​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...

​Cascadeur: предсказание позы персонажа по шести точкам

Хотим в общих чертах рассказать про первые достижения с deep learning в анимации персонажей для нашей программы Cascadeur.

Во время работы над Shadow Fight 3 у нас накопилось много боевой анимации — около 1100 движений средней длительностью около 4 секунд. Нам давно казалось, что это может быть хорошим датасетом для обучения какой-нибудь нейронной сети.

Однажды мы заметили, что когда аниматоры делают первые наброски идей на бумаге, то им достаточно нарисовать буквально палочного человечка, чтобы представить себе позу персонажа. Мы подумали, что раз опытный аниматор может хорошо выставить позу по простому рисунку, то вполне возможно, что и нейронная сеть справится. Из этого наблюдения родилась простая идея: давайте из каждой позы мы возьмем только 6 ключевых точек — запястья, щиколотки, таз и основание шеи. Если нейронная сеть знает только позиции этих точек, то сможет ли она предсказать остальную позу — позиции 37 остальных точек персонажа?

🔗 Cascadeur: предсказание позы персонажа по шести точкам
Хотим в общих чертах рассказать про первые достижения с deep learning в анимации персонажей для нашей программы Cascadeur. Во время работы над Shadow Fight 3 у...

Обработка изображений

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
01 - Обработка изображений. Цифровое изображение. Чтение, запись, работа с пикселями
02 - Обработка изображений. Арифметические операции. Каналы. Вычисление яркости изображения
03 - Обработка изображений. Сопоставление фотографий Прокудина-Горского
04 - Обработка изображений. Линейная коррекция контраста
05 - Обработка изображений. Коррекция контраста цветного изображения
06 - Обработка изображений. Баланс белого. Модель «серого мира»
07 - Обработка изображений. Выравнивание гистограммы
08 - Обработка изображений. Операция свертки. Линейные фильтры
09 - Обработка изображений. Медианный фильтр
10 - Обработка изображений. Алгоритм сжатия изображений JPEG
PS
Курс начального уровня учит обработке изображений с помощью языка программирования Python. В курсе рассматриваются: устройство цифровых изображений, коррекция яркости и цвета изображения, фильтрация изображений, частотный анализ и устройство формата JPEG
#Python

🎥 01 - Обработка изображений. Цифровое изображение. Чтение, запись, работа с пикселями
👁 1750 раз ⏳ 1049 сек.


🎥 02 - Обработка изображений. Арифметические операции. Каналы. Вычисление яркости изображения
👁 1 раз ⏳ 1062 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 03 - Обработка изображений. Сопоставление фотографий Прокудина-Горского
👁 1 раз ⏳ 782 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 04 - Обработка изображений. Линейная коррекция контраста
👁 1 раз ⏳ 992 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 05 - Обработка изображений. Коррекция контраста цветного изображения
👁 1 раз ⏳ 327 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 06 - Обработка изображений. Баланс белого. Модель «серого мира»
👁 1 раз ⏳ 512 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 07 - Обработка изображений. Выравнивание гистограммы
👁 1 раз ⏳ 531 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 08 - Обработка изображений. Операция свертки. Линейные фильтры
👁 1 раз ⏳ 2489 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 09 - Обработка изображений. Медианный фильтр
👁 1 раз ⏳ 955 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 10 - Обработка изображений. Алгоритм сжатия изображений JPEG
👁 1 раз ⏳ 1123 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

​Self-Paced Learning for Latent Variable Models

https://papers.nips.cc/paper/3923-self-paced-learning-for-latent-variable-models

🔗 Self-Paced Learning for Latent Variable Models
Electronic Proceedings of Neural Information Processing Systems

​История моей первой золотой медали в одном соревновании Kaggle: все сделано и уроки извлечены

https://towardsdatascience.com/a-story-of-my-first-gold-medal-in-one-kaggle-competition-things-done-and-lessons-learned-c269d9c233d1

🔗 A story of my first gold medal in one Kaggle competition: things done and lessons learned
Or a story about a great team

​Peter Norvig: Artificial Intelligence: A Modern Approach | Artificial Intelligence (AI) Podcast

🔗 Peter Norvig: Artificial Intelligence: A Modern Approach | Artificial Intelligence (AI) Podcast
Peter Norvig is a research director at Google and the co-author with Stuart Russell of the book Artificial Intelligence: A Modern Approach that educated and inspired a whole generation of researchers including myself to get into the field. This conversation is part of the Artificial Intelligence podcast. INFO: Podcast website: https://lexfridman.com/ai iTunes: https://apple.co/2lwqZIr Spotify: https://spoti.fi/2nEwCF8 RSS: https://lexfridman.com/category/ai/feed/ Full episodes playlist: https://www.youtube

​Real-time Mobile Video Object Detection using Tensorflow

🔗 Real-time Mobile Video Object Detection using Tensorflow
A step-by-step guide to adding object detection to your next mobile app

​Understanding Convolution Neural Networks: CNN— the ELI5 way

🔗 Understanding Convolution Neural Networks: CNN— the ELI5 way
Learn about Convolution Operation and CNN’s

Давно говорите о хороших часах? Именно сегодня у вас есть шанс приобрести хорошие часы, а в подарок получите отличный кошелёк от Армани! https://laproducty.com/page/c721fbcc5adf544def5a55168d23d1e9ec4a281f/

🎥 Recent advances in the information theory of deep neural networks
👁 1 раз ⏳ 2718 сек.
Speaker: Naftali TISHBY (Hebrew U., Jerusalem)
Workshop on Science of Data Science | (smr 3283)
2019_09_30-11_00-smr3283.mp4