​Машинное обучение как умный ассистент мониторинга
Привет Хабр!

Хоум Кредит — это крупная и очень динамичная система, за которой подчас трудно уследить. Чтобы помочь сотрудникам быть в курсе всех новостей и изменений и везде успевать, мы активно внедряем алгоритмы машинного обучения. В нашем Банке чат-боты уже берут на себя часть работы операторов, клиентские отзывы анализируют не только эксперты, но и умные алгоритмы обработки естественного языка.

Сегодня я расскажу, как мы помогли специалистам эксплуатации банковских сервисов избавиться от необходимости непрерывно смотреть в дашборды мониторинговых систем, а именно, призвали на помощь машинное обучение. Вот что у нас получилось.

🔗 Машинное обучение как умный ассистент мониторинга
Привет Хабр! Хоум Кредит — это крупная и очень динамичная система, за которой подчас трудно уследить. Чтобы помочь сотрудникам быть в курсе всех новостей и изм...

​Сверточный слой: быстрая свертка по методу Шмела Винограда
Введение
Данная статья является продолжением серии статей описывающей алгоритмы лежащие в основе
Synet — фреймворка для запуска предварительно обученных нейронных сетей на CPU.

В предыдущей статье я описал методы, основанные на матричном умножении. Эти методы с минимальными усилиями позволяют достичь во многих случаях более 80% от теоретического максимума. Казалось бы, ну куда тут можно еще дальше улучшать? Оказывается можно! Существуют математически методы, которые позволяют сократить число операций, необходимых для свертки. С одним из таких методов — алгоритму свертки по методу Винограда мы и ознакомимся в настоящей статье.

Шмел Виноград (Shmuel Winograd) 1936.01.04 — 2019.03.25 — выдающийся израильский и американский ученый в области компьютерных наук, создатель алгоритмов быстрого матричного умножения, свертки и преобразования Фурье.

🔗 Сверточный слой: быстрая свертка по методу Шмела Винограда
Введение Данная статья является продолжением серии статей описывающей алгоритмы лежащие в основе Synet — фреймворка для запуска предварительно обученных нейрон...

​Data Engineer Interview Questions With Python
https://realpython.com/data-engineer-interview-questions-python

🔗 Data Engineer Interview Questions With Python – Real Python
This tutorial will prepare you for some common questions you'll encounter during your data engineer interview. You'll learn how to answer questions about databases, ETL pipelines, and big data workflows. You'll also take a look at SQL, NoSQL, and Redis use cases and query examples.

​Pre-Debate Material

https://neurips.cc/Conferences/2019/Schedule?showEvent=15488

🔗 NeurIPS 2019 Schedule
NeurIPS Website

​#YellowVests : A Twitter NLP analysis

🔗 #YellowVests : A Twitter NLP analysis
What is the current opinion regarding the largest French social movement?

​Web Scraping Metacritic Reviews using BeautifulSoup

🔗 Web Scraping Metacritic Reviews using BeautifulSoup
A simple 6-step guide to scraping Metacritic game reviews using BeautifulSoup and saving them into a pandas dataframe.

​Artbreeder: Draw me an Electric Sheep

🔗 Artbreeder: Draw me an Electric Sheep
How to apply Generative Adversarial Networks in a user-friendly way.

​📝 Барский А.Б. Нейронные сети. Распознавание, управление, принятие решений.pdf - 💾4 375 254

​The Art and Science of Finding AI Projects

🔗 The Art and Science of Finding AI Projects
Don’t know how to get started with AI? Use the AI Discovery Diamond Framework to generate AI Project ideas.

🎥 Riccardo Zecchina: "Evidence for local entropy optimization in machine learning, physics and neu..."
👁 1 раз ⏳ 3533 сек.
Machine Learning for Physics and the Physics of Learning 2019
Workshop IV: Using Physical Insights for Machine Learning

"Evidence for local entropy optimization in machine learning, physics and neuroscience"
Riccardo Zecchina - Bocconi University

Institute for Pure and Applied Mathematics, UCLA
November 20, 2019

For more information: http://www.ipam.ucla.edu/mlpws4

​Tensorflow 2.0: Solving Classification and Regression Problems

🔗 Tensorflow 2.0: Solving Classification and Regression Problems
After much hype, Google finally released TensorFlow 2.0 which is the latest version of Google's flagship deep learning platform. A lot of long-awaited features have been introduced in TensorFlow 2.0. This article very briefly covers how you can develop simple classification and regression models using TensorFlow 2.0.

​Richard Feynman on Artificial General Intelligence

🔗 Richard Feynman on Artificial General Intelligence
In a lecture held by physicist Richard Feynman (1918–1988) on September 26th, 1985, the question of artificial general intelligence (also…

StyleGANv2. The authors did a big homework and fixed "light spots" and "burnt skin" artifacts. Also, they proposed an improved method for finding real images in latent space (but still via backprop).
▶ youtu.be/c-NJtV9Jvp0
🔎 github.com/NVlabs/stylegan2
📝 arxiv.org/abs/1912.04958

🎥 StyleGAN2
👁 2 раз ⏳ 347 сек.
Analyzing and Improving the Image Quality of StyleGAN
Tero Karras, Samuli Laine, Miika Aittala, Janne Hellsten, Jaakko Lehtinen, Timo Aila

Paper: http://arxiv.org/abs/1912.04958
Code: https://github.com/NVlabs/stylegan2

Abstract: The style-based GAN architecture (StyleGAN) yields state-of-the-art results in data-driven unconditional generative image modeling. We expose and analyze several of its characteristic artifacts, and propose changes in both model architecture and training methods to address them

​ICYMI: Beautify your face using a GAN-based architecture!

https://www.profillic.com/paper/arxiv:1912.03630

code request link: http://bit.ly/GANbeauty

🔗 Face Beautification: Beyond Makeup Transfer - 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

🎥 Сервисы машинного обучения и искуственного интеллекта в AWS.
👁 1 раз ⏳ 1865 сек.
Знакомьтесь — Сергей, Solutions Architect в Amazon Web Services. И спикер мероприятия AWS Business Day.

Сергей работал в Booking.com, Google, Microsoft и Intel. Эксперт в клауд решениях. Во время события представил технологии будущего, доступные уже сегодня! Присоединяйтесь к просмотру.

Softprom by ERC - Advanced Consulting Partner в сети Amazon Web Services. Компания основана в 1999 году и сегодня представлена на территории в более 30 странах. https://softprom.com

🎥 Data Mining #8 / Байесовские методы машинного обучения [Технострим]
👁 2 раз ⏳ 8384 сек.
Лекция №8 "Байесовские методы машинного обучения"
Курс "Алгоритмы интеллектуальной обработки больших объемов данных" или "Data Mining"
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова

Другие лекции этого курса: https://bit.ly/37bMNMc
Слайды лекции: https://bit.ly/384ENgN

📝 ПОДРОБНЕЕ О КУРСЕ:
Описание и программа: https://bit.ly/2XfQADV
Короткое видео о курсе: https://youtu.be/Cbyw9b7k2Ao

Цель курса — изучение студентами как классических, так и современных подходов к решению задач Data Mining, основа

​What just happened in the world of AI? - KDnuggets

🔗 What just happened in the world of AI? - KDnuggets
The speed at which AI made advancements and news during 2019 makes it imperative now to step back and place these events into order and perspective. It's important to separate the interest that any one advancement initially attracts, from its actual gravity and its consequential influence on the field. This…

​Guide to Building a College Basketball Machine Learning Model in Python

🔗 Guide to Building a College Basketball Machine Learning Model in Python
Let’s compare a neural net performance to Vegas line accuracy.

​Understanding Dataset Shift

🔗 Understanding Dataset Shift
How to make sure your models are not fooled by tricks of your data.