​Minimizing the Societal Cost of Credit Card Fraud with Limited and Imbalanced Data.
http://arxiv.org/abs/1909.01486

🔗 Minimizing the Societal Cost of Credit Card Fraud with Limited and Imbalanced Data
Machine learning has automated much of financial fraud detection, notifying firms of, or even blocking, questionable transactions instantly. However, data imbalance starves traditionally trained models of the content necessary to detect fraud. This study examines three separate factors of credit card fraud detection via machine learning. First, it assesses the potential for different sampling methods, undersampling and Synthetic Minority Oversampling Technique (SMOTE), to improve algorithm performance in data-starved environments. Additionally, five industry-practical machine learning algorithms are evaluated on total fraud cost savings in addition to traditional statistical metrics. Finally, an ensemble of individual models is trained with a genetic algorithm to attempt to generate higher cost efficiency than its components. Monte Carlo performance distributions discerned random undersampling outperformed SMOTE in lowering fraud costs, and that an ensemble was unable to outperform its individual parts. Most

🎥 When to use Machine Learning Tips, Tricks and Warnings
👁 1 раз ⏳ 2362 сек.

​Findings of the WMT 2019 Shared Task on Parallel Corpus Filtering for Low-Resource Condition
https://research.fb.com/publications/findings-of-the-wmt-2019-shared-task-on-parallel-corpus-filtering-for-low-resource-conditions/

https://research.fb.com/wp-content/uploads/2019/09/Findings-of-the-WMT-2019-Shared-Task-on-Parallel-Corpus-Filtering-for-Low-Resource-Conditions.pdf?

🔗 Findings of the WMT 2019 Shared Task on Parallel Corpus Filtering for Low-Resource Conditions
Following the WMT 2018 Shared Task on Parallel Corpus Filtering (Koehn et al., 2018), we posed the challenge of assigning sentence-level quality scores for very noisy corpora of sentence pairs crawled from the web, with the goal of sub-selecting 2% and 10% of the highest-quality data to be used to train machine translation systems. This year, the task tackled the low resource condition of Nepali– English and Sinhala–English. Eleven participants from companies, national research labs, and universities participated in this task.

Академия искусственного интеллекта

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
Урок 1. Часть 1. Искусственный интеллект сегодня
Урок 1. Часть 2. Истоки ИИ 1950-1990
Урок 1. Часть 3. Недавние вехи ИИ
Урок 1. Часть 4. Новейшие разработки ИИ
Урок 1. Часть 5. Резюме
Урок 2. Часть 1. Введение в машинное обучение
Урок 2. Часть 2. Обучение с учителем
Урок 2. Часть 3. Модели машинного обучения
Урок 2. Часть 4. Пример задачи машинного обучения
Урок 2. Часть 5. Итоги

🎥 Урок 1. Часть 1. Искусственный интеллект сегодня (Академия искусственного интеллекта)
👁 1 раз ⏳ 158 сек.
Академия искусственного интеллекта для школьников 7-11 классов при поддержке Сбербанка и Благотворительного фонда "Вклад в будущее".
Больше уроков...

🎥 Урок 1. Часть 2. Истоки ИИ 1950-1990 (Академия искусственного интеллекта)
👁 1 раз ⏳ 298 сек.
Академия искусственного интеллекта для школьников 7-11 классов при поддержке Сбербанка и Благотворительного фонда "Вклад в будущее".
Больше уроков...

🎥 Урок 1. Часть 3. Недавние вехи ИИ (Академия искусственного интеллекта)
👁 1 раз ⏳ 398 сек.
Академия искусственного интеллекта для школьников 7-11 классов при поддержке Сбербанка и Благотворительного фонда "Вклад в будущее".
Больше уроков...

🎥 Урок 1. Часть 4. Новейшие разработки ИИ (Академия искусственного интеллекта)
👁 1 раз ⏳ 234 сек.
Академия искусственного интеллекта для школьников 7-11 классов при поддержке Сбербанка и Благотворительного фонда "Вклад в будущее".
Больше уроков...

🎥 Урок 1. Часть 5. Резюме (Академия искусственного интеллекта)
👁 1 раз ⏳ 186 сек.
Академия искусственного интеллекта для школьников 7-11 классов при поддержке Сбербанка и Благотворительного фонда "Вклад в будущее".
Больше уроков...

🎥 Урок 2. Часть 1. Введение в машинное обучение (Академия искусственного интеллекта)
👁 1 раз ⏳ 195 сек.
Академия искусственного интеллекта для школьников 7-11 классов при поддержке Сбербанка и Благотворительного фонда "Вклад в будущее".
Больше уроков...

🎥 Урок 2. Часть 2. Обучение с учителем (Академия искусственного интеллекта)
👁 1 раз ⏳ 372 сек.
Академия искусственного интеллекта для школьников 7-11 классов при поддержке Сбербанка и Благотворительного фонда "Вклад в будущее".
Больше уроков...

🎥 Урок 2. Часть 3. Модели машинного обучения (Академия искусственного интеллекта)
👁 1 раз ⏳ 317 сек.
Академия искусственного интеллекта для школьников 7-11 классов при поддержке Сбербанка и Благотворительного фонда "Вклад в будущее".
Больше уроков...

🎥 Урок 2. Часть 4. Пример задачи машинного обучения (Академия искусственного интеллекта)
👁 1 раз ⏳ 265 сек.
Академия искусственного интеллекта для школьников 7-11 классов при поддержке Сбербанка и Благотворительного фонда "Вклад в будущее".
Больше уроков...

🎥 Урок 2. Часть 5. Итоги (Академия искусственного интеллекта)
👁 1 раз ⏳ 239 сек.
Академия искусственного интеллекта для школьников 7-11 классов при поддержке Сбербанка и Благотворительного фонда "Вклад в будущее".
Больше уроков...

​Adversarial Examples — Rethinking the Definition

🔗 Adversarial Examples — Rethinking the Definition
Adversarial examples are a large obstacle for a variety of machine learning systems to overcome. Their existence shows the tendency of…

🎥 Машинное обучение. Семинар 1. Fun with Embeddings
👁 3 раз ⏳ 1543 сек.
Семинар от 06.09.2019
Семинарист: Николай Карпачев

Ссылка на репозиторий: https://github.com/ml-mipt/ml-mipt/tree/part2_week01/part2/week01_word_embeddings

Снимал: Михаил Кревский
Монтировал: Артём Сапожников

​A Keras Meta Model Served

🔗 A Keras Meta Model Served
Wrapping Keras Models into the Tensorflow Ecosystem

​Facebook и Microsoft запускают конкурс по обнаружению deepfake

🔗 Facebook и Microsoft запускают конкурс по обнаружению deepfake
Facebook совместно с Microsoft и коалицией «Партнёрства по искусственному интеллекту во благо людей и общества» (PAI), а также научными работниками из нескольк...

​К концу 2020 года все кредиты в Сбербанке будет одобрять искусственный интеллект

🔗 К концу 2020 года все кредиты в Сбербанке будет одобрять искусственный интеллект
К концу 2020 года 100% решений о выдаче кредитов физическим лицам в Сбербанке будет принимать искусственный интеллект. Об этом сообщил СМИ первый зампред правлен...

​Assessing the Quality of Long-Form Synthesized Speech

http://ai.googleblog.com/2019/09/assessing-quality-of-long-form.html

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 Assessing the Quality of Long-Form Synthesized Speech
Posted by Tom Kenter, Google Research, London Automatically generated speech is everywhere, from directions being read out aloud while y...

🎥 Applied Deep Learning - Rosanne Liu on AI Research (2019)
👁 1 раз ⏳ 2824 сек.
Rosanne Liu is a Senior Research Scientist at Uber AI labs. She is currently working on the multiple fronts where machine learning and neural networks are mysterious. She shares her experiences working on ML projects as well as what she’s learned along the way.

This lecture was a part of the Applied Deep Learning Fellowship held at the Weights and Biases Headquarters in the spring of 2019.

For more tutorials: https://www.wandb.com/classes
To learn more about Weights & Biases: https://www.wandb.com/

🎥 SAS Demo | Deep Learning with Python (DLPy) and SAS Viya for Computer Vision
👁 1 раз ⏳ 2363 сек.
In this SAS demo, you'll learn about the SAS Deep Learning Python API, or DLPy for short. This series will focus on the newest computer vision models supported by DLPy. DLPy enables data scientists familiar with Python to take advantage of the deep learning and computer vision features in SAS Viya.

DLPy is available at – https://github.com/sassoftware/python-dlpy

These section may be watch in any order.

00:00 - Introduction to the Deep Learning with Python (DLPy) and SAS Viya for Computer Vision video

🎥 Edureka Deep Learning Webinar | Deep Learning Tutorial For Beginners | Edureka Masterclass
👁 1 раз ⏳ 5554 сек.
(Edureka Meetup Community: http://bit.ly/2DQO5PL)
Join our Meetup community and get access to 100+ tech webinars/ month for FREE: http://bit.ly/2DQO5PL
Topics to be covered in this session:

1. What Is Artificial Intelligence?
2. Introduction To Deep Learning
3. How Does A Neural Network Work?
4. Hands-On

Know more about Edureka Meetup Community: http://bit.ly/2TypYMv

Subscribe to our Edureka YouTube channel to get video updates: https://goo.gl/6ohpTV

Instagram: https://www.instagram.com/edureka_learnin

​Creating Impact

🔗 Creating Impact
In some large tech companies, Data Scientists are evaluated by how much impact they make in the company. For example, if a data science…

​Attribute Relevance Analysis in Python — IV and WoE

🔗 Attribute Relevance Analysis in Python — IV and WoE
Recently I’ve written about Recursive Feature Elimination — one of many feature selection techniques I use most often. Today I will speak…

​Torchvision & Transfer Learning

🔗 Torchvision & Transfer Learning
Attempts at Direct Manipulation of Pre-trained Torchvision Models

🎥 The 2nd Tellus Satellite Challenge, DIUx xView 2018 Detection Challenge — Николай Сергиевский
👁 1 раз ⏳ 2977 сек.
Николай Сергиевский рассказывает про задачу детектирования объектов на примере двух соревнований: The 2nd Tellus Satellite Challenge (на японской площадке Signate) и xView: Objects in Context in Overhead Imagery. В каждом из них Николай занял первое место.

Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/

Узнать о новых тренировках и видео можно из групп:
ВКонтакте https://vk.com/mltrainings
Facebook https://www.facebook.com/groups/1413405125598651/
Telegram https://xn--r1a.website/mltrainings

4 😗 c 4 😗 c 4 4

​Computer Vision With OpenStreetMap and SpaceNet — A Comparison

🔗 Computer Vision With OpenStreetMap and SpaceNet — A Comparison
Now that the SpaceNet 5 dataset has been released, and the challenge is live on TopCoder, we anticipate a great many insights from this…

🎥 Введение в машинное обучение | Григорий Сапунов, Intento
👁 1 раз ⏳ 3717 сек.