​11 Best Machine Learning Algorithms

You Just can't Afford to miss these if You are a Data Science Aspirant

https://data-flair.training/blogs/machine-learning-algorithms/

🔗 11 Top Machine Learning Algorithms used by Data Scientists - DataFlair
Top machine learning algorithms that you should know to become a data scientist - Linear Regression, Logistic Regression,SVM, KNN,ANN, Naive Bayes

​Автономные автомобили учитывают уровень эгоизма людей

Оценка того, эгоистичны или альтруистичны водители вокруг, имеет большое значение.

Представьте, что вы пытаетесь повернуть налево на оживленную дорогу. Машина за машиной проезжают мимо, удерживая вас в ловушке, ваше напряжение растет. Наконец, великодушный водитель замедляется достаточно, чтобы пропустить вас. Проверка встречного движения, небольшой разгон, и вы успешно вливаетесь в трафик.

Такие сцены разыгрываются по всему миру бесчисленное количество раз в день. И это ситуация, в которой сложно понять физику движения и мотивы других водителей, о чем говорит тот факт, что в Соединенных Штатах каждый год происходит 1,4 миллиона аварий при поворотах. Теперь добавьте в эту ситуацию автономные автомобили. Обычно они ограничиваются только оценкой физических параметров и принимают более осторожные решения в ситуациях с неоднозначной обстановкой.

🔗 Автономные автомобили учитывают уровень эгоизма людей
Оценка того, эгоистичны или альтруистичны водители вокруг, имеет большое значение. Представьте, что вы пытаетесь повернуть налево на оживленную дорогу. Машина...

​Опыт разработки и внедрения систем объектовой видеоаналитики на СХД
СХД – это системы хранения данных, сервера или иные устройства с большим количеством установленных дисков и системами быстрого доступа к ним с гарантией сохранности информации (например, аппаратные или программные RAID-контроллеры). Если речь идёт про хранение видео с нескольких камер, то специализированных решений не требуется. СХД или обычные диски будут использоваться для хранения видеоархива и там же или на отдельном носителе будут храниться события (результат детекции, например, нарушения ПДД или пресечение запретных зон) для дальнейшего доступа к ним и анализа. Но если камер много, например, 80 штук и мы рассматриваем поток RTSP Full HD, 15 FPS с дорожных камер, то зарегистрированных событий в сутки будет уже около 100 Гб. Для хранения таких объемов данных требуются уже специализированные решения. Мы остановили свой выбор на СХД от компании QNAP, куда смогли встроить свой собственный продукт Cumulator. Цель и задача этого продукта – сбор событий с множества устройств: серверов для инференса (исполнения нейронных сетей), камер или микрокомпьютеров, установленных в непосредственной близости от камер.

Сервер на базе Intel NUC, который осуществляет обработку данных с 80 камер с агрегацией этих данных через ПО Cumulator

🔗 Опыт разработки и внедрения систем объектовой видеоаналитики на СХД
СХД – это системы хранения данных, сервера или иные устройства с большим количеством установленных дисков и системами быстрого доступа к ним с гарантией сохранно...

​How Much Over-parameterization Is Sufficient to Learn Deep ReLU Networks?

https://arxiv.org/abs/1911.12360

This is interesting in context of
https://arxiv.org/abs/1801.04540 who trained underparametrized networks (ShuffleNet with fixed FC layer)

🔗 How Much Over-parameterization Is Sufficient to Learn Deep ReLU Networks?
A recent line of research on deep learning focuses on the extremely over-parameterized setting, and shows that when the network width is larger than a high degree polynomial of the training sample size $n$ and the inverse of the target accuracy $ε^{-1}$, deep neural networks learned by (stochastic) gradient descent enjoy nice optimization and generalization guarantees. Very recently, it is shown that under certain margin assumption on the training data, a polylogarithmic width condition suffices for two-layer ReLU networks to converge and generalize (Ji and Telgarsky, 2019). However, how much over-parameterization is sufficient to guarantee optimization and generalization for deep neural networks still remains an open question. In this work, we establish sharp optimization and generalization guarantees for deep ReLU networks. Under various assumptions made in previous work, our optimization and generalization guarantees hold with network width polylogarithmic in $n$ and $ε^{-1}$. Our results push the study of over-parameterized deep neural networks towards more practical settings.

​Kaggle Open Images 2019 — Артур Кузин

🔗 Kaggle Open Images 2019 — Артур Кузин
Artur Kuzin tells about his participation in Kaggle Open Images 2019 in English. He got a gold medal in each of the three competitions. In this video you will find out: - Description of the dataset and its markup procedures, as well as a description of the metric and its features - Architecture overview of the best models - Overview of tricks and hacks from the top3 of each competition - Approach for quick model training Presentation - https://gh.mltrainings.ru/presentations/Kuzin_KaggleOpenImages201

​Practical Model Evaluation: What matters for your model? | Kaggle

🔗 Practical Model Evaluation: What matters for your model? | Kaggle
For the first day of the practical model evaluation workshop, we'll be talking about what's important to consider when deciding what model to put into production. Link to notebook: https://www.kaggle.com/rtatman/practical-model-evaluation-day-1 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 sin

🎥 «Как визуализировать данные за две минуты, или Python для анализа данных». Павел Кнорр, DataArt.
👁 3 раз ⏳ 5357 сек.
Во время доклада Павел ответит на главный вопрос — почему Python стал языком № 1 в области Data Science! Чем вам могут помочь NumPy и Pandas, а главное — как визуализировать данные за две минуты.

ДОКЛАДЧИК: Павел Кнорр, Team Lead, DataArt.

Язык доклада: русский.
Язык презентации: английский.

00:02:20 — Почему Python.
00:07:20 — Что такое NumPy и как с этим работать.
00:22:49 — Pandas, или Excel для программистов. И как с этим работать поверх NumPy.
00:38:34 — Как это все использовать в реальных проект

​On-demand last mile transportation

🔗 On-demand last mile transportation
Real-time route optimization with Location Intelligence

​Why Kernelized Support Vector Machine (SVM) is MLs most beautiful Algorithm?

🔗 Why Kernelized Support Vector Machine (SVM) is MLs most beautiful Algorithm?
Machine learning has more than a few beautiful algorithms that are helping data scientists and researchers transform business models and…

​Recreating Van Gogh’s lost painting

🔗 Recreating Van Gogh’s lost painting
Using generative models in the hunt for a masterpiece

🎥 Running Effective Machine Learning Teams: Common Issues, Challenges, and Solutions
👁 1 раз ⏳ 1152 сек.
Gideon Mendels, CEO, Co-Founder, Comet.ml

'Systems for AI Track'
AI Week
Yuval Ne'eman Workshop for Science, Technology and Security
Tel Aviv University
19.11.19

​Подводные камни в управлении Machine Learning проектом

Уже полтора года я занимаю у себя в компании позицию основного ML-разработчика. Полгода управляю небольшой командой. Я накопил опыт, которым хочу поделиться. Делать это буду в формате топа заблуждений и потенциальных трудностей.

🔗 Подводные камни в управлении Machine Learning проектом
Уже полтора года я занимаю у себя в компании позицию основного ML-разработчика. Полгода управляю небольшой командой. Я накопил опыт, которым хочу поделиться. Д...

🎥 Дата Кампус | Инженерия и отбор признаков. Нейронные сети, часть I (Николай Русских)
👁 1 раз ⏳ 3641 сек.

​Practical Machine Learning with Python

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Practical Machine Learning with Python (en).pdf - 💾20 333 817

​Ridge Regression, Memory vs Understanding & Ice Cream!

🔗 Ridge Regression, Memory vs Understanding & Ice Cream!
Understanding where Ridge sits in the ecosystem of Linear Methods for Regression

​Latest from Google brain researchers

https://www.profillic.com/paper/arxiv:1912.01603

🔗 Dream to Control: Learning Behaviors by Latent Imagination - Profillic
Explore state-of-the-art in machine learning, AI, and robotics. Browse models, source code, papers by topics and authors. Connect with researchers and engineers working on related problems in machine learning, deep learning, natural language processing, robotics, computer vision, data mining, neural networks, artificial intelligence/AI, data science... and explore working together on projects, github code

​А/Б тестирование, пайплайн и ритейл: брендированная четверть по Big Data от GeekBrains и X5 Retail Group

Технологии Big Data применяются сейчас повсеместно — в промышленности, медицине, бизнесе, развлечениях. Так, без анализа больших данных не смогут нормально работать крупные ритейлеры, упадут продажи в Amazon, будут не в состоянии предсказывать погоду на многие дни, недели и месяцы наперед метеорологи. Логично, что специалисты по большим данным сейчас нарасхват, причем спрос постоянно растет.

🔗 А/Б тестирование, пайплайн и ритейл: брендированная четверть по Big Data от GeekBrains и X5 Retail Group
Технологии Big Data применяются сейчас повсеместно — в промышленности, медицине, бизнесе, развлечениях. Так, без анализа больших данных не смогут нормально раб...

​Исследование МФТИ по реконструкции изображения, которое видит человек, по ЭЭГ при помощи нейросети

https://techxplore.com/news/2019-10-neural-network-reconstructs-human-thoughts.html

https://www.youtube.com/watch?v=nf-P3b2AnZ

🔗 Neural network reconstructs human thoughts from brain waves in real time
Researchers from Russian corporation Neurobotics and the Moscow Institute of Physics and Technology have found a way to visualize a person's brain activity as actual images mimicking what they observe ...

​Дэвидсон-Пайлон К. - Вероятностное программирование на Python

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Дэвидсон-Пайлон К. - Вероятностное программирование на Python (Библиотека программиста) - 2019.pdf - 💾9 841 979