​Какой стартап мне запустить завтра?

«Космические корабли бороздят просторы Вселенной» — Armada by tkdrobert

Меня регулярно спрашивают: «вот ты о стартапах пишешь, но их повторять уже поздно, а что сейчас запускать надо, где новый Facebook?» Если бы я знал точный ответ, то никому бы не сказал, а сам сделал, но направление поисков достаточно прозрачно, о нем можно говорить открыто.

Всё уже изобретено до нас
Все гиперуспешные стартапы основаны на очень простых идеях. Google вырос за счет того, что учитывал в ранжировании ссылки. Booking.com в едином интерфейсе показывает все отели мира. Tinder позволяет предложить знакомство одним свайпом. Uber — это заказ такси в мобильном приложении. Сейчас в этих компаниях работают десятки тысяч сотрудников, они каждый день усложняют продукт и добавляют новые сервисы, но тогда, на старте, всё было очень просто.

🔗 Какой стартап мне запустить завтра?
«Космические корабли бороздят просторы Вселенной» — Armada by tkdrobert Меня регулярно спрашивают: «вот ты о стартапах пишешь, но их повторять уже поздно, а чт...

​Deep Learning to Predict US Inflation

🔗 Deep Learning to Predict US Inflation
A Convolutional Neural Network Analysis

🎥 Scaling Data Science Across A "Traditional" Enterprise by Eliano Marques
👁 1 раз ⏳ 1581 сек.
During this talk, it will be described methods to scale Data Science across a "traditional" enterprise. Such methods will include end-to-end use-cases life cycle, from demand creation towards deployment, including frameworks for prioritisating use-cases, developing use-cases and path-to-production. Several technical components will be addressed during this session, from standard DevOps methods to build a Data Science Platform that scales on the cloud to standard docker images to accelerate and automate depl

🎥 Aleksey Okhrimenko - The most soft and fluffy intro into Machine Learning and Deep Neural Networks
👁 1 раз ⏳ 2721 сек.
Video recorded at GDG DevFest Gorky 2019. All about Mobile, Web and Cloud.
Learn more at https://devfest.gdgnn.ru/

If you tried to master a Machine Learning yourself but failed, if you have read ML-for-Dummies from cover to cover, but didn’t understand anything, if you paid for the most expensive Deep Neural Networks courses but nothing came of it ... then this talk is for you! We will learn basics of Machine Learning and Deep Neural Networks using Tensorflow.js and discover a way to have an easy start :)

🎥 Easy Cat/Dog Tensorflow Classification - Convolutional Neural Network
👁 1 раз ⏳ 583 сек.
In this video, I show how to use Machine Learning with Tensorflow in Python to classify images between cats and dogs. We use convolutional neural networks with convolution, MaxPooling, and Dense layers. We also use Dropout and Image Augmentation to prevent overfitting. In the end, we get ~76% validation accuracy, which is not too bad, but we will see how to improve this in the next video.

Link to data: https://storage.googleapis.com/mledu-datasets/cats_and_dogs_filtered.zip
Link to code: https://github.com

​How to create your personal habit tracker on google assistant

🔗 How to create your personal habit tracker on google assistant
The laziest way to track your habits, by a programmer for all programmers!

​Understanding CNN (Convolutional Neural Network)

🔗 Understanding CNN (Convolutional Neural Network)
Your first baby step to learn Deep Learning for Image Classification

Искусственный интеллект простыми словами

✅Как учатся машины | Искусственный интеллект
✅Искусственный интеллект и машинное обучение
✅Искусственный интеллект и нейронные сети
✅Искусственный интеллект в юриспруденции
✅Искусственный интеллект в филологии и журналистике
✅Искусственный интеллект в сельском хозяйстве
✅Искусственный интеллект в бизнесе и финансах
✅Искусственный интеллект в медицине и биологии
✅Искусственный интеллект в педагогике и психологии

#video #ai

🎥 Как учатся машины | Искусственный интеллект
👁 125 раз ⏳ 483 сек.
Искусственный интеллект простыми словами

🎥 Искусственный интеллект и машинное обучение
👁 61 раз ⏳ 718 сек.
Про машинное обучение простыми словами

🎥 Искусственный интеллект и нейронные сети
👁 51 раз ⏳ 686 сек.
Про нейронные сети простыми словами

🎥 Искусственный интеллект в юриспруденции
👁 37 раз ⏳ 378 сек.
Примеры использования искусственного интеллекта в юриспруденции

🎥 Искусственный интеллект в филологии и журналистике
👁 16 раз ⏳ 308 сек.
Примеры использования искусственного интеллекта в журналистике и филологии

🎥 Искусственный интеллект в сельском хозяйстве
👁 14 раз ⏳ 188 сек.
Примеры использования искусственного интеллекта в сельском хозяйстве

🎥 Искусственный интеллект в бизнесе и финансах
👁 14 раз ⏳ 248 сек.
Примеры использования искусственного интеллекта в бизнесе и финансах

🎥 Искусственный интеллект в медицине и биологии
👁 20 раз ⏳ 146 сек.
Примеры использования искусственного интеллекта в медицине и биологии

🎥 Искусственный интеллект в педагогике и психологии
👁 22 раз ⏳ 173 сек.
Примеры использования искусственного интеллекта в педагогике и психологии

🎥 Build A Python Speech Assistant App
👁 1 раз ⏳ 1607 сек.
In this video we will build a speech assistant app using the speech regonition library and Google's text-to-speech API.

Download Kite free:
https://kite.com/download/?utm_medium=referral&utm_source=youtube&utm_campaign=TechGuyWeb&utm_content=speech-assistant-tutorial

Code:
https://github.com/bradtraversy/alexis_speech_assistant

💖 Become a Patron: Show support & get perks!
http://www.patreon.com/traversymedia

Website & Udemy Course Links:
https://www.traversymedia.com

Follow Traversy Media:
https://www

🎥 Datasciencing vehicle purchasing using Machine Learning method Naive Bayes with Python.
👁 1 раз ⏳ 784 сек.
A moderately technical video using Machine Learning method Naive Bayes with Python. To establish a good model that predicts if a customer will purchase a vehicle.

For less technical videos that talk more about how I can help my clients, check out my newer videos at https://www.youtube.com/channel/UC11XKzpsOJM0masvN2HFQww.

Please also check out my website: https://datasciencing.com, for more information about my Data Science journey and other Data Science projects.

You can contact me peter.koebel@datasci

​Индексируемое бинарное дерево

Попалась мне задача следующего вида. Необходимо реализовать контейнер хранения данных обеспечивающий следующий функционал:

вставить новый элемент
удалить элемент по порядковому номеру
получить элемент по порядковому номеру
данные хранятся в сортированном виде

🔗 Индексируемое бинарное дерево
Попалась мне задача следующего вида. Необходимо реализовать контейнер хранения данных обеспечивающий следующий функционал: вставить новый элемент удалить элем...

​Using a Convolutional Neural Network to Play Conway's Game of Life with Keras

https://kylewbanks.com/blog/conways-game-of-life-convolutional-neural-network-keras

GIthub: https://github.com/KyleBanks/conways-gol-cnn

Habr: https://habr.com/ru/post/481544/

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 Using a Convolutional Neural Network to Play Conway's Game of Life with Keras
The goal of this post is to train a convolutional neural network to properly play Conway’s Game of Life without explicitly teaching it the rules of the game.

​Задача №3. Конвертация данных и загрузка в сторонние сервисы
Сегодня публикуем последнюю задачу из цикла, в котором мы рассказываем, как работать с генетическими данными. Первая и вторая задачи уже опубликованы: их можно решить и прислать ответы нам. Предупреждаем, что эта задача занимает больше времени, чем остальные.

Главный приз — Полный геном.

🔗 Задача №3. Конвертация данных и загрузка в сторонние сервисы
Сегодня публикуем последнюю задачу из цикла, в котором мы рассказываем, как работать с генетическими данными. Первая и вторая задачи уже опубликованы: их можно р...

​Уравнения для кухни под ёлку

Магические константы
Ч — Чистота (см. Маршак)
Б — Баланс (см. Нэш)
МЛПП — Материалы, люди, и процесс в пространстве (см. Маяковский, Корбюзье)
Свежая графовая свёрточная нейронная сеть сгодится и на кухне. Вполне достаточно описать блюдо как:
$inline$H = \sigma [ \hat D ^{-½} \hat A \hat D^{-½} Dropout \{\sigma[\hat D ^{-½} \hat A \hat D ^{-½} X W ]\}] , $inline$
Где:
— регуляризация обнулением случайно выбранных параметров — то самое 'забывание', запатентованное Google,
— нелинейная функция активации ,
— диагональная матрица степеней вершин (количество связей),
— диагональная матрица из единиц,
— матрица связности,
— матрица свойств вершин,
— веса нейросети, которые мы можем:

выучить в режиме обучения с учителем;
заполнить выбранными наугад значениями;
выбросить (функция от этого станет чуть-чуть линейнее).

И это позволит играть в молекулярную кулинарию.

🔗 Уравнения для кухни под ёлку
Магические константы Ч — Чистота (см. Маршак) Б — Баланс (см. Нэш) МЛПП — Материалы, люди, и процесс в пространстве (см. Маяковский, Корбюзье) Свежая графовая...

​Почему автоматизация поддержки вредит бизнесу
Наша команда больше двух лет занимается автоматизацией клиентского сервиса. Недавно мы поняли, что подключение чат-ботов и виртуальных ассистентов не всегда идёт на пользу бизнесу.

Чтобы это увидеть, представьте такую ситуацию: вы менеджер в крупном банке, где клиентам трудно зайти в мобильное приложение — на этапе входа ломается каждый второй, потому что авторизироваться так же трудно, как осилить великую теорему Ферма. У вас есть два варианта:

Исправить процесс авторизации — нормально спроектировать экраны и положить мучениям пользователей конец. Это будет стоить от NNN рублей.
Автоматизировать саппорт — подключить виртуального ассистента, который научит клиентов пользоваться приложением. Это будет стоить от NN рублей.

Автоматизировать саппорт и нанять на работу робота как правило дешевле, чем доводить до ума процессы в приложении. Поэтому теперь недальновидные менеджеры выбирают второй вариант — делают ставку на первую линию поддержки, чтобы с её помощью закрыть дыры в продуктах.

🔗 Почему автоматизация поддержки вредит бизнесу
Наша команда больше двух лет занимается автоматизацией клиентского сервиса. Недавно мы поняли, что подключение чат-ботов и виртуальных ассистентов не всегда идёт...

​Multi-View Image Classification

🔗 Multi-View Image Classification
From Logistic Regression to Multi-View Convolutional Neural Networks (MVCNN)

​Hyper-Ledger Fabric Version 2.0 Launch: New Opportunities in the Making

🔗 Hyper-Ledger Fabric Version 2.0 Launch: New Opportunities in the Making
Acquainting the world with the latest updates in Blockchain technology.

​Fun with HTML Canvas: Let’s make Lava Lamp Plasma

🔗 Fun with HTML Canvas: Let’s make Lava Lamp Plasma
An animated real-time visual effect in HTML

🎥 Transfer Learning for Image Classification (Webinar by Bhavesh Laddagiri, recorded on 19th. Dec'19)
👁 1 раз ⏳ 3446 сек.
Transfer Learning is a good and popular approach in deep learning in which pre-trained models are used as starting point on computer vision (CNN) and natural language processing (NLP) tasks. More can be read about it here: http://www.cellstrat.com/2019/12/11/transfer-learning-in-deep-learning/

🎥 Deep Learning for Coders Study Group - Session #1
👁 1 раз ⏳ 3214 сек.
Recorded on 12/1/ 2019 hosted by Goutham Venkatesh

Subscribe!

iTunes ➙ https://itunes.apple.com/us/podcast/t...
Soundcloud ➙ https://soundcloud.com/twiml
Google Play ➙ http://bit.ly/2lrWlJZ
Stitcher ➙ http://www.stitcher.com/s?fid=92079&r...
RSS ➙ https://twimlai.com/feed

Lets Connect!

Twimlai.com ➙ https://twimlai.com/contact
Twitter ➙ https://twitter.com/twimlai
Facebook ➙ https://Facebook.com/Twimlai
Instagram ➙ https://instagram.com/twimlai
Medium ➙ https://medium.com/this-week-in-machi...