рублей.

Уникальное предложение Хакатона BioDataHack:

1. Возможность заключить контракт с компанией Биодата Груп (медтех компанией, работающей в области биоинформатики, https://biodata.group/). Компания предполагает по итогам Хакатона заключить контракт на дальнейшее развитие с разработчиком победившего бизнес-решения на сумму до 4 000 000 рублей в 2020 году;
2. Возможность участвовать онлайн из любой точки мира для граждан РФ и СНГ;
3. Участие в разработке прорывного решения для увеличения продолжительности жизни и возможность оставить свой след в истории;
4. Доступ в закрытое сообщество с ведущими менторами по ИИ и Биохакингу;

Оставить заявку на участие мы предлагаем по ссылке http://cyber-russia.ru/biodatahack Там же можно ознакомиться с программой онлайн-хакатона.

Контакты организатора:
info@сyber-russia.ru
тел.: +7-999-690-01-79

​Cities should use machine learning to detect buildings at risk of fire (with Python code)

https://medium.com/@nicolas.diaz.amigo/cities-should-use-machine-learning-to-detect-buildings-at-risk-of-fire-with-python-code-469358ffb304?source=topic_page---------4------------------1

🔗 Cities should use machine learning to detect buildings at risk of fire (with Python code)
Combining different datasets and applying machine learning will allow fire departments to more efficiently target resources.

​Kaggle PetFinder.my Adoption Prediction — Глеб Баянов

🔗 Kaggle PetFinder.my Adoption Prediction — Глеб Баянов
Глеб Баянов рассказывает про опыт участия в соревновании Kaggle PetFinder.my Adoption Prediction, в котором он заработал серебро. Из видео вы сможете узнать: - Про особенности kernel соревнования - Подробности решения и как удалось найти качественные внешние данные - Какие подходы выглядели многообещающими, но в итоге не сработали - Интересное решение девятого места Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и видео можно из групп: ВКонтакте https://vk

​openai.com/blog/testing-robustness/

🔗 Testing Robustness Against Unforeseen Adversaries
We’ve developed a method to assess whether a neural network classifier can reliably defend against adversarial attacks not seen during training.

​Legal Certainty and the Possibility of Computer Decision Making in the Courtroom

🔗 Legal Certainty and the Possibility of Computer Decision Making in the Courtroom
Written by Viviane Lindenbergh (2018), as a Law Bachelor’s thesis at VU University Amsterdam.