Давно мечтали о хороших наручных часах? Именно сейчас у вас есть шанс приобрести их, а в подарок получите отличный кошелёк от Армани! https://laproducty.com/page/c721fbcc5adf544def5a55168d23d1e9ec4a281f/

🎥 Top 5 Open Data Sources for Machine Learning
👁 1 раз ⏳ 605 сек.
In this video learn how about my top 5 open data sources for machine learning and get ideas on how to use the data for different machine learning models.

👉 Facebook Group: http://facebook.com/groups/theaiwarriors
👉 Instagram: @theaiwarriors

Netfirms (Affiliate) - https://bit.ly/2KdJ4Dp
Bluehost (Affiliate) - https://bit.ly/2GxxBh1
PythonAnywhere (Affiliate) - https://bit.ly/2kWORVe
Heroku - https://www.heroku.co
NordVPN (Affiliate) - https://bit.ly/

✅ Here is a link to my python for beginners, master pyt

🎥 Machine Learning Models
👁 1 раз ⏳ 833 сек.
https://aka.ms/MachineLearningModels
Machine Learning is sometimes confusing. From the esoteric terms to elevated expositions it seems like a terribly difficult area to get into. Since I started as a developer I totally get the mismatch! In this episode we tackle the one term that is used all of the time in Machine Learning: the elusive "model." First we set up how machine learning is different, how to think about it, and finally what a model actually is (spoiler alert - think "a function written a differen

🎥 Deploy Deep Learning models as Microservices in minutes - Saishruthi Swaminathan, Gabriela de Queir
👁 1 раз ⏳ 2638 сек.
This talk was presented at PyBay2019 - 4th annual Bay Area Regional Python conference. See pybay.com for more details about PyBay and click SHOW MORE for more information about this talk.

Description
Seamlessly serve state-of-the-art deep learning models as web microservices in minutes and create an application around it without having prior deep learning experience.

Abstract
Powering your application with deep learning is no walk in the park, but is certainly attainable with some tricks and good practice

​Искусственный интеллект Microsoft освоил маджонг

Ученые из Microsoft Research (MSR) Азия создали систему на основе искусственного интеллекта (ИИ), которая обучилась тонкостям игры в маджонг. Маджонг считается одной из наиболее сложных игр с точки зрения освоения алгоритмами, т.к. в ней присутствует случайный фактор.

Super Phoenix (Suphx) стала первой ИИ-системой, которая получила 10-й дан (разряд) на Tenhou, онлайн-платформе для соревнований по риичи-маджонг, насчитывающей более 300 000 участников со всего мира. Такой квалификацией обладают всего 180 человек. Это максимальный на данный момент разряд для алгоритма, на более высоком уровне играют только несколько признанных профессионалов.

🔗 Искусственный интеллект Microsoft освоил маджонг
Ученые из Microsoft Research (MSR) Азия создали систему на основе искусственного интеллекта (ИИ), которая обучилась тонкостям игры в маджонг. Маджонг считается...

​Исследование: если покупатель понимает, что говорит с чат-ботом, то покупка не состоится вовсе
Нет времени объяснять, вот главные постулаты сегодняшнего перевода:

чат-боты не имеют предельных издержек и продают в 4 раза больше, чем люди;
вероятность продажи падает на 79%, если люди понимают, что говорят с роботом;
потребители воспринимают роботов как менее компетентных и эмпатичных.

Под катом – подробности исследования и инсайты от ученых. Приятного чтения!

🔗 Исследование: если покупатель понимает, что говорит с чат-ботом, то покупка не состоится вовсе
Нет времени объяснять, вот главные постулаты сегодняшнего перевода: чат-боты не имеют предельных издержек и продают в 4 раза больше, чем люди; вероятность прод...

🎥 Kaggle Generative Dog Images — Дмитрий Воробьев
👁 1 раз ⏳ 3943 сек.
Дмитрий Воробьев рассказывает про соревнование Kaggle Generative Dog Images, в котором он заработал соло золотую медаль.

Из этого видео вы сможете узнать:
- Краткий обзор соревнования Generative Dog Images, проводившегося на Kaggle
- Сравнительные результаты, плюсы и минусы использования различных моделей на базе GAN
- Как адаптировать большую (BigGAN) модель к маленькой проблеме и другие секреты топовых решений :)

Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/

Узнать о новых трени

Нейронные сети

Нейронные сети 1 Введение
Нейронные сети 2 Немного биологии
Нейронные сети 3 В целом об искусственной нейронной сети 1
Нейронные сети 4 Искусственный нейрон
Нейронные сети 5 Структура нейронной сети
Нейронные сети 6 Нюансы работы нейронной сети
Нейронные сети 7 Обучение сети
Нейронные сети 8 Технология обучения сети Часть 1
Нейронные сети 9 Технология обучения сети Часть 2
Нейронные сети 10 Работа одного нейрона

#ии #Нейронныесети

🎥 Нейронные сети 10 Работа одного нейрона
👁 12 раз ⏳ 1003 сек.


🎥 Нейронные сети 9 Технология обучения сети Часть 2
👁 1 раз ⏳ 905 сек.


🎥 Нейронные сети 8 Технология обучения сети Часть 1
👁 5 раз ⏳ 1367 сек.


🎥 Нейронные сети 7 Обучение сети
👁 1 раз ⏳ 1077 сек.


🎥 Нейронные сети 6 Нюансы работы нейронной сети
👁 1 раз ⏳ 1396 сек.


🎥 Нейронные сети 5 Структура нейронной сети
👁 1 раз ⏳ 905 сек.


🎥 Нейронные сети 4 Искусственный нейрон
👁 1 раз ⏳ 600 сек.


🎥 Нейронные сети 2 Немного биологии
👁 4 раз ⏳ 488 сек.


🎥 Нейронные сети 3 В целом об искусственной нейронной сети 1
👁 2 раз ⏳ 535 сек.
Видео взято с https://www.youtube.com/channel/UC5dqkmvoovlmFsFZ3ACAVTw

🎥 Нейронные сети 1 Введение
👁 5 раз ⏳ 509 сек.
Видео взято с канала https://www.youtube.com/channel/UC5dqkmvoovlmFsFZ3ACAVTw

​Machine Learning, When Deconstructed, is Less of An Innovation Than You Think

🔗 Machine Learning, When Deconstructed, is Less of An Innovation Than You Think
— An article that explains machine learning to mathaphobes.

Нейронные сети

Нейронные сети 1 Введение
Нейронные сети 2 Немного биологии
Нейронные сети 3 В целом об искусственной нейронной сети 1
Нейронные сети 4 Искусственный нейрон
Нейронные сети 5 Структура нейронной сети
Нейронные сети 6 Нюансы работы нейронной сети
Нейронные сети 7 Обучение сети
Нейронные сети 8 Технология обучения сети Часть 1
Нейронные сети 9 Технология обучения сети Часть 2
Нейронные сети 10 Работа одного нейрона

#ии #Нейронныесети

🎥 Нейронные сети 10 Работа одного нейрона
👁 25 раз ⏳ 1003 сек.


🎥 Нейронные сети 9 Технология обучения сети Часть 2
👁 5 раз ⏳ 905 сек.


🎥 Нейронные сети 8 Технология обучения сети Часть 1
👁 9 раз ⏳ 1367 сек.


🎥 Нейронные сети 7 Обучение сети
👁 4 раз ⏳ 1077 сек.


🎥 Нейронные сети 6 Нюансы работы нейронной сети
👁 3 раз ⏳ 1396 сек.


🎥 Нейронные сети 5 Структура нейронной сети
👁 5 раз ⏳ 905 сек.


🎥 Нейронные сети 4 Искусственный нейрон
👁 5 раз ⏳ 600 сек.


🎥 Нейронные сети 2 Немного биологии
👁 9 раз ⏳ 488 сек.


🎥 Нейронные сети 3 В целом об искусственной нейронной сети 1
👁 7 раз ⏳ 535 сек.
Видео взято с https://www.youtube.com/channel/UC5dqkmvoovlmFsFZ3ACAVTw

🎥 Нейронные сети 1 Введение
👁 10 раз ⏳ 509 сек.
Видео взято с канала https://www.youtube.com/channel/UC5dqkmvoovlmFsFZ3ACAVTw

​Releasing PAWS and PAWS-X: Two New Datasets to Improve Natural Language Understanding Models

http://ai.googleblog.com/2019/10/releasing-paws-and-paws-x-two-new.html

🔗 Releasing PAWS and PAWS-X: Two New Datasets to Improve Natural Language Understanding Models
Posted by Yuan Zhang, Research Scientist and Yinfei Yang, Software Engineer, Google Research Word order and syntactic structure have a l...

​Можно ли запрограммировать произвольность?
В чем различие человека и программы
Нейронные сети, которые и составляют сейчас практически всю область искусственного интеллекта, могут учитывать в принятии решения гораздо больше факторов, чем человек, делать это быстрее и в большинстве случаев более точно. Но программы действуют только так как их запрограммировали или обучили. Они могут быть очень сложными, учитывать много факторов и действовать очень вариативно. Но все равно не могут заменить человека в принятии решений. Чем же отличается от такой программы человек? Здесь надо отметить 3 ключевых отличия, из которых вытекают все прочие:
1. Человек обладает картиной мира, которая позволяет ему по части информации дополнять картину такими данными, которые не прописаны в программе. Кроме того, картина мира структурно устроена так, что позволяет нам иметь хоть какое-то представление обо всем. Даже если это нечто круглое и светится в небе (НЛО). Обычно для этого строят онтологии, но онтологии не обладают такой полнотой, плохо учитывают многозначность понятий, их взаимное влияние и пока применимы только в строго ограниченных темах.
2. Человек обладает логикой, которая учитывает эту картину мира, что нами называется здравым смыслом или comon sense. Любое утверждение обладает смыслом, и учитывает скрытые недекларированные знания. Несмотря на то, что законам логики много сот лет, никто до сих пор не знает, как функционирует обычная, не математическая, логика рассуждений. Мы по сути не знаем как запрограммировать даже обычные силлогизмы.
3. Произольность. Программы не обладают произвольностью. Это пожалуй самое сложное из всех трех отличий. Что мы называем произвольностью? Возможность построить новое поведение, отличное от того, что мы выполняли при тех же обстоятелствах ранее, или построить поведение в новых, не встречавшихся ранее обстоятелствах. То есть по сути это создание на ходу новой программы поведения без проб и ошибок с учетом новых, в том числе внутренних, обстоятельств.

🔗 Можно ли запрограммировать произвольность?
В чем различие человека и программы Нейронные сети, которые и составляют сейчас практически всю область искусственного интеллекта, могут учитывать в принятии реш...

​Beginner’s Guide to Linear Regression in Python with cuML

🔗 Beginner’s Guide to Linear Regression in Python with cuML
Break down of simple & multiple linear regression and how to easily implement both with RAPIDS AI’s cuML in Google Colab

​120 years of Olympic History Analysis

🔗 120 years of Olympic History Analysis
This content is about exploratory data analysis of 120 years of Olympic History. The dataset that is used is available publicly on Kaggle…

​How to use H2O AutoML for Kannada MNIST Digits Classification

🔗 How to use H2O AutoML for Kannada MNIST Digits Classification
Kannada MNIST dataset is another MNIST-type Digits dataset for Kannada (Indian) Language. All details of the dataset curation has been…

​Exploring your data with just 1 line of Python

🔗 Exploring your data with just 1 line of Python
Getting all your standard data analysis done in less than 30 seconds. The wonders of Pandas Profiling.

​Fasttext на PHP\Python. Первые шаги
Чё, зачем, почему

Уже достаточно давно популярность набрали разного рода алгоритмы машинного обучения. Также, благодаря крупным компаниям, которые двигают технологический прогресс, появилось много opensource продуктов. Одним из них является Fasttext, о котором пойдет речь ниже.

🔗 Fasttext на PHP\Python. Первые шаги
Чё, зачем, почему Уже достаточно давно популярность набрали разного рода алгоритмы машинного обучения. Также, благодаря крупным компаниям, которые двигают техн...

The Seven Legit Deep Learning Courses To Become DL Expert (Free)

https://techgrabyte.com/7-free-deep-learning-courses-quality/?fbclid=IwAR1cpsS8xnC1EYXQMVr5zcUSjESApW5IaGpOothGhFptm6zPCfXVZbkmJHo

🎥 «Docker: как начать и что он даст простому веб-разработчику?»
👁 1 раз ⏳ 6958 сек.
{ GeekCode | GeekDay | GeekBrains | GeekWeek2019 | MailRu }

Docker: технология, которая у всех на слуху, но мало кто знает, как ей правильно пользоваться. Цель семинара - рассказать вам, как простой начинающий веб-разработчик может начать использовать Docker и какую выгоду он от него получит.

Рассмотрим на семинаре:

- Понятие "контейнеризации"
- Историю появления и развития Docker
- Образы Докера и Docker Hub
- Dockerfile
- Монтирование файловых систем в контейнеры
- Сетевые возможности
- Docker Compose

​Strong «caffe» на завтрак и выездные хакатоны: почему это важно для развития Data Science сообщества
Я Data Scientist в команде Data Lake Platform в Райффайзенбанке. Три года назад в банке не было направления Big Data, а сейчас у нас есть отдельная платформа для работы с большими данными и активно развивающееся сообщество. По мере развития data driven культуры мы сталкиваемся с множеством вопросов: техническими, коммуникационными и не только.

В статье хочу рассказать, как наше сообщество Raiffeisen Data University помогает решать часть из них.

🔗 Strong «caffe» на завтрак и выездные хакатоны: почему это важно для развития Data Science сообщества
Я Data Scientist в команде Data Lake Platform в Райффайзенбанке. Три года назад в банке не было направления Big Data, а сейчас у нас есть отдельная платформа для...