​Paraphrase Generation with Latent Bag of Words

Paper: https://arxiv.org/abs/2001.01941v1

Code: https://github.com/FranxYao/dgm_latent_bow/

🔗 FranxYao/dgm_latent_bow
The latent bag of words model for paraphrase generation - FranxYao/dgm_latent_bow

​From Open Set to Closed Set: Supervised Spatial Divide-and-Conquer for Object Counting

https://github.com/xhp-hust-2018-2011/S-DCNet

https://github.com/xhp-hust-2018-2011/SS-DCNet

Paper https://arxiv.org/abs/2001.01886v1

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 xhp-hust-2018-2011/S-DCNet
Implementaion of S-DCNet (ICCV 2019). Contribute to xhp-hust-2018-2011/S-DCNet development by creating an account on GitHub.

🎥 Python warm up: Blockbuster movie prediction using Machine Learning
👁 1 раз ⏳ 7101 сек.
-Introduction to Python Programming with a case study
-Data cleaning and visualization using Python
-End to End EDA and Predictive modeling with Decision trees
-Case study: Analysis of Box Office Revenue worldwide
-LIVE walk-through of Python code with Movie Blockbuster dataset
-Q&A

​Создаём SnapChat линзы с использованием pix2pix
Почти такой же заголовок носит и моя предыдущая статья, с той лишь разницей, что тогда я создавал SnapChat линзы алгоритмически, используя dlib и openCV, а сегодня хочу показать, как можно добиться результата, используя машинное обучение. Этот подход позволит не заниматься ручным проектированием алгоритма, а получать итоговое изображение прямо из нейронной сети.
Вот что мы получим:

🔗 Создаём SnapChat линзы с использованием pix2pix
Почти такой же заголовок носит и моя предыдущая статья, с той лишь разницей, что тогда я создавал SnapChat линзы алгоритмически, используя dlib и openCV, а сегод...

​Decrappifying brain images with deep learning

https://www.eurekalert.org/pub_releases/2020-01/uota-dbi010820.php

🔗 Decrappifying brain images with deep learning
To understand brain functions, it is necessary to first map how different cells and cell parts interact in three-dimensions. Doing so with existing equipment and methods has been a challenge. Researchers from the Salk Institute developed an approach using deep learning that can speed up brain image microscopy by 16 times. The team trained the deep learning system using data from University of Texas researchers and supercomputers at the Texas Advanced Computing Center.

Полный туториал по NumPy в Python для новичков.

https://youtu.be/GB9ByFAIAH4

🎥 Complete Python NumPy Tutorial (Creating Arrays, Indexing, Math, Statistics, Reshaping)
👁 4 раз ⏳ 3521 сек.
This video overviews the NumPy library. It provides background information on how NumPy works and how it compares to Python's Built-in lists. This video goes through how to write code with NumPy. It starts with the basics of creating arrays and then gets into more advanced stuff. A full video timeline can be found in the comments.

Link to code used in video: https://github.com/KeithGalli/NumPy

Feel free to watch at 1.5x to learn more quickly!

If you enjoyed this video, please consider subscribing :).

L

​SlowFast Networks for Video Recognition

https://github.com/facebookresearch/SlowFast

https://arxiv.org/abs/1812.03982v3

🔗 facebookresearch/SlowFast
PySlowFast: video understanding codebase from FAIR for reproducing state-of-the-art video models. - facebookresearch/SlowFast

​Understanding Singular Value Decomposition and its Application in Data Science
In linear algebra, the Singular Value Decomposition (SVD) of a matrix is a factorization of that matrix into three matrices.

🔗 Understanding Singular Value Decomposition and its Application in Data Science
In linear algebra, the Singular Value Decomposition (SVD) of a matrix is a factorization of that matrix into three matrices. It has some…

​How I found my current job

🔗 How I found my current job
From the debt collection agency to autonomous vehicles

🎥 Oracle Machine Learning for Python, with Demos
👁 3 раз ⏳ 4248 сек.
We learned about the Oracle Machine Learning for Python and how it integrates the advantages of Python with the scalability and performance of Oracle Database while enabling Python functionality on database data as if they were native Python objects.

Users transparently move from Python functions written for single core to overloaded functions leveraging database parallelism and scalability. Oracle Machine Learning for Python allows users to manipulate data in Oracle Database tables and views using Python

​Some of the brightest minds in #AI express their hopes for 2020🔝

Good read https://blog.deeplearning.ai/blog/the-batch-happy-new-year-hopes-for-ai-in-2020-yann-lecun-kai-fu-lee-anima-anandkumar-richard-socher

🔗 The Batch: Happy New Year! Hopes for AI in 2020: Yann LeCun, Kai-Fu Lee, Anima Anandkumar, Richard S
I’ve been reflecting on the NeurIPS 2019 conference, which ended on Saturday. It’s always a wonderful event, but this year I found it a bittersweet experience.

​Как обучить нейронную сеть DeepPavlov на ноутбуке с использованием GPU
В этой статье я хочу поделиться своим опытом использования данной open-source библиотеки на примере реализации одной задачи с парсингом файлов PDF/DOC/DOCX содержащих резюме специалистов.

Здесь я также опишу этапы реализации инструмента для подготовки датасета. После чего можно будет обучить модель BERT на полученном датасете в рамках задачи распознавания сущностей из текстов (Named Entity Recognition – в дальнейшем NER).

Итак, с чего начать. Естественно для начала нужно установить и настроить среду для запуска нашего инструмента. Установку я буду выполнять на Windows 10.

На Хабре уже есть несколько статей от разработчиков этой библиотеки, где как раз есть подробная инструкция по установке. А в этой статье я хотел бы собрать все воедино, от запуска и до обучения модели. Также я укажу решения некоторых проблем, с которыми я столкнулся при работе с этой библиотекой.

🔗 Как обучить нейронную сеть DeepPavlov на ноутбуке с использованием GPU
В этой статье я хочу поделиться своим опытом использования данной open-source библиотеки на примере реализации одной задачи с парсингом файлов PDF/DOC/DOCX содер...

​Эксперименты с нейронными сетями на данных сейсморазведки
Сложность интерпретации данных сейсмической разведки связана с тем, что к каждой задаче необходимо искать индивидуальный подход, поскольку каждый набор таких данных уникален. Ручная обработка требует значительных трудозатрат, а результат часто содержит ошибки, связанные с человеческим фактором. Использование нейронных сетей для интерпретации может существенно сократить ручной труд, но уникальность данных накладывает ограничения на автоматизацию этой работы.

Данная статья описывает эксперимент по анализу применимости нейронных сетей для автоматизации выделения геологических слоев на 2D-изображениях на примере полностью размеченных данных из акватории Северного моря.

Рисунок 1. Проведение акваториальной сейсморазведки (источник)

🔗 Эксперименты с нейронными сетями на данных сейсморазведки
Сложность интерпретации данных сейсмической разведки связана с тем, что к каждой задаче необходимо искать индивидуальный подход, поскольку каждый набор таких дан...

​Новый способ самообучения: ПАРСИНГ + СИНТЕЗ РЕЧИ. Прослушивание сообщений с форума

🎥 Видеокурс по парсингу и прослушиванию веток с форума microstock.ru новый парсер: microstock 5.0
👁 359 раз ⏳ 46 сек.
Купить видеокурс:

https://gumroad.com/l/microstock_5_0

🎥 Видеокурс по парсингу и прослушиванию форума microstock.ru
👁 82 раз ⏳ 33 сек.
Купить видеокурс.

https://gumroad.com/l/microstock

​Как побеждать в хакатонах (McKinsey’s Datathon: The City Cup) — Валентина Бирюкова

🔗 Как побеждать в хакатонах (McKinsey’s Datathon: The City Cup) — Валентина Бирюкова
Валентина Бирюкова делится секретами, как выигрывать хакатоны и рассказывает про победу в международном хакатоне от McKinsey. Команда Валентины заняла первое место на приватном лидерборде, первое место в выступлениях и презентации результатов! Из этого видео вы сможете узнать: - Что мечтает услышать каждый организатор хакатона в вашем решении - Как правильно работать над основными частями хакатона: бизнес частью, алгоритмами, презентацией решения. - Еще раз о пользе target encoding и cross-validation У

🎥 NeurIPS New Year Afterparty - Прямая трансляция
👁 1 раз ⏳ 0 сек.
15 января мы собрались в офисе Яндекса, чтобы обсудить работы, представленные на недавней конференции NeurIPS (бывшая NIPS). Она входит в число наиболее престижных международных конференций по машинному обучению и нейронным сетям.
NeurIPS 2019 состоялась в Ванкувере всего несколько недель назад. Как всегда, туда съехались инженеры и исследователи из престижных институтов, больших IT-компаний и стартапов, чтобы обменяться последними успехами и идеями новых исследований в области машинного обучения. Этим трен

​Baking And Melting Chocolate Simulations Are Now Possible! 🍫

🔗 Baking And Melting Chocolate Simulations Are Now Possible! 🍫
❤️ Check out Weights & Biases here and sign up for a free demo: https://www.wandb.com/papers Their blog post is available here: https://www.wandb.com/tutorial/build-a-neural-network 📝 The paper "A Thermomechanical Material Point Method for Baking and Cooking " is available here: https://www.math.ucla.edu/~myding/papers/baking_paper_final.pdf https://dl.acm.org/doi/10.1145/3355089.3356537 ❤️ Watch these videos in early access on our Patreon page or join us here on YouTube: - https://www.patreon.com/TwoMi

​DiffTaichi: Differentiable Programming for Physical Simulation

https://github.com/yuanming-hu/difftaichi

https://arxiv.org/abs/1910.00935v2

🔗 yuanming-hu/difftaichi
10 differentiable physical simulators built with Taichi differentiable programming (DiffTaichi, ICLR 2020) - yuanming-hu/difftaichi

Лекции по Big Data
1 - BigData. Введение в машинное обучение
2 - BigData. Python
3 - BigData. Что такое BigData
4 - BigData. OLAP. What and why
5 - BigData. IoT и BigData
6 - BigData. Сhallenges of classification
7 - BigData. Formal Context Analysis
8 - BigData. Регрессия
9 - BigData. Хранение и анализ больших данных
10 - BigData. Deep learning
#BigData

#video

🎥 01. 1 - BigData. Введение в машинное обучение
👁 3729 раз ⏳ 1959 сек.


🎥 2 - BigData. Python
👁 103 раз ⏳ 8499 сек.
Лекция 2 - Python, как язык анализа данных.
В лекции сделан небольшой обзор языков и программ для анализа данных. Рассказан базовый синтаксис языка...

🎥 3 - BigData. Что такое BigData
👁 38 раз ⏳ 3792 сек.
Лекция 3 - Что такое BigData?
В лекции рассказывается о том, что же это такое. Цели, проблемы и практическая польза результатов
анализа BD на приме...

🎥 4 - BigData. OLAP. What and why
👁 29 раз ⏳ 5766 сек.
Лекция 4 - OLAP. What and why. Lightning talk.
В лекции описание OLAP. Что это? Для чего? Каковы отличия от OLTP? Небольшой экскурс в анализ данных...

🎥 5 - BigData. IoT и BigData
👁 16 раз ⏳ 4183 сек.
Лекция 5 - IoT and BigData
В лекции рассказывается о IoT and BigData. Области их пересечения, применения, основные проблемы и методы решения. Lambd...

🎥 6 - BigData. Сhallenges of classification
👁 20 раз ⏳ 3923 сек.
Лекция 6 - Сhallenges of classification
The Internet is growing at a tremendous rate. The amount of information presented is beyond human comprehen...

🎥 7 - BigData. Formal Context Analysis
👁 15 раз ⏳ 6046 сек.
Лекция 7 - Formal Concept Analysis
В этой лекции рассказывается о том, откуда возник анализ формальных понятий, для чего он используется и какие за...

🎥 8 - BigData. Регрессия
👁 21 раз ⏳ 4118 сек.
Лекция 8 - Регрессия
В лекции рассказана задача регрессии на примере классической задачи предсказания цены дома в Силиконовой Долине. Также рассмот...

🎥 9 - BigData. Хранение и анализ больших данных
👁 22 раз ⏳ 8210 сек.
Лекция 9 - Хранение и анализ больших данных
Лекция дает ответы на такие вопросы как: что такое большие данные, откуда они берутся, как их хранить, ...

🎥 10 - BigData. Deep learning
👁 20 раз ⏳ 5703 сек.
Опубликовано: 19 февр. 2016 г.
Лекция 10 - Deep learning - нейронные сети и их применение.
Лекция рассказывает о истории возникновения и развития н...

​Hey Siri, what does it mean to be human?
Before suggesting that AI can enhance human potential, it can be useful to ask what separates humanity from the progress of technology

🔗 Hey Siri, what does it mean to be human?
Before suggesting that AI can enhance human potential, it can be useful to ask what separates humanity from the progress of technology