​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.

​Machine Learning Powered Content Moderation: AI and Computer Vision Applications at Expedia

🔗 Machine Learning Powered Content Moderation: AI and Computer Vision Applications at Expedia
How to build a highly customized AI framework for content moderation, using state-of-the-arts in deep learning.

🎥 Python Voice Assistant Tutorial #6 - Google Calendar Events on a Specific Day
👁 1 раз ⏳ 622 сек.
In this tutorial we start putting everything together and using our previously created functions to get the events we have in our google calendar for any specific day. This involves a bit more work with the python google calendar API.

Text-Based Tutorial: Coming Soon...

*****
Enroll in The Fundamentals of Programming w/ Python
https://tech-with-tim.teachable.com/p/the-fundamentals-of-programming-with-python

Instagram: https://www.instagram.com/tech_with_tim
Website https://techwithtim.net
Twitter: https

​Using Machine Learning to Recommend Investments in P2P Lending

🔗 Using Machine Learning to Recommend Investments in P2P Lending
A free Flask app to help you pick the best loan pool on a risk-reward basis

​Coffee Trends in NYC

🔗 Coffee Trends in NYC
Building a simulator to analyze maple syrup coffee trends

​Install Shapely on Windows

🔗 Install Shapely on Windows
Simple instructions for installing shapely on windows

​A Primer to Recommendation Engines

🔗 A Primer to Recommendation Engines
What they are, how they work, and why they’re great.

​A.I. For Filmmaking

🔗 A.I. For Filmmaking
Recognising Cinematic Shot Types with a ResNet-50

​Книга «Data mining. Извлечение информации из Facebook, Twitter, LinkedIn, Instagram, GitHub»

imageПривет, Хаброжители! В недрах популярных социальных сетей — Twitter, Facebook, LinkedIn и Instagram — скрыты богатейшие залежи информации. Из этой книги исследователи, аналитики и разработчики узнают, как извлекать эти уникальные данные, используя код на Python, Jupyter Notebook или контейнеры Docker. Сначала вы познакомитесь с функционалом самых популярных социальных сетей (Twitter, Facebook, LinkedIn, Instagram), веб-страниц, блогов и лент, электронной почты и GitHub. Затем приступите к анализу данных на примере Twitter. Прочитайте эту книгу, чтобы:

Узнать о современном ландшафте социальных сетей;
Научиться использовать Docker, чтобы легко оперировать кодами, приведёнными в книге;
Узнать, как адаптировать и поставлять код в открытый репозиторий GitHub;
Научиться анализировать собираемые данные с использованием возможностей Python 3;
Освоить продвинутые приемы анализа, такие как TFIDF, косинусное сходство, анализ словосочетаний, определение клика и распознавание образов;
Узнать, как создавать красивые визуализации данных с помощью Python и JavaScript.
https://habr.com/ru/company/piter/blog/466729/

🔗 Книга «Data mining. Извлечение информации из Facebook, Twitter, LinkedIn, Instagram, GitHub»
Привет, Хаброжители! В недрах популярных социальных сетей — Twitter, Facebook, LinkedIn и Instagram — скрыты богатейшие залежи информации. Из этой книги исследо...

​Несколько штрихов о работе с идентификаторами bigint в R

Каждый раз, когда начинается разговор об использовании различных БД в качестве источника данных, появляется тема идентификаторов записей, объектов или чего-либо иного. Иногда согласование протокола обмена может рассматриваться участниками несколько месяцев. int-bigint-guid, далее по кругу. Для объемных задач, с учетом того, что нативно в R нет поддержки bigint (емкость ~2^64) выбор правильного представления таких идентификаторов может оказаться критичным в части производительности. Есть ли очевидное и универсальное обходное решение? Ниже несколько практических соображений, которые могут применяться в проектах в качестве лакмусовой бумажки.

Как правило, идентификаторы будут использоваться для трех классов задач:

группировка;
фильтрация;
объединение.

Исходя из этого и оценим различные подходы.

https://habr.com/ru/post/466829/

🔗 Несколько штрихов о работе с идентификаторами bigint в R
Каждый раз, когда начинается разговор об использовании различных БД в качестве источника данных, появляется тема идентификаторов записей, объектов или чего-либо...

​Угадай меня, если сможешь: прогнозирование рейтинга фильма до его выхода

Недавно мне на глаза попался датасет на Kaggle с данными о 45 тысячах фильмов с Full MovieLens Dataset. Данные содержали не только информацию об актерах, съемочной команде, сюжете и т.п., но и оценки, выставленные фильмам пользователями ресурса (26 миллионов оценок от 270 тыс.пользователей).

Стандартная задача для таких данных — это рекомендательная система. Но мне в голову почему-то пришло прогнозирование рейтинга фильма на основе информации, доступной до его выхода. Я не знаток кинематографа, и поэтому обычно ориентируюсь на рецензии, выбирая что посмотреть из новинок. Но ведь рецензенты тоже несколько biased — они-то смотрят гораздо больше разных фильмов, чем рядовой зритель. Поэтому спрогнозировать, как оценит фильм обычная публика, показалось занятным.
https://habr.com/ru/post/466967/

🔗 Угадай меня, если сможешь: прогнозирование рейтинга фильма до его выхода
Недавно мне на глаза попался датасет на Kaggle с данными о 45 тысячах фильмов с Full MovieLens Dataset. Данные содержали не только информацию об актерах, съемочн...

​Угадай меня, если сможешь: прогнозирование рейтинга фильма до его выхода

Машинное обучение
Недавно мне на глаза попался датасет на Kaggle с данными о 45 тысячах фильмов с Full MovieLens Dataset. Данные содержали не только информацию об актерах, съемочной команде, сюжете и т.п., но и оценки, выставленные фильмам пользователями ресурса (26 миллионов оценок от 270 тыс.пользователей).

Стандартная задача для таких данных — это рекомендательная система. Но мне в голову почему-то пришло прогнозирование рейтинга фильма на основе информации, доступной до его выхода. Я не знаток кинематографа, и поэтому обычно ориентируюсь на рецензии, выбирая что посмотреть из новинок. Но ведь рецензенты тоже несколько biased — они-то смотрят гораздо больше разных фильмов, чем рядовой зритель. Поэтому спрогнозировать, как оценит фильм обычная публика, показалось занятным.
https://habr.com/ru/post/466967/

🔗 Угадай меня, если сможешь: прогнозирование рейтинга фильма до его выхода
Недавно мне на глаза попался датасет на Kaggle с данными о 45 тысячах фильмов с Full MovieLens Dataset. Данные содержали не только информацию об актерах, съемочн...

🎥 A deep dive on training data requirements for mapping with deep learning - Daniel Hogan
👁 1 раз ⏳ 2368 сек.

🎥 Introducing convolutional neural networks (ML Zero to Hero, part 3)
👁 1 раз ⏳ 333 сек.
In part three of Machine Learning Zero to Hero, AI Advocate Laurence Moroney (lmoroney@) discusses convolutional neural networks and why they are so powerful in Computer vision scenarios. A convolution is a filter that passes over an image, processes it, and extracts features that show a commonality in the image. In this video you'll see how they work, by processing an image to see if you can extract features from it!

Codelab: Introduction to Convolutions → http://bit.ly/2lGoC5f

This video is also subtitl

🎥 TEXT TO SPEECH IN PYTHON | Convert Text to Speech in Python
👁 5 раз ⏳ 686 сек.
code used in this video - https://gist.github.com/pknowledge/dc4ba582623cc3682a62d7d7a69f7887
In this video I will show How To Convert Text to Speech in Python. we are going to use gtts python package to TEXT TO SPEECH IN PYTHON. gTTS stands for Google Text-to-Speech. gTTs is a Python library and Command line tool to interface with Google Translate's text-to-speech API. it Writes text to spoken mp3 data to a file or stdout. So we are going to learn How to Use the Speech Recognition Module GTTS usinng Pytho

Towards Understanding the Importance of Shortcut Connections in Residual Networks

Authors: Tianyi Liu, Minshuo Chen, Mo Zhou, Simon S. Du, Enlu Zhou, Tuo Zhao

Abstract: Residual Network (ResNet) is undoubtedly a milestone in deep learning. ResNet is equipped with shortcut connections between layers, and exhibits efficient training using simple first order algorithms. Despite of the great empirical success, the reason behind is far from being well understood. In this paper, we study a two-layer non-overlapping convolutional ResNet.
https://arxiv.org/abs/1909.04653