​Почему нам везде хочется видеть золотое сечение? Попытка (неудачная) эволюционного анализа при помощи нейросетей на C++
Недавно я задался вопросом: связано ли как-то наше желание везде видеть золотое сечение с какими-то сугубо культурными вещами, или же в этом скрыта какая-то более глубокая закономерность, связанная с устройством нашего мозга? Чтобы разобраться в этом вопросе, я решил сделать несколько вещей:

Сформулировать конкретную гипотезу относительно данной закономерности. Я решил, что лучше всего подойдёт предположение, что наш мозг использует систему счисления, основанную на разложении чисел на степени золотого сечения, так как некоторые её особенности очень близки работе примитивных нейросетей: дело в том, что степени золотого сечения более высокого порядка можно разложить бесконечным числом способов в суммы степеней менее высокого порядка и даже отрицательных степеней. Таким образом, более высокая степень как бы «возбуждается» от нескольких низших степеней, тем самым проявляя то самое сходство с нейросетью.
Описать конкретный способ её проверки: я выбрал мат. моделирование эволюции мозга посредством случайных изменений в простейшей возможной нейросети — матрице линейного оператора.
Составить критерии подтверждения гипотезы. Моим критерием было то, что система счисления, основанная на золотом сечении, реализуется на нейросетевом движке при тех же объёмах информации с меньшим числом ошибок, чем двоичная.

Так как речь идёт о программировании, опишу поподробнее второй и третий пункты.

🔗 Почему нам везде хочется видеть золотое сечение? Попытка (неудачная) эволюционного анализа при помощи нейросетей на C++
Недавно я задался вопросом: связано ли как-то наше желание везде видеть золотое сечение с какими-то сугубо культурными вещами, или же в этом скрыта какая-то боле...

🎥 Unsupervised Learning | Clustering and Association Algorithms in Machine Learning | @edureka!
👁 2 раз ⏳ 1399 сек.
*** Machine Learning Training with Python: https://www.edureka.co/machine-learning-certification-training ***
This Edureka video on 'Unsupervised Learning' goes over the basics of Machine Learning, What is Unsupervised Learning in detail, its importance, types and algorithms, various applications and some of the major advantages and disadvantages that Unsupervised Learning poses. Below are the Topics Covered in this Machine Learning Tutorial Video:

0:46 - Agenda
1:26 - Overview of Machine Learning
3:27

​Как промышленный Интернет вещей трансформирует экономику предприятия

Промышленный Интернет вещей (Industrial Internet of Things, сокращенно IIoT) – это глобальная сеть подключенных к Интернету физических объектов, которые оснащены датчиками, сенсорами и устройствами передачи данных.

Главные особенности Промышленного Интернета вещей:

Устройства, которые вошли в сеть и взаимодействуют друг с другом;
Способ подключения – M2M – то есть машины – для – машин, без участия человека;
Работа с большим объемом данных. Применение технологий Big Data.

Полученные данные являются основой для анализа, составления бизнес-модели и повышения эффективности производства.

🔗 Как промышленный Интернет вещей трансформирует экономику предприятия
Промышленный Интернет вещей (Industrial Internet of Things, сокращенно IIoT) – это глобальная сеть подключенных к Интернету физических объектов, которые оснаще...

​Understanding RNNs (Recurrent Neural Networks)

🔗 Understanding RNNs (Recurrent Neural Networks)
The Neural Network That Can Remember The Past

🎥 Support Vector Machine In Python | Machine Learning in Python Tutorial | Python Training | Edureka
👁 1 раз ⏳ 906 сек.
** Python Certification Training: https://www.edureka.co/machine-learning-certification-training **
This Edureka video on 'Support Vector Machine In Python' covers A brief introduction to Support Vector Machine in Python with a use case to implement SVM using Python. Following are the topics discussed:

Introduction To Machine learning
What is Support Vector Machine?
How Does SVM Work?
SVM Kernels
SVM Use Cases
How To Implement SVM?
Character Recognition Using SVM

Python Tutorial Playlist: https://goo.gl/

​No Human Can Beat AlphaGo, and It’s a Good Thing

🔗 No Human Can Beat AlphaGo, and It’s a Good Thing
Why Go master Lee Se-Dol should not feel sorry for losing to AlphaGo

🎥 Episode 391: Jeremy Howard on Deep Learning and fast.ai
👁 1 раз ⏳ 3428 сек.
Jeremy Howard from fast.ai explains deep learning from concept to implementation. Thanks to transfer learning, individuals and small organizations can get state-of-the-art results on machine learning problems using the open source fastai library...

​Integrate Face Detection in your App

🔗 Integrate Face Detection in your App
Don’t be overwhelmed because adding Face Detection to your applications has never been so easy!

​How to Supercharge your Pandas Workflows

🔗 How to Supercharge your Pandas Workflows
Tutorial on tools and techniques to enhance your Pandas experience.

​Kaggle Live-Coding: How to come up with ideas for a project 🤔 | Kaggle

🔗 Kaggle Live-Coding: How to come up with ideas for a project 🤔 | Kaggle
This week Rachael will walk through how she comes up with ideas for data science projects to work on. 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 and data. Stumped? Ask the friendly Kaggle community for help. Follow Kaggle online: Vis

​[Инфографика] Как искусственный интеллект показан в научной фантастике

Как говорится, важнейшим из искусств обмана для нас является кино.

Однако, когда имеем дело с научной фантастикой, человеческое воображение частенько зрит в верном направлении, особенно, если речь о футурологических прогнозах. Происходящая революция, связанная с искусственным интеллектом, тотально меняет нашу жизнь. Но, оказывается, мы размышляли об этом задолго до.

🔗 [Инфографика] Как искусственный интеллект показан в научной фантастике
Как говорится, важнейшим из искусств обмана для нас является кино. Однако, когда имеем дело с научной фантастикой, человеческое воображение частенько зрит в ве...

Здравствуйте коллеги!

Подскажите, может кто нибудь написать (естественно) не бесплатно самообучающуюся программу для идентификации изображений?

Администрация: прошу прощения если написал не туда, готов перенести пост в нужную ветку по Вашему указанию.

Спасибо!

​GANs and Plans

🔗 GANs and Plans
Using Neural Networks to explore thematic content

​PyTorch: An Imperative Style, High-Performance Deep Learning Library

Paszke et al.: https://arxiv.org/abs/1912.01703
#ArtificialIntelligence #deepLearning #PyTorch

🔗 PyTorch: An Imperative Style, High-Performance Deep Learning Library
Deep learning frameworks have often focused on either usability or speed, but not both. PyTorch is a machine learning library that shows that these two goals are in fact compatible: it provides an imperative and Pythonic programming style that supports code as a model, makes debugging easy and is consistent with other popular scientific computing libraries, while remaining efficient and supporting hardware accelerators such as GPUs. In this paper, we detail the principles that drove the implementation of PyTorch and how they are reflected in its architecture. We emphasize that every aspect of PyTorch is a regular Python program under the full control of its user. We also explain how the careful and pragmatic implementation of the key components of its runtime enables them to work together to achieve compelling performance. We demonstrate the efficiency of individual subsystems, as well as the overall speed of PyTorch on several common benchmarks.

🎥 ONNX and ONNX Runtime
👁 1 раз ⏳ 2675 сек.
What is the universal inference engine for neural networks?

Tensorflow? PyTorch? Keras? There are many popular frameworks out there for working with Deep Learning and ML models, each with their pros and cons for practical usability for product development and/or research. Once you decide what to use and train a model, now you need to figure out how to deploy it onto your platform and architecture of choice. Cloud? Windows? Linux? IOT? Performance sensitive? How about GPU acceleration? With a landscape of 1

Машинное обучение
Все лекции в видеоальбоме: https://vk.cc/8uZUMZ
#video #ai


#video

🎥 Лекция 1 | Машинное обучение | Сергей Николенко | Лекториум
👁 206 раз ⏳ 5396 сек.
Лекция 1 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 2 | Машинное обучение | Сергей Николенко | Лекториум
👁 28 раз ⏳ 4251 сек.
Лекция 2 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 3 | Машинное обучение | Сергей Николенко | Лекториум
👁 19 раз ⏳ 3352 сек.
Лекция 3 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 4 | Машинное обучение | Сергей Николенко | Лекториум
👁 17 раз ⏳ 6109 сек.
Лекция 4 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 5 | Машинное обучение | Сергей Николенко | Лекториум
👁 12 раз ⏳ 5170 сек.
Лекция 5 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 6 | Машинное обучение | Сергей Николенко | Лекториум
👁 12 раз ⏳ 5297 сек.
Лекция 6 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 7 | Машинное обучение | Сергей Николенко | Лекториум
👁 9 раз ⏳ 2860 сек.
Лекция 7 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 8 | Машинное обучение | Сергей Николенко | Лекториум
👁 11 раз ⏳ 2317 сек.
Лекция 8 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 9 | Машинное обучение | Сергей Николенко | Лекториум
👁 16 раз ⏳ 3029 сек.
Лекция 9 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это виде...

🎥 Лекция 10 | Машинное обучение | Сергей Николенко | Лекториум
👁 14 раз ⏳ 6184 сек.
Лекция 10 | Курс: Машинное обучение | Лектор: Сергей Николенко | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это вид...

🎥 Patrick Haralabidis - A developer's cheat sheet into Machine Learning
👁 1 раз ⏳ 1767 сек.
This talk aims to help you, the developer, start with machine learning as quickly as possible.
Go from zero to hero, and get an understanding of how deep learning neural networks work, build and train your own DNN in TensorFlow and deploy it in production using TensorFlow Lite.

The talk will utilise a blend of high-level theory and (hopefully working) live demos that aim to demystify Machine Learning and work as a primer for further exploration.

​https://www.sciencesetavenir.fr/high-tech/intelligence-artificielle/yann-lecun-et-le-deep-learning-laureats-du-prix-turing_132479

🔗 Yann LeCun, lauréat du prix Turing, raconte ses travaux dans un livre
Le chercheur français Yann LeCun, directeur du laboratoire de recherche en intelligence artificielle de Facebook, publie un ouvrage.

​"Deep Learning was great, what's next?" - Yoshua Bengio (2/4)

🔗 "Deep Learning was great, what's next?" - Yoshua Bengio (2/4)
Interested in attending a RE•WORK Summit? Get 25% off your pass from December 2-6! See the list of summits here - https://bit.ly/2DrrCbj "Deep Learning was great, what's next?". A common question asked by journalists to Yoshua in this past year. In this part of his keynote, Yoshua explains that Deep Learning IS the thing and also how we can scale each individual part including optimization methods and representations. See part one here - https://www.youtube.com/watch?v=eKMA1Tscdag

​PhiFlow
Research-oriented differentiable fluid simulation framework : https://github.com/tum-pbs/PhiFlow
#ArtificialIntelligence #MachineLearning #TensorFlow

🔗 tum-pbs/PhiFlow
Research-oriented differentiable fluid simulation framework - tum-pbs/PhiFlow