​LSTM for time series prediction

🔗 LSTM for time series prediction
Training a Long Short Term Memory Neural Network with PyTorch and forecasting Bitcoin trading data

​Why Kaggle Is Not Inclusive and How to Improve It.

🔗 Why Kaggle Is Not Inclusive and How to Improve It.
‘If you want to be good at swimming in pools, that is fine, go for Kaggle. If you want to be good on the open sea, go for Omdena’ —…

​A Non-Confusing Guide to Confusion Matrix

🔗 A Non-Confusing Guide to Confusion Matrix
Uncover how your predictive model can be improved just from analyzing a simple 2x2 matrix

​Is There a Difference Between Open Data and Public Data?

🔗 Is There a Difference Between Open Data and Public Data?
There is a general consensus that when we talk about open data we are referring to any piece of data or content that is free to access…

🎥 Using Docker and Kubernetes to Simplify Machine Learning
👁 1 раз ⏳ 2170 сек.

​How can I trust you?

🔗 How can I trust you?
An intuition and tutorial on trust score

🎥 Learn Intel Ai With Gerald. How to set up Ai environment
👁 1 раз ⏳ 5229 сек.
Learn Ai with #IntelAi #tensorflow #deeplearning #Machine Learning

🎥 How to Become a Deep Learning Expert
👁 1 раз ⏳ 1431 сек.
In this video you will learn how to level up in your deep learning expertise. I share the path I took, and give you my guidelines on how to think about expertise.

You have to recognize that expertise is a sliding scale, rather than a state of being. Even the deep learning pioneers are learning more each day, and are gaining in expertise over time.

The key is to gradually increase your skills in mathematics and implementing cutting edge solutions at the forefront of deep learning. Always be striving for

​The Pitfalls of Linear Regression and How to Avoid Them

🔗 The Pitfalls of Linear Regression and How to Avoid Them
What to Do When the Linear Regression Assumptions Don’t Hold

​Meet ALBERT: a new ‘Lite BERT’ from Google & Toyota with State of the Art NLP performance and 18x fe

🔗 Meet ALBERT: a new ‘Lite BERT’ from Google & Toyota with State of the Art NLP performance and 18x fe
TL;DR = your previous NLP models are parameter inefficient and kind of obsolete. Have a great day.

🎥 Recitation 5 | Training Convolutional Neural Networks
👁 3 раз ⏳ 2542 сек.
Carnegie Mellon University
Course: 11-785, Intro to Deep Learning
Offering: Fall 2019

For more information, please visit: http://deeplearning.cs.cmu.edu/

Contents:
• Convolutional Neural Networks (CNNs)
• Arriving at the convolutional mode

​Параметризация нейросетью физической модели для решения задачи топологической оптимизации
Недавно на arXiv.org была загружена статья с не очень интригующим названием "Neural reparameterization improves structural optimization" [arXiv:1909.04240]. Однако оказалось, что авторы, по сути, придумали и описали весьма нетривиальный метод использования нейросети для получения решения задачи структурной/топологической оптимизации физических моделей (хотя и сами авторы говорят, что метод более универсален). Подход очень любопытный, результативный и судя по всему, — совершенно новый (впрочем, за последнее не поручусь, но ни авторы работы, ни сообщество ODS, ни я, аналогов припомнить не смогли), поэтому его может быть полезно знать интересующимся как использованием нейросетей, так и решением разнообразных задач оптимизации.

🔗 Параметризация нейросетью физической модели для решения задачи топологической оптимизации
Недавно на arXiv.org была загружена статья с не очень интригующим названием "Neural reparameterization improves structural optimization" [arXiv:1909.04240]. Одна...

🎥 How does Machine Learning Change Software Development Practices?
👁 1 раз ⏳ 3100 сек.
Активное развитие технологий машинного обучения и широкий успех систем, основанных на них, приводит к их повсеместному применению в самых различных областях науки и индустрии. В связи с этим можно отметить и исследовать изменения, которые использование данных методов привнесли во внутренние процессы разработки программного обеспечения, сравнивая опыт разработчиков.

В первом семинаре нового учебного года мы исследуем данную тему, представив обзор на две недавние статьи, ставящие своей целью изучить изменени

​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 Deep Conditional Target Densities (DCTD), a novel and general regression method with a clear probabilistic interpretation.

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

​Build a Realtime Object Detection Web App in 30 Minutes

🔗 Build a Realtime Object Detection Web App in 30 Minutes
Building Realtime Object Detection WebApp with Tensorflow.js and Angular

​The Simple Math behind 3 Decision Tree Splitting criterions

🔗 The Simple Math behind 3 Decision Tree Splitting criterions
🌀 Understanding Splitting Criterions

🎥 Sequential Autoencoder | Autoencoders in Keras
👁 1 раз ⏳ 942 сек.
Sequential Autoencoder | Autoencoders in Keras

autoencoder deep learning,
deep autoencoder,
variational autoencoder,

#deeplearning #autoencoder #keras

🎥 Overview on Autoencoder Deep Learning Model
👁 1 раз ⏳ 3387 сек.
In this Session i have covered following topics,

Overview on Autoencoder Deep Learning Model

Covers the basic concepts , How to construct and Architecture.

How to build it using TensorFlow.

Types of Autoencoder

Tutor - Ram

🎥 Introduction to Deep Learning & Neural Networks
👁 1 раз ⏳ 2396 сек.
Deep learning is a rapidly changing area of work that has many different real-life applications. It has proved to be extremely successful in specifically solving complex problems in image recognition, natural language processing and other areas. Any data science aspirant or practitioner eventually must get into deep learning as it is where the future is. However, there is a lot of hype around deep-learning to the extent that it is misunderstood in terms of its scope and impact.

Key Takeaways
1. The concept

​Тренды и прогнозы в Natural Language Processing
Тренды и прогнозы в области NLP (Natural Language Processing)
Это статья про тренды и прогнозы из нашего сентябрьского Альманаха «Искусственный интеллект» №2, который посвящен обзору рынка технологий и компаний в области NLP и распознавания-синтеза речи в России.

Для этого иследования мы проводили экспертный опрос индустрии и в частности задавали вопрос о прогнозах развития как технологий, так и применения ИИ в разных областях. Ответов было не так много, но тем не менее общую тенденцию можно сформулировать. В этой статье мы обобщили эти ответы и проявили основные тренды.

Общие технологические тренды
End-to-end решение задач NLP
Все больше решений будет основано на end-to-end подходе, например нейросетевая модель получает на входе акустический сигнал (звуковые волны) и выдает на выходе акустический сигнал, без промежуточной фазы текста. Это существенно ускорит выполнение моделей и их качество, одновременно ухудшив «прозрачность» и наше понимание того, «что внутри».

🔗 Тренды и прогнозы в Natural Language Processing
Тренды и прогнозы в области NLP (Natural Language Processing) Это статья про тренды и прогнозы из нашего сентябрьского Альманаха «Искусственный интеллект» №2, ко...