​SPIRAL++: improved RL-powered neural painter. The agent draws both abstract and realistic paintings.
🔎 learning-to-paint.github.io
📝 arxiv.org/abs/1910.01007

🔗 Unsupervised Doodling and Painting with Improved SPIRAL

​Как технология in-memory изменила бизнес-аналитику
Примерно 5 миллисекунд проходит от запроса до ответа, если данные хранятся на жестком диске. SSD отвечает в 300 раз быстрее — за 150 микросекунд. Оперативной памяти требуется в 300,000 раз меньше времени — лишь 15 наносекунд.*

Можно долго рассуждать о том, как бизнес-аналитика помогает финансам или логистике. Способов применить информацию много, все время появляются новые. Но принцип работы разных аналитических решений один и заключается он в том, чтобы соединить данные из разных источников и посмотреть на них вместе — то есть целиком.

Чтобы воспользоваться информацией из нескольких источников, нужно к ним подключиться и извлечь данные. Но данные создавались разными способами, с разной периодичностью и хранятся в разных форматах. Поэтому прежде, чем визуализировать данные или передать другим системам для дальнейшей обработки, их придется объединить с помощью каких-то математических операций — трансформировать.

Технология in-memory заключается в том, что для трансформации в оперативную память единовременно загружаются все данные из разных источников. После этого трансформацию можно выполнить «на лету», без запросов к диску. Например, кликом выбрать измерение и сразу получить график, который будет отображать значения показателей в нужном разрезе. Благодаря тому, что все данные уже в оперативной памяти, аналитическому приложению не нужно делать запросы к жесткому диску для получения новой информации.

Это вступление должно помочь мне рассказать о том, как и почему менялись технологии, лежащие в основе современных аналитических решений.

🔗 Как технология in-memory изменила бизнес-аналитику
Примерно 5 миллисекунд проходит от запроса до ответа, если данные хранятся на жестком диске. SSD отвечает в 300 раз быстрее — за 150 микросекунд. Оперативной пам...

​Kaggle Live Coding: Making code modular | Kaggle

🔗 Kaggle Live Coding: Making code modular | Kaggle
This week Rachael will be working on polishing some of her existing code to get it ready to go into production by making it more modular. SUBSCRIBE: https://www.youtube.com/c/kaggle?sub_... About Kaggle: Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data science work. Kaggle's platform is the fastest way to get started on a new data science project. Spin up a Jupyter notebook with a single click. Build with our huge repository of free code

​How to secure health data in the cloud

🔗 How to secure health data in the cloud
Data protection is big news and people are waking up to the importance of keeping their health data secure. In this blog, I will explore…

​Automated Machine Learning for Data Analysts & Business Users

🔗 Automated Machine Learning for Data Analysts & Business Users
Automated Machine Learning (AutoML) represents a fundamental shift in the way organizations of all sizes approach machine learning and…

​19 Innovative Ways to Use Information Visualization Across a Variety of Fields

🔗 19 Innovative Ways to Use Information Visualization Across a Variety of Fields
When large amounts of data are presented as numbers on a spreadsheet, it’s not uncommon to hear groaning in the room. It’s worse if there…

Установка Tensorflow. Создание нейронной сети. FMNIST. Распознавание изображений. Python

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

https://www.youtube.com/watch?v=VRbSKfzFkxo

🎥 Установка Tensorflow. Создание нейронной сети. FMNIST. Распознавание изображений. Python
👁 1 раз ⏳ 3988 сек.
Поддержать проект - http://www.donationalerts.ru/r/bytepp
Ссылки:
https://developer.nvidia.com/cuda-downloads
https://developer.nvidia.com/cudnn
https://www.nvidia.ru/Download/index.aspx
https://www.anaconda.com/distribution/

Пути:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extras\CUPTI\libx64
C:\cuda\bin
C:\ProgramData\Anaconda3
C:\ProgramData\Anaconda3\Scripts
C:\Use

🎥 Machine Learning: современное глубокое обучение
👁 1 раз ⏳ 4617 сек.
Лекция Романа Аристова, руководителя группы программного и инженерного анализа компании ООО "ИНФОРИОН" https://inforion.ru/

Зима Искусственного Интеллекта закончилась. Нам посчастливилось жить не только во время возрождения академического интереса к машинному обучения, но и во время, когда современные системы, построенные на глубоком обучении, стали коммерчески выгодными. А это значит, что спрос на специалистов в этой области будет только нарастать, как и количество разнообразных инструментов, фреймворков

​Personalized, Generative Narratives

🔗 Personalized, Generative Narratives
Using Tweepy, IBM Watson and GPT-2 to craft personalized content based on a user’s personality profile

​Releasing a new benchmark and data set for evaluating neural code search models

https://ai.facebook.com/blog/neural-code-search-evaluation-dataset/

article: https://arxiv.org/abs/1908.09804

code: https://github.com/facebookresearch/Neural-Code-Search-Evaluation-Dataset

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 Releasing a new benchmark and data set for evaluating neural code search models
We are releasing a new benchmark and data set to evaluate performance across various neural code search techniques to make it easier to evaluate a new model on a common set of questions.

​Natural Language Processing (NLP) to analyse product reviews by online shoppers

🔗 Natural Language Processing (NLP) to analyse product reviews by online shoppers
Let me share my Natural Language Processing (NLP) project on product reviews given by online shoppers.

​📹Artificial caricature

Agents learn to draw simplified (artistic?) portraits via trial and error.

Project website: https://learning-to-paint.github.io
ArXiV: https://arxiv.org/abs/1910.01007

#GAN #CelebA #DL

🔗 Unsupervised Doodling and Painting with Improved SPIRAL

​Hydra: A framework that simplifies the development of complex applications

https://ai.facebook.com/blog/open-source-in-brief-hydra/

AI RESEARCH, ML APPLICATIONS, OPEN SOURCE
https://engineering.fb.com/open-source/hydra/

code: https://github.com/facebookresearch/hydra/

🔗 Open-sourcing Hydra for simpler app development - Facebook Engineering
Hydra makes it easier to add functionality to projects and dramatically reduces the need for some forms of boilerplate code.

​PDDM — Новый Model-Based Reinforcement Learning алгоритм с улучшенным планировщиком

Обучение с подкреплением (Reinforcement Learning) делится на два больших класса: Model-Free и Model-Based. В первом случае действия оптимизируются напрямую по сигналу награды, а во втором нейросеть является только моделью реальности, а оптимальные действия выбираются с помощью внешнего планировщика. У каждого подхода есть свои достоинства и недостатки.
Разработчики из Berkeley и Google Brain представили Model-Based алгоритм PDDM с улучшенным планировщиком, позволяющий эффективно обучаться сложным движениям с большим числом степеней свободы на небольшом числе примеров. Чтобы научиться вращать мячи в роботизированной руке с реалистичными суставами пальцев с 24 степенями свободы, потребовалось всего 4 часа практики на реальном физическом роботе.

🔗 PDDM — Новый Model-Based Reinforcement Learning алгоритм с улучшенным планировщиком
Обучение с подкреплением (Reinforcement Learning) делится на два больших класса: Model-Free и Model-Based. В первом случае действия оптимизируются напрямую по с...

​Google's AI Plays Football…For Science!

🔗 Google's AI Plays Football…For Science!
📝 The paper "Google Research Football: A Novel Reinforcement Learning Environment" is available here: https://arxiv.org/abs/1907.11180 https://github.com/google-research/football https://ai.googleblog.com/2019/06/introducing-google-research-football.html ❤️ Pick up cool perks on our Patreon page: https://www.patreon.com/TwoMinutePapers 🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible: Alex Haro, Andrew Melnychuk, Angelos Evripiotis, Anthony Vdovitchenko, Brian G

​Как работает метод Левенберга-Марквардта
Алгоритм Левенберга-Марквардта прост. Алгоритм Левенберга-Марквардта эффективен.

А еще о нем говорят, что он где-то посередине между градиентным спуском и методом Ньютона, что бы это ни значило. Ну, с методом Ньютона и его связью с градиентным спуском вроде как разобрались. Но что имеют в виду когда произносят эту глубокомысленную фразу? Попробуем слегка подразобраться.

🔗 Как работает метод Левенберга-Марквардта
Алгоритм Левенберга-Марквардта прост. Алгоритм Левенберга-Марквардта эффективен. А еще о нем говорят, что он где-то посередине между градиентным спуском и метод...

🎥 Recitation 6 | Face Classification and Verification
👁 1 раз ⏳ 2583 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)
• PyTorch
• Python

🎥 Sequential social dilemmas
👁 1 раз ⏳ 2162 сек.
На семинаре будет рассказано о sequential social dilemmas - актуальной в последние пару лет проблемой на стыке теории игр и multi-agent reinforcement learning. Эта задача будет рассмотрена с точек зрения обоих областей. Простыми словами, разговор будет о том, как научить агентов кооперироваться и не эксплуатировать друг друга, особенно если это выгодно всем агентам. Также будет рассказано решение, над которым сейчас работаем в JetBrains: с агентами обучать законодателя, который может уменьшать награду агент

​How to use Pytorch Dataloaders to work with enormously large text files

🔗 How to use Pytorch Dataloaders to work with enormously large text files
Pytorch’s Dataset and Dataloader classes provide a very convenient way of iterating over a dataset while training your machine learning…

🎥 Azure MLOps Bring your DevOps to Machine Learning
👁 1 раз ⏳ 1762 сек.
Attendees will learn how to automate testing and deployment of Machine Learning services using Azure DevOps.