Deep Learning Is Blowing up OCR, and Your Field Could be Next
🔗 Deep Learning Is Blowing up OCR, and Your Field Could be Next
Picture a computer reading text on a sign in a grainy photo you took on your phone and translating into 100 languages. That world is here.
🔗 Deep Learning Is Blowing up OCR, and Your Field Could be Next
Picture a computer reading text on a sign in a grainy photo you took on your phone and translating into 100 languages. That world is here.
Medium
Deep Learning Is Blowing up OCR, and Your Field Could be Next
Picture a computer reading text on a sign in a grainy photo you took on your phone and translating into 100 languages. That world is here.
🎥 How can non programmers get into Data Science/Machine Learning?
👁 1 раз ⏳ 6016 сек.
👁 1 раз ⏳ 6016 сек.
UpX Academy is an exclusive ed-tech venture under the umbrella of Tech Mahindra. We provide live, online and interactive courses on big data and Data Science.Vk
How can non programmers get into Data Science/Machine Learning?
UpX Academy is an exclusive ed-tech venture under the umbrella of Tech Mahindra. We provide live, online and interactive courses on big data and Data Science.
Announcing Support for Native Editing of Jupyter Notebooks in VS Code | Python
🔗 Announcing Support for Native Editing of Jupyter Notebooks in VS Code | Python
With today’s October release of the Python extension, we’re excited to announce the support of native editing of Jupyter notebooks inside Visual Studio Code! You can now directly edit .ipynb files and get the interactivity of Jupyter notebooks with all of the power of VS Code.
🔗 Announcing Support for Native Editing of Jupyter Notebooks in VS Code | Python
With today’s October release of the Python extension, we’re excited to announce the support of native editing of Jupyter notebooks inside Visual Studio Code! You can now directly edit .ipynb files and get the interactivity of Jupyter notebooks with all of the power of VS Code.
Microsoft News
Announcing Support for Native Editing of Jupyter Notebooks in VS Code
Today, we're excited to announce the first release of native Jupyter notebook support inside VS Code through the Python extension that shipped today! This brings together the interactivity of Jupyter Notebooks and the power of VS Code, offering a brand-new…
Линейная регрессия и градиентный спуск
Пусть в некоторой предметной области исследуются показатели X и Y, которые имеют количественное выражение.
При этом есть все основания полагать, что показатель Y зависит от показателя X. Это положение может быть как научной гипотезой, так и основываться на элементарном здравом смысле. К примеру, возьмем продовольственные магазины.
Обозначим через:
X — торговую площадь(кв. м.)
Y — годовой товарооборот(млн. р.)
Очевидно, что чем выше торговая площадь, тем выше годовой товарооборот(предполагаем линейную зависимость).
Представим, что у нас есть данные о некоторых n магазинах(торговая площадь и годовой товарооборот) — наш датасет и k торговых площадей(X), для которых мы хотим предсказать годовой товарооборот(Y) — наша задача.
Выдвинем гипотезу, что наше значение Y зависит от X в виде: Y = a + b * X
Чтобы решить нашу задачу, мы должны подобрать коэффициенты a и b.
🔗 Линейная регрессия и градиентный спуск
Пусть в некоторой предметной области исследуются показатели X и Y, которые имеют количественное выражение. При этом есть все основания полагать, что показатель...
Пусть в некоторой предметной области исследуются показатели X и Y, которые имеют количественное выражение.
При этом есть все основания полагать, что показатель Y зависит от показателя X. Это положение может быть как научной гипотезой, так и основываться на элементарном здравом смысле. К примеру, возьмем продовольственные магазины.
Обозначим через:
X — торговую площадь(кв. м.)
Y — годовой товарооборот(млн. р.)
Очевидно, что чем выше торговая площадь, тем выше годовой товарооборот(предполагаем линейную зависимость).
Представим, что у нас есть данные о некоторых n магазинах(торговая площадь и годовой товарооборот) — наш датасет и k торговых площадей(X), для которых мы хотим предсказать годовой товарооборот(Y) — наша задача.
Выдвинем гипотезу, что наше значение Y зависит от X в виде: Y = a + b * X
Чтобы решить нашу задачу, мы должны подобрать коэффициенты a и b.
🔗 Линейная регрессия и градиентный спуск
Пусть в некоторой предметной области исследуются показатели X и Y, которые имеют количественное выражение. При этом есть все основания полагать, что показатель...
Хабр
Линейная регрессия и градиентный спуск
Пусть в некоторой предметной области исследуются показатели X и Y, которые имеют количественное выражение. При этом есть все основания полагать, что показатель Y зависит от показателя X. Это положение...
Возможности языка Q и KDB+ на примере сервиса реального времени
О том, что такое база KDB+, язык программирования Q, какие у них есть сильные и слабые стороны, можно прочитать в моей предыдущей статье и кратко во введении. В статье же мы реализуем на Q сервис, который будет обрабатывать входящий поток данных и высчитывать поминутно различные агрегирующие функции в режиме “реального времени” (т.е. будет успевать все посчитать до следующей порции данных). Главная особенность Q состоит в том, что это векторный язык, позволяющий оперировать не единичными объектами, а их массивами, массивами массивов и другими сложносоставными объектами. Такие языки как Q и родственные ему K, J, APL знамениты своей краткостью. Нередко программу, занимающую несколько экранов кода на привычном языке типа Java, можно записать на них в несколько строк. Именно это я и хочу продемонстрировать в этой статье.
🔗 Возможности языка Q и KDB+ на примере сервиса реального времени
О том, что такое база KDB+, язык программирования Q, какие у них есть сильные и слабые стороны, можно прочитать в моей предыдущей статье и кратко во введении. В...
О том, что такое база KDB+, язык программирования Q, какие у них есть сильные и слабые стороны, можно прочитать в моей предыдущей статье и кратко во введении. В статье же мы реализуем на Q сервис, который будет обрабатывать входящий поток данных и высчитывать поминутно различные агрегирующие функции в режиме “реального времени” (т.е. будет успевать все посчитать до следующей порции данных). Главная особенность Q состоит в том, что это векторный язык, позволяющий оперировать не единичными объектами, а их массивами, массивами массивов и другими сложносоставными объектами. Такие языки как Q и родственные ему K, J, APL знамениты своей краткостью. Нередко программу, занимающую несколько экранов кода на привычном языке типа Java, можно записать на них в несколько строк. Именно это я и хочу продемонстрировать в этой статье.
🔗 Возможности языка Q и KDB+ на примере сервиса реального времени
О том, что такое база KDB+, язык программирования Q, какие у них есть сильные и слабые стороны, можно прочитать в моей предыдущей статье и кратко во введении. В...
Хабр
Возможности языка Q и KDB+ на примере сервиса реального времени
О том, что такое база KDB+, язык программирования Q, какие у них есть сильные и слабые стороны, можно прочитать в моей предыдущей статье и кратко во введении. В...
The Future of Design, Pt. 1: Body as Input
🔗 The Future of Design, Pt. 1: Body as Input
With machine learning, our bodies may be the next step in the way we interact with the internet
🔗 The Future of Design, Pt. 1: Body as Input
With machine learning, our bodies may be the next step in the way we interact with the internet
Medium
The Future of Design, Pt. 1: Body as Input
With machine learning, our bodies may be the next step in the way we interact with the internet
Введение в обработку естественного языка (осень 2019)
Лекция 1. Введение. Задачи обработки языка в информационном поиске
Лекция 2. Строки, расстояния, регулярные выражения
Лекция 3. Нейронные сети - I
Лекция 4. Языковое моделирование
Лекция 5. Нейронные сети - II. Регуляризация. Методы обучения.
Лекция 6. Нейронные сети — III. Рекуррентные нейронные сети. SimpleRNN, LSTM, AWD-LSTM
Лекция 7. Марковские модели и элементы теории информации
Лекция 8. Векторная семантика — I. Sparse vectors: DTM, word-context matrices, HAL
Лекция 9. Векторная семантика — II. Dense vectors: SVD, LSA, word2vec, fastText
🎥 Лекция 1. Введение. Задачи обработки языка в информационном поиске
👁 18 раз ⏳ 4897 сек.
🎥 Лекция 2. Строки, расстояния, регулярные выражения
👁 2 раз ⏳ 4094 сек.
🎥 Лекция 3. Нейронные сети - I
👁 2 раз ⏳ 2865 сек.
🎥 Лекция 4. Языковое моделирование
👁 3 раз ⏳ 3954 сек.
🎥 Лекция 5. Нейронные сети - II. Регуляризация. Методы обучения.
👁 1 раз ⏳ 2555 сек.
🎥 Лекция 6. Нейронные сети -- III. Рекуррентные нейронные сети. SimpleRNN, LSTM, AWD-LSTM
👁 2 раз ⏳ 3113 сек.
🎥 Лекция 7. Марковские модели и элементы теории информации
👁 2 раз ⏳ 4530 сек.
🎥 Лекция 8. Векторная семантика — I. Sparse vectors: DTM, word-context matrices, HAL
👁 1 раз ⏳ 2982 сек.
🎥 Лекция 9. Векторная семантика — II. Dense vectors: SVD, LSA, word2vec, fastText
👁 2 раз ⏳ 3996 сек.
Лекция 1. Введение. Задачи обработки языка в информационном поиске
Лекция 2. Строки, расстояния, регулярные выражения
Лекция 3. Нейронные сети - I
Лекция 4. Языковое моделирование
Лекция 5. Нейронные сети - II. Регуляризация. Методы обучения.
Лекция 6. Нейронные сети — III. Рекуррентные нейронные сети. SimpleRNN, LSTM, AWD-LSTM
Лекция 7. Марковские модели и элементы теории информации
Лекция 8. Векторная семантика — I. Sparse vectors: DTM, word-context matrices, HAL
Лекция 9. Векторная семантика — II. Dense vectors: SVD, LSA, word2vec, fastText
🎥 Лекция 1. Введение. Задачи обработки языка в информационном поиске
👁 18 раз ⏳ 4897 сек.
Лекция №1 курса «Введение в обработку естественного языка » (осень 2019).
Преподаватель — Антон Михайлович Алексеев
Страница лекции на сайте CSC: h...🎥 Лекция 2. Строки, расстояния, регулярные выражения
👁 2 раз ⏳ 4094 сек.
Лекция №2 курса «Введение в обработку естественного языка » (осень 2019).
Преподаватель — Антон Михайлович Алексеев
Страница лекции на сайте CSC: h...🎥 Лекция 3. Нейронные сети - I
👁 2 раз ⏳ 2865 сек.
Лекция №3 курса «Введение в обработку естественного языка » (осень 2019).
Преподаватель — Антон Михайлович Алексеев
Страница лекции на сайте CSC: h...🎥 Лекция 4. Языковое моделирование
👁 3 раз ⏳ 3954 сек.
Лекция №4 курса «Введение в обработку естественного языка » (осень 2019).
Преподаватель — Антон Михайлович Алексеев
Страница лекции на сайте CSC: h...🎥 Лекция 5. Нейронные сети - II. Регуляризация. Методы обучения.
👁 1 раз ⏳ 2555 сек.
Лекция №5 курса «Введение в обработку естественного языка » (осень 2019).
Преподаватель — Антон Михайлович Алексеев
Страница лекции на сайте CSC: h...🎥 Лекция 6. Нейронные сети -- III. Рекуррентные нейронные сети. SimpleRNN, LSTM, AWD-LSTM
👁 2 раз ⏳ 3113 сек.
Лекция №6 курса «Введение в обработку естественного языка » (осень 2019).
Преподаватель — Антон Михайлович Алексеев
Страница лекции на сайте CSC: h...🎥 Лекция 7. Марковские модели и элементы теории информации
👁 2 раз ⏳ 4530 сек.
Лекция №7 курса «Введение в обработку естественного языка » (осень 2019).
Преподаватель — Антон Михайлович Алексеев
Страница лекции на сайте CSC: ...🎥 Лекция 8. Векторная семантика — I. Sparse vectors: DTM, word-context matrices, HAL
👁 1 раз ⏳ 2982 сек.
Лекция №8 курса «Введение в обработку естественного языка » (осень 2019).
Преподаватель — Антон Михайлович Алексеев
Страница лекции на сайте CSC: ...🎥 Лекция 9. Векторная семантика — II. Dense vectors: SVD, LSA, word2vec, fastText
👁 2 раз ⏳ 3996 сек.
Лекция №9 курса «Введение в обработку естественного языка » (осень 2019).
Преподаватель — Антон Михайлович Алексеев
Страница лекции на сайте CSC: ...Vk
Лекция 1. Введение. Задачи обработки языка в информационном поиске
Лекция №1 курса «Введение в обработку естественного языка » (осень 2019). Преподаватель — Антон Михайлович Алексеев Страница лекции на сайте CSC: h...
Edge AI: On-Demand Accelerating Deep Neural Network Inference via Edge Computing
Authors: En Li, Liekang Zeng, Zhi Zhou, Xu Chen
Abstract: As a key technology of enabling Artificial Intelligence (AI) applications in 5G era, Deep Neural Networks (DNNs) have quickly attracted widespread attention. However, it is challenging to run computation-intensive DNN-based tasks on mobile devices due to the limited computation resources.
https://arxiv.org/abs/1910.05316
🔗 Edge AI: On-Demand Accelerating Deep Neural Network Inference via Edge Computing
As a key technology of enabling Artificial Intelligence (AI) applications in 5G era, Deep Neural Networks (DNNs) have quickly attracted widespread attention. However, it is challenging to run computation-intensive DNN-based tasks on mobile devices due to the limited computation resources. What's worse, traditional cloud-assisted DNN inference is heavily hindered by the significant wide-area network latency, leading to poor real-time performance as well as low quality of user experience. To address these challenges, in this paper, we propose Edgent, a framework that leverages edge computing for DNN collaborative inference through device-edge synergy. Edgent exploits two design knobs: (1) DNN partitioning that adaptively partitions computation between device and edge for purpose of coordinating the powerful cloud resource and the proximal edge resource for real-time DNN inference; (2) DNN right-sizing that further reduces computing latency via early exiting inference at an appropriate intermediate DNN layer
Authors: En Li, Liekang Zeng, Zhi Zhou, Xu Chen
Abstract: As a key technology of enabling Artificial Intelligence (AI) applications in 5G era, Deep Neural Networks (DNNs) have quickly attracted widespread attention. However, it is challenging to run computation-intensive DNN-based tasks on mobile devices due to the limited computation resources.
https://arxiv.org/abs/1910.05316
🔗 Edge AI: On-Demand Accelerating Deep Neural Network Inference via Edge Computing
As a key technology of enabling Artificial Intelligence (AI) applications in 5G era, Deep Neural Networks (DNNs) have quickly attracted widespread attention. However, it is challenging to run computation-intensive DNN-based tasks on mobile devices due to the limited computation resources. What's worse, traditional cloud-assisted DNN inference is heavily hindered by the significant wide-area network latency, leading to poor real-time performance as well as low quality of user experience. To address these challenges, in this paper, we propose Edgent, a framework that leverages edge computing for DNN collaborative inference through device-edge synergy. Edgent exploits two design knobs: (1) DNN partitioning that adaptively partitions computation between device and edge for purpose of coordinating the powerful cloud resource and the proximal edge resource for real-time DNN inference; (2) DNN right-sizing that further reduces computing latency via early exiting inference at an appropriate intermediate DNN layer
Distributed Vector Representation : Simplified
🔗 Distributed Vector Representation : Simplified
Arguably the most essential feature representation method in Machine Learning
🔗 Distributed Vector Representation : Simplified
Arguably the most essential feature representation method in Machine Learning
Medium
Distributed Vector Representation : Simplified
Arguably the most essential feature representation method in Machine Learning
🎥 TensorFlow London: Tensorflow for Medical Imaging by Ladislav Urban
👁 1 раз ⏳ 1771 сек.
👁 1 раз ⏳ 1771 сек.
Speaker: Ladislav Urban, AI specialist at Dynocortex
Title: Tensorflow for Medical Imaging
Bio: Ladislav Urban, AI specialist at Dynocortex helped to develop Deep Graph Model technology. It is currently used in medical imaging workflows such as Dynocortex for Prostate Brachytherapy. In the past, he lead Big Data, data science and deep learning projects at major banks. He was a co-founder of US software integration startup Webswell Inc.
Abstract: Ladislav will discuss limitations of traditional deep learnVk
TensorFlow London: Tensorflow for Medical Imaging by Ladislav Urban
Speaker: Ladislav Urban, AI specialist at Dynocortex
Title: Tensorflow for Medical Imaging
Bio: Ladislav Urban, AI specialist at Dynocortex helped to develop Deep Graph Model technology. It is currently used in medical imaging workflows such as Dynocortex…
Title: Tensorflow for Medical Imaging
Bio: Ladislav Urban, AI specialist at Dynocortex helped to develop Deep Graph Model technology. It is currently used in medical imaging workflows such as Dynocortex…
Искусственный интеллект подключается к предсказанию землетрясений
Успешно предсказав землетрясения в лаборатории, команда геофизиков применила алгоритм машинного обучения к землетрясениям северо-западного тихоокеанского побережья
Остатки 2000-летнего хвойного леса на Несковин-бич, Орегон – одного из десятков «лесов-призраков», расположенных вдоль побережий Орегона и Вашингтона. Считается, что масштабное землетрясение когда-то сотрясло зону субдукции Каскадия, а пни были похоронены под обломками, принесёнными цунами
В мае прошлого года, после 13-месячной дремоты, земля под вашингтонским заливом Пьюджет с грохотом пришла в движение. Землетрясение началось на глубине более 30 км под горами Олимпик-Маунтинс, и за несколько недель сдвинулось на северо-запад, достигнув канадского острова Ванкувер. Затем оно ненадолго обратило свой курс, поползло назад, вдоль границы США, и потом умолкло. Месячное землетрясение выпустило достаточно энергии, чтобы его магнитуду можно было оценить в 6. К концу землетрясения южный конец острова Ванкувер выдвинулся в Тихий океан на дополнительный сантиметр.
🔗 Искусственный интеллект подключается к предсказанию землетрясений
Успешно предсказав землетрясения в лаборатории, команда геофизиков применила алгоритм машинного обучения к землетрясениям северо-западного тихоокеанского побереж...
Успешно предсказав землетрясения в лаборатории, команда геофизиков применила алгоритм машинного обучения к землетрясениям северо-западного тихоокеанского побережья
Остатки 2000-летнего хвойного леса на Несковин-бич, Орегон – одного из десятков «лесов-призраков», расположенных вдоль побережий Орегона и Вашингтона. Считается, что масштабное землетрясение когда-то сотрясло зону субдукции Каскадия, а пни были похоронены под обломками, принесёнными цунами
В мае прошлого года, после 13-месячной дремоты, земля под вашингтонским заливом Пьюджет с грохотом пришла в движение. Землетрясение началось на глубине более 30 км под горами Олимпик-Маунтинс, и за несколько недель сдвинулось на северо-запад, достигнув канадского острова Ванкувер. Затем оно ненадолго обратило свой курс, поползло назад, вдоль границы США, и потом умолкло. Месячное землетрясение выпустило достаточно энергии, чтобы его магнитуду можно было оценить в 6. К концу землетрясения южный конец острова Ванкувер выдвинулся в Тихий океан на дополнительный сантиметр.
🔗 Искусственный интеллект подключается к предсказанию землетрясений
Успешно предсказав землетрясения в лаборатории, команда геофизиков применила алгоритм машинного обучения к землетрясениям северо-западного тихоокеанского побереж...
Хабр
Искусственный интеллект подключается к предсказанию землетрясений
Успешно предсказав землетрясения в лаборатории, команда геофизиков применила алгоритм машинного обучения к землетрясениям северо-западного тихоокеанского побереж...
KDD 2019 Policy Learning for Malaria Control — Влад Шах-Назаров
🔗 KDD 2019 Policy Learning for Malaria Control — Влад Шах-Назаров
Влад Шах-Назаров рассказывает про свой опыт участия в треке по обучению с подкреплением KDD Cup 2019. Какая была задача, какой подход позволил занять высокое место и почему простой random search - это competitive approach to RL и на соревнованиях. Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и видео можно из групп: ВКонтакте https://vk.com/mltrainings Facebook https://www.facebook.com/mltrainings.moscow Telegram https://xn--r1a.website/mltrainings
🔗 KDD 2019 Policy Learning for Malaria Control — Влад Шах-Назаров
Влад Шах-Назаров рассказывает про свой опыт участия в треке по обучению с подкреплением KDD Cup 2019. Какая была задача, какой подход позволил занять высокое место и почему простой random search - это competitive approach to RL и на соревнованиях. Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и видео можно из групп: ВКонтакте https://vk.com/mltrainings Facebook https://www.facebook.com/mltrainings.moscow Telegram https://xn--r1a.website/mltrainings
YouTube
KDD 2019 Policy Learning for Malaria Control — Влад Шах-Назаров
Влад Шах-Назаров рассказывает про свой опыт участия в треке по обучению с подкреплением KDD Cup 2019. Какая была задача, какой подход позволил занять высокое место и почему простой random search - это competitive approach to RL и на соревнованиях.
Узнать…
Узнать…
Fujitsu World Tour 2019. Как прошла наша самая крупная конференция
Привет, Хабр!
18 сентября компания Fujitsu провела в Москве конференцию Fujitsu World Tour 2019, вновь собрав в стенах Ренессанс Москва Монарх Центр всех, кто неровно дышит к миру высоких технологий. И, надо сказать, даже мы не ожидали, что к нам придет столько заинтересованных в ИТ людей – более 700 человек! К счастью, заскучать им было некогда, поскольку в этом году мы постарались максимально наполнить конференцию выступлениями экспертов, демонстрациями новинок и разными активностями. Но давайте по порядку.
🔗 Fujitsu World Tour 2019. Как прошла наша самая крупная конференция
Привет, Хабр! 18 сентября компания Fujitsu провела в Москве конференцию Fujitsu World Tour 2019, вновь собрав в стенах Ренессанс Москва Монарх Центр всех, кто н...
Привет, Хабр!
18 сентября компания Fujitsu провела в Москве конференцию Fujitsu World Tour 2019, вновь собрав в стенах Ренессанс Москва Монарх Центр всех, кто неровно дышит к миру высоких технологий. И, надо сказать, даже мы не ожидали, что к нам придет столько заинтересованных в ИТ людей – более 700 человек! К счастью, заскучать им было некогда, поскольку в этом году мы постарались максимально наполнить конференцию выступлениями экспертов, демонстрациями новинок и разными активностями. Но давайте по порядку.
🔗 Fujitsu World Tour 2019. Как прошла наша самая крупная конференция
Привет, Хабр! 18 сентября компания Fujitsu провела в Москве конференцию Fujitsu World Tour 2019, вновь собрав в стенах Ренессанс Москва Монарх Центр всех, кто н...
Хабр
Fujitsu World Tour 2019. Как прошла наша самая крупная конференция
Привет, Хабр! 18 сентября компания Fujitsu провела в Москве конференцию Fujitsu World Tour 2019, вновь собрав в стенах Ренессанс Москва Монарх Центр всех, кто неровно дышит к миру высоких...
Facing a classification project in machine learning
🔗 Facing a classification project in machine learning
A gentle guide step by step
🔗 Facing a classification project in machine learning
A gentle guide step by step
Medium
Facing a classification project in machine learning
A gentle guide step by step
Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. (RU, 2018)
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
🔗 Открыть в Telegram
📝 Orelyen_Zheron_Prikladnoe_mashinnoe_obuchenie_s_pomoschyu_Scikit-Learn_i_TensorFlow.pdf - 💾44 556 518
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
🔗 Открыть в Telegram
📝 Orelyen_Zheron_Prikladnoe_mashinnoe_obuchenie_s_pomoschyu_Scikit-Learn_i_TensorFlow.pdf - 💾44 556 518
Дайджест новостей машинного обучения и искусственного интеллекта за сентябрь
Привет, Хабравчане! Отфильтровав для вас большое количество источников и подписок — собрал все наиболее значимые новости из мира машинного обучения и искусственного интеллекта за сентябрь. Не забудьте поделиться с коллегами, или просто с теми, кому интересны такие новости.
Для тех, кто не читал дайджест за август, можете прочесть его здесь.
Итак, а теперь дайджест за сентябрь:
1. Ученые EPFL разработали мягкую искусственную кожу, которая обеспечивает тактильную обратную связь и — благодаря сложному механизму самочувствия — потенциально способна мгновенно адаптироваться к движениям пользователя.
🔗 Дайджест новостей машинного обучения и искусственного интеллекта за сентябрь
Привет, Хабравчане! Отфильтровав для вас большое количество источников и подписок — собрал все наиболее значимые новости из мира машинного обучения и искусственн...
Привет, Хабравчане! Отфильтровав для вас большое количество источников и подписок — собрал все наиболее значимые новости из мира машинного обучения и искусственного интеллекта за сентябрь. Не забудьте поделиться с коллегами, или просто с теми, кому интересны такие новости.
Для тех, кто не читал дайджест за август, можете прочесть его здесь.
Итак, а теперь дайджест за сентябрь:
1. Ученые EPFL разработали мягкую искусственную кожу, которая обеспечивает тактильную обратную связь и — благодаря сложному механизму самочувствия — потенциально способна мгновенно адаптироваться к движениям пользователя.
🔗 Дайджест новостей машинного обучения и искусственного интеллекта за сентябрь
Привет, Хабравчане! Отфильтровав для вас большое количество источников и подписок — собрал все наиболее значимые новости из мира машинного обучения и искусственн...
Хабр
Дайджест новостей машинного обучения и искусственного интеллекта за сентябрь
Привет, Хабравчане! Отфильтровав для вас большое количество источников и подписок — собрал все наиболее значимые новости из мира машинного обучения и искусственного интеллекта за сентябрь. Не забудьте...