​Project Ihmehimmeli: Temporal Coding in Spiking Neural Networks

http://ai.googleblog.com/2019/09/project-ihmehimmeli-temporal-coding-in.html

🔗 Project Ihmehimmeli: Temporal Coding in Spiking Neural Networks
Posted by Iulia-Maria Comșa and Krzysztof Potempa, Research Engineers, Google Research, Zürich The discoveries being made regularly in n...

​7 Things you should know about ROC AUC

🔗 7 Things you should know about ROC AUC
The dark side of the popular performance metric

​How to beat facial recognition systems with Face Anonymization.

🔗 How to beat facial recognition systems with Face Anonymization.
An exploration of DeepPrivacy — A Generative Adversarial Network for Face Anonymization.

​Modeling Toxic Masculinity in the Action/Adventure Genre

🔗 Modeling Toxic Masculinity in the Action/Adventure Genre
Using NLTK, Gensim, Spacy and pyLDAvis to uncover telling patterns of speech amongst action protagonists.

​RSNA Intracranial Hemorrhage Detection

🔗 RSNA Intracranial Hemorrhage Detection
Identify acute intracranial hemorrhage and its subtypes

​🔍 DeepPavlov: An open-source library for end-to-end dialogue systems and chatbots

tutorial: https://medium.com/tensorflow/deeppavlov-an-open-source-library-for-end-to-end-dialog-systems-and-chatbots-31cf26849e37

research: https://colab.research.google.com/github/deepmipt/dp_notebooks/blob/master/DP_tf.ipynb

code: https://github.com/deepmipt/DeepPavlov

🔗 DeepPavlov: An open-source library for end-to-end dialogue systems and chatbots
A guest post by Vasily Konovalov

​Emergent Tool Use from Multi-Agent Interaction

https://openai.com/blog/emergent-tool-use

🔗 Emergent Tool Use from Multi-Agent Interaction
We've observed agents discovering progressively more complex tool use while playing a simple game of hide-and-seek.

​История одного гипотетического робота

В прошлой статье я неосторожно анонсировал вторую часть, тем более что материал уже казалось был и даже частично оформленный. Но все оказалось несколько сложнее, чем на первый взгляд. Частично этому поспособствовали дискуссии в комментариях, частично — не достаточная внятность изложения мыслей, которые мне самому кажутся чертовски важными… Можно сказать, что пока материал не пропускает мой внутренний критик! )

Однако, для этого «опуса» он сделал исключение. Так как текст в общем-то чисто художественный, он ни к чему не обязывает. Однако, думаю на его основе можно будет сделать некие полезные умозаключения. Это как бы формат притчи: поучительной истории, не обязательно произошедшей на самом деле, которая заставляет задуматься. Ну… Должен заставлять. ;) Если притча хорошая!

Итак…

🔗 История одного гипотетического робота
В прошлой статье я неосторожно анонсировал вторую часть, тем более что материал уже казалось был и даже частично оформленный. Но все оказалось несколько сложнее...

​Kaggle Predicting Molecular Properties — Andrew Lukyanenko

🔗 Kaggle Predicting Molecular Properties — Andrew Lukyanenko
Andrew Lukyanenko tells about his participation in Kaggle Predicting Molecular Properties competition in English. His team won a gold medal. In this video you will find out: - Information about Predicting Molecular Properties competition and approaches of top teams - Architectures of graph neural nets which can be used to work with chemical molecules - Tips to improve score in this competition and some lessons learned from taking part in it Find out about new competitions http://mltrainings.ru/ Find out

​Законопроект о создании единой базы с данными граждан приняли в ГосДуме в первом чтении
Собственно, суть новости в заголовке, а подробности описаны тут и тут.

А от себя хочу прокомментировать эту новость.

Думаю, многие мечтали избавиться от поиска миллиона справок и доказательств, что у тебя и правда есть (или нет) недвижимость, машина и работа. Цифровая трансформация должна сделать эту мечту реальностью, в которой подтверждение любого факта можно будет найти без написания официальных запросов и листков бумаги.

Кроме того, наличие большого объема данных открывает возможности использования механизмов статистики, машинного обучения для выявления тенденций в развитии общества, улучшения сервисов.

Мы в сотрудничестве с Агентством стратегических инициатив в рамках Национальной технологической инициативы создаем платформу талантов, собирающую информацию о достижениях школьников, для построения индивидуальных образовательных траекторий и рекомендаций вузам. Например, чтобы понимать, какое место и в каких олимпиадах действительно важно для успешного обучения. И уже на этом этапе увидели много возможностей для индивидуализации образования, например, создание системы по разным направлениям деятельности.

🔗 Законопроект о создании единой базы с данными граждан приняли в ГосДуме в первом чтении
Собственно, суть новости в заголовке, а подробности описаны тут и тут. А от себя хочу прокомментировать эту новость. Думаю, многие мечтали избавиться от поиска...

​Как создать модель точнее transfermarkt и не предсказывать или что больше всего влияет на стоимость трансферов
Я постараюсь рассказать вам насколько легко получить интересные результаты, просто применив совершенно стандартный подход из тьюториала курса по машинному обучению к не самым используемым в Deep Learning данным. Суть моего поста в том, это может каждый из нас, надо просто посмотреть на тот массив информации, который вы хорошо знаете. Для этого, фактически, гораздо важнее просто хорошо понимать свои данные, чем быть экспертом в новейших структурах нейросетей. То есть, на мой взгляд, мы находимся в той золотой точке развития DL, когда с одной стороны это уже инструмент, которым можно пользоваться без необходимости быть PhD, а с другой — еще полно областей, где его просто особо никто не применял, если посмотреть чуть дальше традиционных тем.

🔗 Как создать модель точнее transfermarkt и не предсказывать или что больше всего влияет на стоимость трансферов
Я постараюсь рассказать вам насколько легко получить интересные результаты, просто применив совершенно стандартный подход из тьюториала курса по машинному обучен...

​Leverage Watson Machine Learning Function Deployment in Data Science Workflow

🔗 Leverage Watson Machine Learning Function Deployment in Data Science Workflow
Part 1 –Deploy a Special Type of Model

​How Machine learning and Data science are related to each other? Let’s find out

🔗 How Machine learning and Data science are related to each other? Let’s find out
Have you ever realized how technologies are ruling over your world as well as reading your mind? Yes, it is true! With the coming of AI…

​Data Science Fundamentals (R): Import & Export Data from Excel — xlsx

🔗 Data Science Fundamentals (R): Import & Export Data from Excel — xlsx
This article would give you a summary of using an R package, xlsx.

​How to use a clustering technique for synthetic data generation

🔗 How to use a clustering technique for synthetic data generation
We show how to use Gaussian mixture models (GMM), a powerful clustering algorithm, for synthetic data generation.

🎥 Applying Research Driven Tactics for Deeper Learning Experiences With Patti Shank - IDIODC Ep#72
👁 1 раз ⏳ 2735 сек.
Instructional Designers In Offices Drinking Coffee

Sept. 18, 2019 - Applying Research Driven Tactics for Deeper Learning Experiences With Patti Shank

New to IDIODC? What is IDIODC all about? Well, it's pretty simple. IDIODC, short for: Instructional Designers In Offices Drinking Coffee, is a weekly, live video and podcast used to help ID's with pain points and provide best practices and insight. Every Wednesday morning at 9am ET, the upbeat and candid conversation encourages peers to participate in the ch

🎥 V-Sense Seminar: Deep Learning
👁 1 раз ⏳ 6668 сек.
Artificial Intelligence (AI) has made it from science fiction into everyday life. Machine Learning (ML) enabled breakthroughs due to availability of massive data and computational resources. Deep Learning (DL) in particular disrupted all areas of visual computing (VC), including computer vision/graphics and image/video processing.

The V-SENSE team of Trinity College Dublin adopted this challenge and opportunity, and made a number of significant contributions to the field of DL for VC over the last 2 years,

​Задача: извлечь ключевые выражения из текста на русском языке. NLP на Python
Что было нужно в самом начале:

программа, «выуживающая» из сырого текста на русском языке уникальные названия продукции по определенной отрасли. Сырой текст — текст, который писал человек, просто излагая свои мысли и не заботясь о формировании или выделении какого-либо списка слов;
автоматически получаемый список слов;
минимальная ручная или автоматизированная обработка для преобразования списка в набор хештегов или ключевых слов к тексту.

Полагаю, что неявно с проблемой многие сталкиваются ежедневно, после написания или анализа статьи, поста, комментария, заметки, отчета и т.д. Вот и мне по роду деятельности приходилось сталкиваться с данной проблемой по многу раз в день. Поэтому, можно сказать, к идее автоматизации меня привела «лень», в хорошем смысле этого слова.

Сейчас, когда я пишу эту статью, сохранилась идея, но набор данных конечного результата сильно изменился:

выбираются не слова, а ключевые выражения и в том числе слова;
список ключевых выражений размечен 16-ю различными маркерами;
все слова текста (в том числе и не ключевые) лемматизированы – приведены в начальную форму или унифицированы под выведенный формат;
каждое слово в тексте имеет дополнительную аналитику, относящуюся к положению по тексту и числу повторений.

Результаты работы ПО nrlpk (Natural Russian Language Processing by the Keys) подготавливают данные для:

анализа текстов неограниченного круга тематик и отраслей (разработка и тестирование проводилось по материалам тематики промышленности и ВПК — Военно-Промышленного Комплекса);
автоматической рубрикации, классификации, каталогизации, предметизации материалов (online площадки);
контроля и фильтрации по содержимому с настройками реакции системы (службам и системам безопасности в замкнутых контурах или online);
многослойной разметки текстов (ИИ).

Качество

🔗 Задача: извлечь ключевые выражения из текста на русском языке. NLP на Python
Что было нужно в самом начале: программа, «выуживающая» из сырого текста на русском языке уникальные названия продукции по определенной отрасли. Сырой текст —...

​Применение сиамских нейросетей в поиске

Всем привет! В этом посте я расскажу, какие подходы мы в Поиске Mail.ru используем для сравнения текстов. Для чего это нужно? Как только мы научимся хорошо сравнивать разные тексты друг с другом, поисковая система сможет лучше понимать запросы пользователя.

Что нам для этого нужно? Для начала строго поставить задачу. Нужно определить для себя, какие тексты мы считаем похожими, а какие не считаем и затем сформулировать стратегию автоматического определения схожести. В нашем случае будут сравниваться тексты пользовательских запросов с текстами документов.

🔗 Хабр

😻 3 :) 😻 3 :) 😻 😻