​Everything a Data Scientist Should Know About Data Management*

🔗 Everything a Data Scientist Should Know About Data Management*
(*But Was Afraid to Ask)

​Outlier Detection with Hampel Filter

🔗 Outlier Detection with Hampel Filter
How to implement the Hampel filter in Python from scratch

​Hyperparameters Optimization

🔗 Hyperparameters Optimization
An introduction on how to fine-tune Machine and Deep Learning models using techniques such as: Random Search, Automated Hyperparameter…

​Predicting PewDiePie’s daily subscribers using Linear Regression.

🔗 Predicting PewDiePie’s daily subscribers using Linear Regression.
Let us understand how to predict PewDiePie’s daily subscribers using Linear Regression.

🎥 Lecture #1b: Introduction to Machine Learning (9/11/2019)
👁 1 раз ⏳ 5400 сек.
Lecture #1b: Introduction to Machine Learning
CIS 419/519 2019C Applied Machine Learning on 9/11/2019 Wed

​Нейросеть для классификации спутниковых снимков с помощью Tensorflow на Python

Это пошаговая инструкция по классификации мультиспектральных снимков со спутника Landsat 5. Сегодня в ряде сфер глубокое обучение доминирует как инструмент для решения сложных проблем, в том числе геопространственных. Надеюсь, вы знакомы с датасетами спутниковых снимков, в частности, Landsat 5 TM. Если вы немного разбираетесь в работе алгоритмов машинного обучения, то это поможет вам быстро освоить это руководство. А для тех, кто не разбирается, будет достаточным знать, что, по сути, машинное обучение заключается в установлении взаимосвязей между несколькими характеристиками (набором признаков Х) объекта с другим его свойством (значением или меткой, — целевой переменной Y). Мы подаём на вход модели много объектов, для которых известны признаки и значение целевого показателя/класса объекта (размеченные данные) и обучаем ее так, чтобы она могла спрогнозировать значение целевой переменной Y для новых данных (неразмеченных).

🔗 Нейросеть для классификации спутниковых снимков с помощью Tensorflow на Python
Это пошаговая инструкция по классификации мультиспектральных снимков со спутника Landsat 5. Сегодня в ряде сфер глубокое обучение доминирует как инструмент для...

​Quick Install Guide: Nvidia RAPIDS + BlazingSQL on AWS SageMaker

🔗 Quick Install Guide: Nvidia RAPIDS + BlazingSQL on AWS SageMaker
RAPIDS was announced on October 10th 2018 and since then the folks in Nvidia have worked day and night to add an impresive number of…

​Fast Sample Efficient Q-Learning With Recurrent IQN

🔗 Fast Sample Efficient Q-Learning With Recurrent IQN
Overview In this article I propose and evaluate a ‘Recurrent IQN’ training algorithm, with the goal of scalable and sample-efficient learning for discrete action spaces. The algorithm combines the sample-efficient IQN algorithm with features from Rainbow and R2D2, potentially exceeding the current (sample-efficient) state-of-the-art on the Atari-57 benchmark by up to 50%. Full codebase is available here. Any constructive feedback is more than welcome.

​Accessible AutoML for deep learning

https://github.com/keras-team/autokeras

🔗 keras-team/autokeras
Accessible AutoML for deep learning. Contribute to keras-team/autokeras development by creating an account on GitHub.

​Finding GPU Deep Learning Love in Gamer Hate

🔗 Finding GPU Deep Learning Love in Gamer Hate
A primer on taking advantage of gamer sentiment and Moore’s Law to land a low cost, low friction, low profile machine learning setup

​A Gentle Introduction to Joint, Marginal, and Conditional Probability

https://machinelearningmastery.com/joint-marginal-and-conditional-probability-for-machine-learning/

🔗 A Gentle Introduction to Joint, Marginal, and Conditional Probability
Probability quantifies the uncertainty of the outcomes of a random variable. It is relatively easy to understand and compute the probability for a single variable. Nevertheless, in machine learning, we often have many random variables that interact in often complex and unknown ways. There are specific techniques that can be used to quantify the probability …

🎥 Training Model - Deep Learning and Neural Networks with Python and Pytorch p.4
👁 2 раз ⏳ 1856 сек.
In this deep learning with Python and Pytorch tutorial, we'll be actually training this neural network by learning how to iterate over our data, pass to the model, calculate loss from the result, and then do backpropagation to slowly fit our model to the data.

Text-based tutorials and sample code: https://pythonprogramming.net/training-deep-learning-neural-network-pytorch/

Linode Cloud GPUs $20 credit: https://linode.com/sentdex

Channel membership: https://www.youtube.com/channel/UCfzlCWGWYyIQ0aLC5w48gBQ

​DCTD: Deep Conditional Target Densities for Accurate Regression

Authors: Fredrik K. Gustafsson, Martin Danelljan, Goutam Bhat, Thomas B. Schön

Abstract: While deep learning-based classification is generally addressed using standardized approaches, a wide variety of techniques are employed for regression. In computer vision, one particularly popular such technique is that of confidence-based regression, which entails predicting a confidence value for each input-target pair (x, y). While this approach has demonstrated impressive results, it requires important task-dependent design choices, and the predicted confidences often lack a natural probabilistic meaning. We address these issues by proposing
https://arxiv.org/abs/1909.12297

🔗 DCTD: Deep Conditional Target Densities for Accurate Regression
While deep learning-based classification is generally addressed using standardized approaches, a wide variety of techniques are employed for regression. In computer vision, one particularly popular such technique is that of confidence-based regression, which entails predicting a confidence value for each input-target pair (x, y). While this approach has demonstrated impressive results, it requires important task-dependent design choices, and the predicted confidences often lack a natural probabilistic meaning. We address these issues by proposing Deep Conditional Target Densities (DCTD), a novel and general regression method with a clear probabilistic interpretation. DCTD models the conditional target density p(y|x) by using a neural network to directly predict the un-normalized density from (x, y). This model of p(y|x) is trained by minimizing the associated negative log-likelihood, approximated using Monte Carlo sampling. We perform comprehensive experiments on four computer vision regression tasks. Our app

​Trueface Tutorials: Convert MXNet Models into High-Performance Inference Frameworks

🔗 Trueface Tutorials: Convert MXNet Models into High-Performance Inference Frameworks
MXNet is a great framework when it comes to prototyping and training models. Developed by The Apache Software Foundation, MXNet offers a…

​Ai: Where To Begin?

🔗 Ai: Where To Begin?
Organizations widely recognize the potential power of artificial intelligence (Ai). They instinctively understand that it feels like we’re…

​Optimising a Machine Learning Model with the Confusion Matrix

🔗 Optimising a Machine Learning Model with the Confusion Matrix
How to tune a classifier dependant on your use case, including a walk through in python

​Objects Counting by Estimating a Density Map With Convolutional Neural Networks

🔗 Objects Counting by Estimating a Density Map With Convolutional Neural Networks
Written by Tomasz Bonus and Tomasz Golan.

​Hey, Can (A)I Get Your Number?

🔗 Hey, Can (A)I Get Your Number?
Using CNNs to help love flourish in the 21st century

Искусственный интеллект простыми словами

✅Как учатся машины | Искусственный интеллект
✅Искусственный интеллект и машинное обучение
✅Искусственный интеллект и нейронные сети
✅Искусственный интеллект в юриспруденции
✅Искусственный интеллект в филологии и журналистике
✅Искусственный интеллект в сельском хозяйстве
✅Искусственный интеллект в бизнесе и финансах
✅Искусственный интеллект в медицине и биологии
✅Искусственный интеллект в педагогике и психологии

#video #ai

🎥 Как учатся машины | Искусственный интеллект
👁 40 раз ⏳ 483 сек.
Искусственный интеллект простыми словами

🎥 Искусственный интеллект и машинное обучение
👁 12 раз ⏳ 718 сек.
Про машинное обучение простыми словами

🎥 Искусственный интеллект и нейронные сети
👁 5 раз ⏳ 686 сек.
Про нейронные сети простыми словами

🎥 Искусственный интеллект в юриспруденции
👁 9 раз ⏳ 378 сек.
Примеры использования искусственного интеллекта в юриспруденции

🎥 Искусственный интеллект в филологии и журналистике
👁 1 раз ⏳ 308 сек.
Примеры использования искусственного интеллекта в журналистике и филологии

🎥 Искусственный интеллект в сельском хозяйстве
👁 4 раз ⏳ 188 сек.
Примеры использования искусственного интеллекта в сельском хозяйстве

🎥 Искусственный интеллект в бизнесе и финансах
👁 1 раз ⏳ 248 сек.
Примеры использования искусственного интеллекта в бизнесе и финансах

🎥 Искусственный интеллект в медицине и биологии
👁 6 раз ⏳ 146 сек.
Примеры использования искусственного интеллекта в медицине и биологии

🎥 Искусственный интеллект в педагогике и психологии
👁 6 раз ⏳ 173 сек.
Примеры использования искусственного интеллекта в педагогике и психологии

​Погружение в свёрточные нейронные сети: передача обучения (transfer learning)
Полный курс на русском языке можно найти по этой ссылке.
Оригинальный курс на английском доступен по этой ссылке.

🔗 Погружение в свёрточные нейронные сети: передача обучения (transfer learning)
Полный курс на русском языке можно найти по этой ссылке. Оригинальный курс на английском доступен по этой ссылке. Содержание Интервью с Себастьяном Труном Введ...