🎥 Real time emotion recognition during presentations by Artemii Frolov
👁 1 раз ⏳ 1154 сек.
Abstract:
Understanding of emotions during presentations could be very important for the presenter. It could be not only useful for him but also make presentations more interesting for the listeners. In this talk, I would like to present my solution, based on Amazon DeepLens, and using MTCNN and mini-Xception networks (with an explanation of how they work). We'll discuss easy visualization of the results and how to expand the solution for every mini-computer with a camera.

Bio:
Artemii is a Master student

​What does it mean for a machine to “understand”?

🔗 What does it mean for a machine to “understand”?
Critics of recent advances in artificial intelligence complain that although these advances have produced remarkable improvements in AI…

​Machine Learning Model Comparison for Breast Cancer Classification and Bio-Marker Identification

🔗 Machine Learning Model Comparison for Breast Cancer Classification and Bio-Marker Identification
This data-set is publicly available for research. Credit: Patrício, M., Pereira, J., Crisóstomo, J., Matafome, P., Gomes, M., Seiça, R., &…

​How I See Things With Google Lens

🔗 How I See Things With Google Lens
For Android users, Google Assistant provides a feature that uses image recognition technology with the smartphone camera. It is called…

​Introducing the Schema-Guided Dialogue Dataset for Conversational Assistants

🔗 Introducing the Schema-Guided Dialogue Dataset for Conversational Assistants
Posted by Abhinav Rastogi, Software Engineer, and Pranav Khaitan, Engineering Lead, Google Research Today's virtual assistants help use...

🎥 Brain Computer Interface w/ Python and OpenBCI for EEG data
👁 3 раз ⏳ 1373 сек.
Learning how to read EEG data in Python for the purposes of creating a brain computer interface with hopes of doing things like controlling characters in a game and hopefully much more!

Channel membership: https://www.youtube.com/channel/UCfzlCWGWYyIQ0aLC5w48gBQ/join
Discord: https://discord.gg/sentdex
Support the content: https://pythonprogramming.net/support-donate/
Twitter: https://twitter.com/sentdex
Instagram: https://instagram.com/sentdex
Facebook: https://www.facebook.com/pythonprogramming.net/
Twit

​AWS Elastic MapReduce (EMR) — 6 Caveats You Shouldn’t Ignore

🔗 AWS Elastic MapReduce (EMR) — 6 Caveats You Shouldn’t Ignore
A few gotchas about AWS EMR and AWS Glue that you, as a developer/architect, should know

​How to use NVIDIA GPUs for Machine Learning with the new Data Science PC from Maingear

🔗 How to use NVIDIA GPUs for Machine Learning with the new Data Science PC from Maingear
Yes, you read it right: it's Machine Learning and not Deep Learning

​Credit Risk Analysis Using Machine Learning and Deep Learning Models

https://github.com/brainy749/CreditRiskPaper
https://www.mdpi.com/2227-9091/6/2/38/htm

🔗 brainy749/CreditRiskPaper
Codes for replication and implementation of techniques in our credit risk article - brainy749/CreditRiskPaper

​Превращаем скрипты в красивые инструменты для машинного обучения
Создаём семантический поисковик с машинным обучением в реальном времени за 300 строк Python кода.
Мой опыт подсказывает, что любой более или менее сложный проект по машинному обучению рано или поздно превращается в набор сложных неподдерживаемых внутренних инструментов. Эти инструменты, как правило, мешанина из скриптов Jupyter Notebooks и Flask, которые сложно развёртывать и интегрировать с решениями типа GPU сессий Tensorflow.
Впервые я столкнулся с этим в университете Карнеги, затем в Беркли, в Google X, и, наконец, при создании автономных роботов в Zoox. Зарождались инструменты в виде небольших Jupyter notebooks: утилита калибровки сенсора, сервис моделирования, приложение LIDAR, утилита для сценариев и т.д.
С ростом важности инструментов появлялись менеджеры. Бюрократия росла. Требования повышались. Маленькие проекты превращались в огромные неуклюжие кошмары.

🔗 Превращаем скрипты в красивые инструменты для машинного обучения
Создаём семантический поисковик с машинным обучением в реальном времени за 300 строк Python кода. Мой опыт подсказывает, что любой более или менее сложный проект...

​Как мы используем цепи Маркова в оценке решений и поиске багов. Со скриптом на Python

Нам важно понимать, что с происходит с нашими студентами во время обучения, и как эти события влияют на результат, поэтому мы выстраиваем Customer Journey Map — карту клиентского опыта. Ведь процесс обучения — не нечто непрерывное и цельное, это цепочка взаимосвязанных событий и действий студента, причем эти действия могут сильно отличаться у разных учеников. Вот он прошел урок: что он сделает дальше? Пойдет в домашнее задание? Запустит мобильное приложение? Изменит курс, попросит сменить учителя? Сразу зайдет в следующий урок? Или просто уйдет разочарованным? Можно ли, проанализировав эту карту, выявить закономерности, приводящие к успешному окончанию курса или наоборот, «отваливанию» студента?

Обычно для выстраивания CJM используют специализированные, весьма дорогие инструменты с закрытым кодом. Но нам хотелось придумать что-то простое, требующее минимальных усилий и по возможности опенсорсное. Так появилась идея воспользоваться цепями Маркова — и у нас получилось. Мы построили карту, интерпретировали данные о поведении студентов в виде графа, увидели совершенно неочевидные ответы на глобальные вопросы бизнеса и даже нашли глубоко спрятанные баги. Все это мы сделали с помощью опенсорсных решений Python-скрипта. В этой статье я расскажу про два кейса с теми самыми неочевидными результатами и поделюсь скриптом со всеми желающими.

🔗 Как мы используем цепи Маркова в оценке решений и поиске багов. Со скриптом на Python
Нам важно понимать, что с происходит с нашими студентами во время обучения, и как эти события влияют на результат, поэтому мы выстраиваем Customer Journey Map...

​Закат эпохи Bid Data
Множество иностранных авторов сходятся к тому, что эпоха Big Data подошла к концу. И в данном случае под термином Big Data понимаются технологии, основанные на Hadoop. Многие авторы, даже могут с уверенностью назвать дату, когда Big Data оставила этот мир и эта дата — 05.06.2019.

Что же произошло в этот знаменательный день?

В этот день, компания MAPR обещала приостановить свою работу, если не сможет найти средства для дальнейшего функционирования. Позднее, в августе 2019 года MAPR был приобретен компанией HP. Но возвращаясь к июню нельзя не отметить, трагичность этого периода для рынка Big Data. В этом месяце произошел обвал биржевых котировок акций компании CLOUDERA – ведущего игрока на обозначенном рынке, которая произвела слияние с хронически неприбыльным HORTOWORKS в январе этого же года. Обвал был весьма существенен и составил 43%, в конечном итоге капитализация CLOUDERA снизилась с 4,1 до 1,4 миллиарда долларов.

Невозможно не сказать, что слухи о надувании пузыря в сфере технологий, базирующихся на Hadoop, ходили еще с декабря 2014 года, но он мужественно продержался еще почти пять лет. Слухи эти основывались на отказе Google, компании в которой зародилась технология Hadoop, от своего изобретения. Но технология, прижилась, на время перехода компаний к облачным средствам обработки и бурного развития искусственного интеллекта. Поэтому, оборачиваясь назад, можно с уверенностью сказать, что кончина была ожидаемой.

Таким образом, эра Big Data подошла к концу, но в процессе работы над большими данными компании осознали все нюансы работы над ними, выгоды, которые Big Data может принести бизнесу, а также научились пользоваться искусственным интеллектом для извлечения ценности из сырых данных.

Тем интереснее становится вопрос о том, что же придет на смену этой технологии и как будут дальше развиваться технологии аналитики.

🔗 Закат эпохи Bid Data
Множество иностранных авторов сходятся к тому, что эпоха Big Data подошла к концу. И в данном случае под термином Big Data понимаются технологии, основанные на H...

​Kirill Romanov — AutoCV2

🔗 Kirill Romanov — AutoCV2
Kirill Romanov tells about his participation in AutoCV2 challenge in English. His solution got third place. In this video you will find out: - Some tips and tricks for models' speed training from scratch within limited time and space (hardware capacities) budget - How to adapt picture augmentations to a specific dataset on the fly - How to build a simple but efficient picture classification system that works surprisingly well across a different picture and video datasets - The limitations and areas of impr

​Многопроцессный доступ к Intel Neural Computer Stick через REST
Проблема однозадачности
В прошлой серии я поставил на танк Intel Neural Computer Stick 2 и перекинул на него все нейросетевые вычисления, отказавшись от Tensorflow и OpenCV-DNN.

Была проблема, с которой я столкнулся уже тогда — невозможность работать с NCS из нескольких процессов одновременно. Тогда это было не критично, а сейчас пришло время разобраться.

🔗 Многопроцессный доступ к Intel Neural Computer Stick через REST
Проблема однозадачности В прошлой серии я поставил на танк Intel Neural Computer Stick 2 и перекинул на него все нейросетевые вычисления, отказавшись от Tensorfl...

AI Learns To Compute Game Physics In Microseconds ⚛

https://www.youtube.com/watch?v=atcKO15YVD8

Their blog post and their CodeSearchNet system are available here:

https://www.wandb.com/articles/codesearchnet

https://app.wandb.ai/github/CodeSearchNet/benchmark

📝 The paper "Subspace Neural Physics: Fast Data-Driven Interactive Simulation" is available here:

https://static-wordpress.akamaized.net/montreal.ubisoft.com/wp-content/uploads/2019/08/27140237/deep-cloth-paper.pdf

http://theorangeduck.com/page/subspace-neural-physics-fast-data-driven-interactive-simulation

🎥 AI Learns To Compute Game Physics In Microseconds ⚛️
👁 1 раз ⏳ 310 сек.
❤️ Check out Weights & Biases here and sign up for a free demo: https://www.wandb.com/papers

Their blog post and their CodeSearchNet system are available here:
https://www.wandb.com/articles/codesearchnet
https://app.wandb.ai/github/CodeSearchNet/benchmark

📝 The paper "Subspace Neural Physics: Fast Data-Driven Interactive Simulation" is available here:
https://montreal.ubisoft.com/fr/deep-cloth-paper/
http://theorangeduck.com/page/subspace-neural-physics-fast-data-driven-interactive-simulation

🙏 We would

​Formatting Tips for Correlation Heatmaps in Seaborn

🔗 Formatting Tips for Correlation Heatmaps in Seaborn
A handy guide for ways to format your heatmap to improve its readability and visual appeal.

​Deploying a ML Model on Google Compute Engine

🔗 Deploying a ML Model on Google Compute Engine
Deploy an object detection model as an API with Flask on Google Compute Engine and set up a production server with NGINX and Gunicorn

​Understanding the magic that is analytics - SmartData Collective

🔗 Understanding the magic that is analytics - SmartData Collective
Analytics is a term that many people have heard, but unfortunately not nearly as many go out of their way to truly understand in depth. Widely referred to as the “fabric of the future”, analytics is all about improving efficiency and ultimately creating better ways to do things in professional settings. Believe it or …

​Как построить бизнес-технологию планирования продаж в единой системе
В данной статье я бы хотел поделиться опытом построения системы планирования продаж и рассказать о практических шагах по ее внедрению.

Проблема разрозненного планирования
Зачастую в компаниях складывается следующая ситуация: У каждого подразделения возникает своя, уникальная версия плана продаж. Такие планы используют в работе, например, отделы маркетинга, продаж, финансисты и логистика.

Эти планы имеют разные формат, разную степень детализации, и, что самое важное, разные и противоречащие друг другу цифры.

Возникает закономерный вопрос, как выстроить в компании систему интегрированного планирования и что для этого нужно.

Выстраивание бизнес-процесса
Думаю важно подходить к вопросу с позиции создания отлаженной бизнес-технологии.

Как правило, планирование является регулярным процессом (часто ежемесячным или еженедельным), при котором происходит согласование и корректировка плана продаж и взаимосвязанных планов (например, поставок и производства).

(Часто используют термины: S&OP — Sales and Operations Planning, IBP — Integrated Business Planning).

В процессе планирования должны быть четко определены участники и их роли, конкретные задачи и сроки. Например, продавцы предоставляют планы клиентов (или каналов). Маркетинг проверяет ассортимент и сообщает о новинках и т.д.

🔗 Как построить бизнес-технологию планирования продаж в единой системе
В данной статье я бы хотел поделиться опытом построения системы планирования продаж и рассказать о практических шагах по ее внедрению. Проблема разрозненного пл...

​Kaggle Reading Group: Paper TBD (voting linked in description!) | Kaggle

🔗 Kaggle Reading Group: Paper TBD (voting linked in description!) | Kaggle
This week we'll be starting a new paper. Check out your options & vote for your favorite here: https://www.youtube.com/user/kaggledotcom/community 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 f