🎥 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

​Using MALLET LDA to Learn Why Players Hate Pokémon Sword /Shield

https://towardsdatascience.com/using-mallet-lda-to-learn-why-players-hate-pok%C3%A9mon-sword-shield-23b12e4fc395?source=collection_home---4------1-----------------------

🔗 Using MALLET LDA to Learn Why Players Hate Pokémon Sword /Shield
A simple walk-through on how MALLET LDA can be used to topic model reasons why players didn’t like Pokémon Sword /Shield.

​Predicting Used Car Prices with Machine Learning Techniques

🔗 Predicting Used Car Prices with Machine Learning Techniques
Comparing Performance of Five Different ML Models

Google Cloud Machine Learning -TensorFlow:Methods for Serving TensorFlow Models on GCP|packtpub.com

https://www.youtube.com/watch?v=fXBIq1Dsgqk

🎥 Google Cloud Machine Learning -TensorFlow:Methods for Serving TensorFlow Models on GCP|packtpub.com
👁 1 раз ⏳ 912 сек.
This video tutorial has been taken from Google Cloud Machine Learning with TensorFlow. You can learn more and buy the full video course here https://bit.ly/2tLNY5U

Find us on Facebook -- http://www.facebook.com/Packtvideo
Follow us on Twitter - http://www.twitter.com/packtvideo

​Most Effective Way To Implement Radial Basis Function Neural Network for Classification Problem

🔗 Most Effective Way To Implement Radial Basis Function Neural Network for Classification Problem
How to use K-Means Clustering along with Linear regression to classify images

​Big Data Analysis for Bioinformatics and Biomedical Discoveries

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 Открыть в Telegram



📝 Big Data Analysis for Biomedical Discoveries (en).pdf - 💾6 399 456

​Resolving the Scope of Speculation and Negation using Transformer-Based Architectures

🔗 Resolving the Scope of Speculation and Negation using Transformer-Based Architectures
Speculation is a naturally occurring phenomena in textual data, forming an integral component of many systems, especially in the biomedical information retrieval domain. Previous work addressing cue detection and scope resolution (the two subtasks of speculation detection) have ranged from rule-based systems to deep learning-based approaches. In this paper, we apply three popular

​Fast Neural Network Adaptation via Parameter Remapping and Architecture Search

https://github.com/JaminFong/FNA

Paper: https://arxiv.org/abs/2001.02525v1

🔗 JaminFong/FNA
Fast Neural Network Adaptation via Parameter Remapping and Architecture Search - JaminFong/FNA

​👨‍🦱 DeeperForensics-1.0: A Large-Scale Dataset for Real-World Face Forgery Detection

Code: https://github.com/EndlessSora/DeeperForensics-1.0

Paper: https://arxiv.org/abs/2001.03024v1

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 EndlessSora/DeeperForensics-1.0
Code, model and data of DeeperForensics-1.0 will be made publicly available here. - EndlessSora/DeeperForensics-1.0