Курса Гарвардского университета по основам программирования CS50 2016 года (Альтернативный перевод Rus)
#0 CS50 на русском 2016 Основы программирования Неделя 0 - Scratch
#1 CS50 на русском 2016 Основы программирования Неделя 1 - Язык С
#2 CS50 на русском 2016 Основы программирования Неделя 2 - Массивы
#3 CS50 на русском 2016 Основы программирования Неделя 3 - Алгоритмы
#4 CS50 на русском 2016 Основы программирования Неделя 4 - Память
#5 CS50 на русском 2016 Основы программирования Неделя 5 - Структуры данных
#6 CS50 на русском 2016 Основы программирования Неделя 6 - HTTP
#7 CS50 на русском 2016 Основы программирования Неделя 7 - Машинное обучение
#8 CS50 на русском 2016 Основы программирования Неделя 8 - язык Python
#9 CS50 на русском 2016 Основы программирования Неделя 9 - язык SQL


#video

🎥 #0 CS50 на русском 2016 Основы программирования Неделя 0 - Scratch
👁 140 раз ⏳ 4659 сек.
Приветствую Вас, дорогие друзья!
Неделя 0 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке.

Адрес Scratch: https://scratch.mit.edu/

0:04:06 - двоичная система исчисления
0:10:01 - как перевести числа из десятичной в двоичную систему исчисления
0:12:24 - как компьютер запоминает буквы, цвета и изображения
0:16:12 - как в три действия сосчитать всех студентов в классе
0:22:11 - как в три действия найти человека в телефонной книге из 1000 страниц
0:30:50 - что нового в курсе CS50 2016 года
0:47:20 - графический язык Scratch
0:52:29 - играем в игру Oscartime
0:56:31 - создание первой программы в Scratch

Подробное описание недели 0: http://level-80.com/cs50-na-russkom-2016-nedelya-0/
Наш веб-сайт: https://level-80.com
Наша почта: info@level-80.com
Страничка ВК: https://vk.com/level80com

🎥 #1 CS50 на русском 2016 Основы программирования Неделя 1 - Язык С
👁 40 раз ⏳ 7774 сек.
Приветствую Вас, дорогие друзья!
Неделя 1 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке.

0:01:12 - а...

🎥 #2 CS50 на русском 2016 Основы программирования Неделя 2 - Массивы
👁 17 раз ⏳ 6584 сек.
Приветствую Вас, дорогие друзья!
Неделя 2 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке.

00:00:00 - Обзор Недели 1
00:04:33 - Отладка программ
00:05:05 - buggy0
00:09:12 - buggy1
00:12:49 - buggy2
00:18:11 - buggy3
00:22:19 - debug50
00:29:04 - Rubber-Duck Debugging
00:31:46 - Обзор практических занятий
00:35:18 - Академическая честность
00:39:07 - Щенки
00:39:58 - Криптография
00:41:00 - Ральфи
00:44:21 - Секретный ключ криптографии
00:46:18 - Строки
00:48:06 - string0
00:57:35 - string1
01:01:20 - Символы
01:02:39 - ascii0
01:06:19 - ascii1
01:09:04 - capitalize0
01:12:41 - capitalize2
01:13:47 - Руководство
01:16:31 - strlen
01:17:40 - Больше строк
01:22:49 - Больше о strlen
01:25:09 - Аргументы командной строки
01:26:53 - argv0
01:34:22 - argv1
01:36:35 - argv2
01:42:26 - exit
01:46:36 - Итоги

Описание недели 2: https://level-80.com/cs50-na-russkom-2016-nedelya-2/
Наш веб-сайт: https://level-80.com
Наша почта: info@level-80.com
Страничка ВК: https://vk.com/

🎥 #3 CS50 на русском 2016 Основы программирования Неделя 3 - Алгоритмы
👁 16 раз ⏳ 5088 сек.
Приветствую Вас, дорогие друзья!
Неделя 3 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке.
00:00:00 - О...

🎥 #4 CS50 на русском 2016 Основы программирования Неделя 4 - Память
👁 12 раз ⏳ 6678 сек.
Приветствую Вас, дорогие друзья!
Неделя 4 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке.

00:00:00 - ...

​AIs Are Getting Too Smart - Time For A New "IQ Test” 🎓

🔗 AIs Are Getting Too Smart - Time For A New "IQ Test” 🎓
❤️ Check out Lambda here and sign up for their GPU Cloud: https://lambdalabs.com/papers 📝 The paper "SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems" is available here: https://super.gluebenchmark.com https://arxiv.org/abs/1905.00537 Our earlier video, "DeepMind's AI Takes An IQ Test": https://www.youtube.com/watch?v=eSaShQbUJTQ Our earlier video on the OpenAI Retro Contest is available here: https://www.youtube.com/watch?v=2FHHuRTkr_Y 🙏 We would like to thank our gene

​Deep learning: Saving rainforests with TensorFlow

🔗 Deep learning: Saving rainforests with TensorFlow
Preventing illegal logging by listening for chainsaws

🎥 Lecture 8 – NLI 1 | Stanford CS224U: Natural Language Understanding | Spring 2019
👁 1 раз ⏳ 4503 сек.
Professor Christopher Potts & Consulting Assistant Professor Bill MacCartney, Stanford University
http://onlinehub.stanford.edu/

Professor Christopher Potts
Professor of Linguistics and, by courtesy, Computer Science
Director, Stanford Center for the Study of Language and Information
http://web.stanford.edu/~cgpotts/

Consulting Assistant Professor Bill MacCartney
Senior Engineering Manager, Apple
https://nlp.stanford.edu/~wcmac/

To follow along with the course schedule and syllabus, visit: http://web.s

​A neural net solves the three-body problem 100 million times faster

🔗 A neural net solves the three-body problem 100 million times faster
Machine learning provides an entirely new way to tackle one of the classic problems of applied mathematics.

​Meta-World: A Benchmark and Evaluation for Multi-Task and Meta Reinforcement Learning

https://meta-world.github.io/

article: https://arxiv.org/abs/1910.10897v1

github: https://github.com/rlworkgroup/metaworld

🔗 Meta-World

​Don’t Ever Ignore Reinforcement Learning Again

🔗 Don’t Ever Ignore Reinforcement Learning Again
Supervised or unsupervised learning is not everything. Everyone knows that. Get started with OpenAI Gym.

​Does Minimum Wage Decrease Employment? A Difference-In-Differences Approach

🔗 Does Minimum Wage Decrease Employment? A Difference-In-Differences Approach
A replication of David Card and Alan B. Krueger’s 1994 NBER working Paper

​Markov Chains: How to Train Text Generation to Write like George R. R. Martin

🔗 Markov Chains: How to Train Text Generation to Write like George R. R. Martin
From predictive keyboards to applications in trading and biology, Markov Chains have proven to be versatile tools.

​How we beat the FastAI leaderboard score by +19.77%…a synergy of new deep learning techniques for yo

🔗 How we beat the FastAI leaderboard score by +19.77%…a synergy of new deep learning techniques for yo
After months of testing various new deep learning activations, optimizers, and more, our team combined multiple cutting edge techniques to…

​Physicists have discovered what makes neural networks so extraordinarily powerful

🔗 Physicists have discovered what makes neural networks so extraordinarily powerful
Nobody understands why deep neural networks are so good at solving complex problems. Now physicists say the secret is buried in the laws of physics.

​Как Мефодий стал Анной: опыт разработки и запуска классификаторов голосовых сообщений. Часть
Цель и задача
Напомню, что в рамках первой статьи мы получили модель с удовлетворяющим нас качеством и пришли к выводу, что не стоит сразу строить нейронные сети, на некорректных данных большой пользы от этого не будет. Чтобы избежать потери времени и своих сил, достаточно проанализировать ошибки на “простых” моделях.

В этой статье мы поговорим о выводе в продуктив рабочей модели.

🔗 Как Мефодий стал Анной: опыт разработки и запуска классификаторов голосовых сообщений. Часть
Цель и задача Напомню, что в рамках первой статьи мы получили модель с удовлетворяющим нас качеством и пришли к выводу, что не стоит сразу строить нейронные сети...

​A Gentle Introduction to Logistic Regression With Maximum Likelihood Estimation

🔗 A Gentle Introduction to Logistic Regression With Maximum Likelihood Estimation
Logistic regression is a model for binary classification predictive modeling. The parameters of a logistic regression model can be estimated by the probabilistic framework called maximum likelihood estimation. Under this framework, a probability distribution for the target variable (class label) must be assumed and then a likelihood function defined that calculates the probability of observing …

​Garry Kasparov: Chess, Deep Blue, AI, and Putin | Artificial Intelligence (AI) Podcast

🔗 Garry Kasparov: Chess, Deep Blue, AI, and Putin | Artificial Intelligence (AI) Podcast
Garry Kasparov is considered by many to be the greatest chess player of all time. From 1986 until his retirement in 2005, he dominated the chess world, ranking world number 1 for most of those 19 years. While he has many historic matches against human chess players, in the long arc of history he may be remembered for his match again a machine, IBM's Deep Blue. His initial victories and eventual loss to Deep Blue captivated the imagination of the world of what role Artificial Intelligence systems may play in

​«Ждёт тебя дорога дальняя…» или решение задачи прогнозирования на C# с помощью Ml.NET (DataScience)
В последнее время мне все чаще на глаза попадается информация о фреймворке для машинного обучения Ml.NET. Количество упоминаний о нем переросло в качество, и я решил хотя бы одним глазком глянуть, что же это за зверь такой.

Пару лет назад мы с вами уже пробовали решить простейшую задачу предсказания с помощью линейной регрессии в экосистеме .NET. Для этого мы использовали Accord.NET Framework.

Пару лет назад из открытых данных по обращениям граждан в органы исполнительной власти и лично в адрес мэра г. Москвы , я заботливо собрал для дорогих читателей небольшой набор данных. Спустя пару лет на обновлённом наборе данных мы попробуем решить простейшую задачу предсказания используя Ml.NET Framework. Попутно мы сравним Ml.NET с Accord. NET и библиотеками на Python.

Хотите овладеть силой и могуществом предсказателя? Тогда милости прошу под кат.

P.S. Пусть вас не смущает изображение Собянина, в статье не будет ни слова о политике, только анализ данных, только хардкор )

🔗 «Ждёт тебя дорога дальняя…» или решение задачи прогнозирования на C# с помощью Ml.NET (DataScience)
В последнее время мне все чаще на глаза попадается информация о фреймворке для машинного обучения Ml.NET. Количество упоминаний о нем переросло в качество, и я р...

​It seems AutoML is popular

🔗 It seems AutoML is popular
So we had better take a little look, it could be big!

​Идея инерции(SGDm), идея масштабирования (Adagrad) и регуляризация в машинном обучении на примере задачи классификации
Датасет, используемый далее, взят с уже прошедшего соревнования на kaggle отсюда.
На вкладке Data можно прочитать описание всех полей.

Весь исходный код здесь в формате ноутбука.

🔗 Идея инерции(SGDm), идея масштабирования (Adagrad) и регуляризация в машинном обучении на примере задачи классификации
Датасет, используемый далее, взят с уже прошедшего соревнования на kaggle отсюда. На вкладке Data можно прочитать описание всех полей. Весь исходный код здесь в...

​Гоним кота: как заставить котов не гадить на лужайке у дома?
Жил был Роберт Бонд — 65-летний программист из Калифорнии. И была у него жена-садовница, которая очень любила свою чистенькую лужайку. Но это Калифорния, там нет двухметровых заборов с системой защиты от котов. На лужайку ходят соседские коты и гадят!

Проблему нужно было решать. Как же решил её Роберт? Он докупил немного железа к своему компьютеру, подключил к нему камеру наружного наблюдения, смотрящую за лужайкой и дальше проделал несколько необычную вещь, он загрузил доступный бесплатный Open Source софт — нейросеть, и начинал обучать её распознавать котов на изображении с камеры. И задача в начале кажется тривиальной, ведь если чему-то учить и легко — это котам, потому что котами завален Интернет, их там десятки миллионов. Если было всё так просто, но дела обстоят хуже, в реальной жизни коты ходят гадить в основном ночью. Картинок ночных котов писающих на лужайке в Интернете практически нет. И некоторые из котов умудряются даже пить из системы полива во время работы, но всё же потом сваливают.

🔗 Гоним кота: как заставить котов не гадить на лужайке у дома?
Жил был Роберт Бонд — 65-летний программист из Калифорнии. И была у него жена-садовница, которая очень любила свою чистенькую лужайку. Но это Калифорния, там нет...

​Open MMLab Detection Toolbox and Benchmark https://github.com/open-mmlab/mmdetection

🔗 open-mmlab/mmdetection
Open MMLab Detection Toolbox and Benchmark. Contribute to open-mmlab/mmdetection development by creating an account on GitHub.

​Google is training graph neural networks to predict smells

#DataScience #MachineLearning #ArtificialIntelligence

https://venturebeat.com/2019/10/24/google-is-training-graph-neural-networks-to-predict-smells/

🔗 Google is training graph neural networks to predict smells
Machine learning that predicts smells can be used to create synthetic perfumes and reduce the ecological impact of harvesting natural resources.