​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...

​Macaw: An Extensible Conversational Information Seeking Platform. http://arxiv.org/abs/1912.08904

🔗 Macaw: An Extensible Conversational Information Seeking Platform
Conversational information seeking (CIS) has been recognized as a major emerging research area in information retrieval. Such research will require data and tools, to allow the implementation and study of conversational systems. This paper introduces Macaw, an open-source framework with a modular architecture for CIS research. Macaw supports multi-turn, multi-modal, and mixed-initiative interactions, and enables research for tasks such as document retrieval, question answering, recommendation, and structured data exploration. It has a modular design to encourage the study of new CIS algorithms, which can be evaluated in batch mode. It can also integrate with a user interface, which allows user studies and data collection in an interactive mode, where the back end can be fully algorithmic or a wizard of oz setup. Macaw is distributed under the MIT License.

​Two Postdoc positions (m/f/d) in ‘Computational proteomics/deep learning’ and ‘Digital pathology/proteomics’
https://www.nature.com/naturecareers/job/two-postdoc-positions-mfd-in-computational-proteomicsdeep-learning-and-digital-pathologyproteomics-max-planck-institute-of-biochemistry-715743

🔗 Two Postdoc positions (m/f/d) in ‘Computational proteomics/deep
Two Postdoc positions (m/f/d) in ‘Computational proteomics/deep learning’ and ‘Digital pathology/proteomics’, with Max Planck Institute of Biochemistry. Apply Today.

🎥 Vincent Spruyt: Loc2Vec: Self-supervised metric learning through triplet-loss
👁 1 раз ⏳ 2893 сек.
Self-supervised learning is an increasingly popular technique to learn meaningful representations of data when no labels are available. A related problem is that of learning a mapping from raw input data into a metric space, where distances between latent data points are proportional to the semantic similarity between the original data instances. In this talk, we show how triplet-loss can be used to train a neural network in a self-supervised manner by applying it to location data. The result is a transform

​Horovod is a distributed deep learning training framework for TensorFlow, Keras, PyTorch, and Apache MXNet

https://github.com/horovod/horovod

https://lfai.foundation/press-release/2018/12/13/lf-deep-learning-welcomes-horovod-distributed-training-framework-as-newest-project/

🔗 horovod/horovod
Distributed training framework for TensorFlow, Keras, PyTorch, and Apache MXNet. - horovod/horovod

​Китайский мозг, или в защиту Яровой
(не политика). В качестве эпиграфа хочется выбрать строфу “Видит горы и леса, Облака и небеса. Но не видит ничего, Что под носом у него” – впервые я ее прочитал у Стругакцих в “Волнах гасят ветер”. Ее говорил колдун с планеты Саракш, который понял, что земляне не видят кое-что важного у них самих на Земле. Стругакцие это вроде скопипастили у Хармса. Возможно это перевод. Но дело не в этом.

Мы часто обсуждаем, когда у нас будет полноценный ИИ. И пока до него довольно далеко. Разницу между “ребята готовы к обеду” и “цыплята готовы к обеду” ИИ еще плохо видит, потому что мало данных из внешнего мира. Это меняется, хоть и небыстро. Однако я утверждаю, что ИИ уже существует (хотя первая буква И — не верна). Мы просто смотрим не туда.

🔗 Китайский мозг, или в защиту Яровой
(не политика). В качестве эпиграфа хочется выбрать строфу “Видит горы и леса, Облака и небеса. Но не видит ничего, Что под носом у него” – впервые я ее прочитал...

​Learning Robotics Using Python

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Learning Robotics Using Python (en).pdf - 💾7 856 200

​Understanding Gradient Descent And Its Variants

🔗 Understanding Gradient Descent And Its Variants
Gain a brief understanding of how the learning process in machine learning models are supported by optimization algorithms

​New to CNN? Learn your basics here with the MNIST Digit Recognizer dataset!

🔗 New to CNN? Learn your basics here with the MNIST Digit Recognizer dataset!
Introduction

​Use Bayes’ Rule to uncover (and clarify) your hidden Beliefs in everyday Life

🔗 Use Bayes’ Rule to uncover (and clarify) your hidden Beliefs in everyday Life
How to apply a statistical Concept to improve your Decision Making