​CS221: Artificial Intelligence: Principles And Techniques | Stanford University

What do web search, speech recognition, face recognition, machine translation, autonomous driving, and automatic scheduling have in common? These are all complex real-world problems, and the goal of artificial intelligence (AI) is to tackle these with rigorous mathematical tools.

https://www.newworldai.com/cs221-artificial-intelligence-principles-and-techniques-stanford-university/

🔗 CS221: Artificial Intelligence: Principles and Techniques | Stanford University - New World : Artifi
CS221: Artificial Intelligence: Principles and Techniques | Stanford University

​🚶 HybridPose: 6D Object Pose Estimation under Hybrid Representations

https://github.com/chensong1995/HybridPose

Paper: https://arxiv.org/abs/2001.01869

Pixel-wise Voting Network for 6DoF Pose Estimation: https://github.com/zju3dv/pvnet

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 chensong1995/HybridPose
Implementation of HybridPose: 6D Object Pose Estimation under Hybrid Representation - chensong1995/HybridPose

​Визуализация границ решения классификатора на основе изображений
Введение
Понимание того, как классификатор разбивает исходное многомерное пространство признаков на множество целевых классов, является важным шагом для анализа любой задачи классификации и оценки решения, полученного с помощью машинного обучения.
Современные подходы к визуализации решений классификаторов в основном либо используют диаграммы рассеивания, которые могут отображать лишь проекции исходных обучающих выборок, но явно не показывают фактические границы принятия решений, либо используют внутреннее устройство классификатора (например kNN, SVM, Logistic Regression) для которых легко построить геометрическую интерпретацию. Такой способ не подойдет для визуализации, например, нейросетевого классификатора.
В статье "Image-based Visualization of Classifier Decision Boundaries" (Rodrigues et al., 2018) предлагается эффективный, красивый и достаточно простой альтернативный метод для визуализации решений классификатора, который лишен вышеописанных недостатков. А именно метод подходит для классификаторов любого вида и строит изображение границы принятия решений с помощью изображений с произвольной частотой дискретизации.
Этот пост — краткий обзор основных идей и результатов из оригинальной статьи.

🔗 Визуализация границ решения классификатора на основе изображений
Введение Понимание того, как классификатор разбивает исходное многомерное пространство признаков на множество целевых классов, является важным шагом для анализа...

​Jupyter Notebooks 📓 from SIGMA Rules 🛡⚔️ to Query Elasticsearch 🏹

🔗 Jupyter Notebooks 📓 from SIGMA Rules 🛡⚔️ to Query Elasticsearch 🏹
Happy new year everyone 🎊! I’m taking a few days off before getting back to work and you know what that means 😆 Besides working out a…

​Neural Ordinary Differential Equations for Semantic Segmentation of Individual Colon Glands
Hans Pinckaers, Geert Litjens : https://arxiv.org/abs/1910.10470
GitHub : https://github.com/DIAGNijmegen/neural-odes-segmentation
#MedNeurIPS #NeurIPS #NeurIPS2019

🔗 Neural Ordinary Differential Equations for Semantic Segmentation of Individual Colon Glands
Automated medical image segmentation plays a key role in quantitative research and diagnostics. Convolutional neural networks based on the U-Net architecture are the state-of-the-art. A key disadvantage is the hard-coding of the receptive field size, which requires architecture optimization for each segmentation task. Furthermore, increasing the receptive field results in an increasing number of weights. Recently, Neural Ordinary Differential Equations (NODE) have been proposed, a new type of continuous depth deep neural network. This framework allows for a dynamic receptive field at a fixed memory cost and a smaller amount of parameters. We show on a colon gland segmentation dataset (GlaS) that these NODEs can be used within the U-Net framework to improve segmentation results while reducing memory load and parameter counts.

​Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection

https://github.com/poodarchu/Det3D

https://arxiv.org/abs/1908.09492v1

🔗 poodarchu/Det3D
A general 3D object detection codebse. Contribute to poodarchu/Det3D development by creating an account on GitHub.

​A Tale about a Giant, a Machine Learning pill, and the Automotive Industry

🔗 A Tale about a Giant, a Machine Learning pill, and the Automotive Industry
Second story of the fairytale trilogy on the impact of Artificial Intelligence on one of the world’s most important industries.

​Plot the Shape of My Heart

🔗 Plot the Shape of My Heart
How two simple functions form a beautiful pictogram

🎥 Apache Beam for Production Machine Learning: TensorFlow Extended (TFX)
👁 1 раз ⏳ 1432 сек.
Developing ML and deep learning applications to be deployed in production is much more than just training a model. Google has taken years of experience in developing production ML pipelines and offered the open source community TensorFlow Extended (TFX), an open source version of the ML platform that Google uses internally. Pipeline processing is a core requirement of any production ML platform, and the TFX has chosen Apache Beam to implement their pipeline.

Learn from Google’s experience in applying Beam

🎥 PyTorch Essential Training Deep Learning
👁 3 раз ⏳ 3371 сек.

Профессор математики из MIT рассказывает о структуре линейной алгебры.

https://youtu.be/ggWYkes-n6E

🎥 The Big Picture of Linear Algebra
👁 4 раз ⏳ 957 сек.
MIT RES.18-009 Learn Differential Equations: Up Close with Gilbert Strang and Cleve Moler, Fall 2015
View the complete course: http://ocw.mit.edu/RES-18-009F15
Instructor: Gilbert Strang

A matrix produces four subspaces: column space, row space (same dimension), the space of vectors perpendicular to all rows (the nullspace), and the space of vectors perpendicular to all columns.

License: Creative Commons BY-NC-SA
More information at http://ocw.mit.edu/terms
More courses at http://ocw.mit.edu

​FREE course

Learn complete python with basics, data science, data visualisation, desktop graphical applications and python for web.

https://www.udemy.com/course/python-complete-bootcamp-2019-learn-by-applying-knowledge/?couponCode=8ECE28D5A2B1495C69CB

🔗 Python Bootcamp 2020 Build 15 working Applications and Games
Learn complete python with basics, data science, data visualisation, desktop graphical applications and python for web.

​Что принёс нам Pandas 1.0

9 января состоялся релиз Pandas 1.0.0rc. Предыдущая версия библиотеки — 0.25.
Первый мажорный релиз содержит множество замечательных нововведений, в том числе улучшенное автоматическое суммирование датафреймов, больше форматов вывода, новые типы данных и даже новый сайт документации.
Все изменения можно посмотреть здесь, в статье же мы ограничимся небольшим, менее техническим обзором самого главного.

🔗 Что принёс нам Pandas 1.0
9 января состоялся релиз Pandas 1.0.0rc. Предыдущая версия библиотеки — 0.25. Первый мажорный релиз содержит множество замечательных нововведений, в том числе у...

​Перевод книги Эндрю Ына «Страсть к машинному обучению» Главы 30 — 31
предыдущие главы
30 Интерпретация кривой обучения: Большое смещение
Предположим, ваша кривая ошибок на валидационной выборке выглядит следующим образом:

Мы уже говорили, что если ошибка алгоритма на валидационной выборке вышла на плато, вы вряд ли сможете достигнуть желаемого уровня качества просто добавляя данные.
Но трудно предположить, как будет выглядеть экстраполяция кривой зависимости качества алгоритма на валидационной выборке (Dev error) при добавлении данных. А если валидационная выборка маленькая, то ответить на этот вопрос еще сложнее из-за того, что кривая может быть зашумлена (иметь большой разброс точек).
Предположим, мы добавили на наш график кривую зависимости величины ошибки от количества данных тестовой выборки и получили следующую картину:

🔗 Перевод книги Эндрю Ына «Страсть к машинному обучению» Главы 30 — 31
предыдущие главы 30 Интерпретация кривой обучения: Большое смещение Предположим, ваша кривая ошибок на валидационной выборке выглядит следующим образом: Мы уже...

​Tableau в рознице, реально?
Время отчётности в Excel стремительно уходит — тренд на удобные инструменты представления и анализа информации виден во всех сферах. Мы давно обсуждали внутри цифровизацию построения отчётности и выбрали систему визуализации и self-service аналитики Tableau. Александр Безуглый, руководитель отдела аналитических решений и отчётности Группы «М.Видео-Эльдорадо», рассказал об опыте и итогах построения боевого дашборда.

Скажу сразу, не все, что было задумано, удалось реализовать, но опыт был интересный, надеюсь, он будет полезен и вам. А если у кого-то возникнут идеи, как можно было сделать лучше – буду очень признателен за советы и идеи.

Под катом о том, с чем мы столкнулись и о чем узнали.

🔗 Tableau в рознице, реально?
Время отчётности в Excel стремительно уходит — тренд на удобные инструменты представления и анализа информации виден во всех сферах. Мы давно обсуждали внутри ци...

​Keras Functional API в TensorFlow

В Keras есть два API для быстрого построения архитектур нейронных сетей Sequential и Functional. Если первый позволяет строить только последовательные архитектуры нейронных сетей, то с помощью Functional API можно задать нейронную сеть в виде произвольного направленного ациклического графа, что дает намного больше возможностей для построения сложных моделей. В материале перевод руководства, посвященного особенностям Functional API, с сайта TensorFlow.

🔗 Keras Functional API в TensorFlow
В Keras есть два API для быстрого построения архитектур нейронных сетей Sequential и Functional. Если первый позволяет строить только последовательные архитект...

​Что влияет на выдачу кредита. Обзор Home Credit Default Risk
Рассмотрим, как работают алгоритмы в банковском скоринге, какие метрики используются и какие параметры заемщика влияют на то, выдадут кредит или нет. В статье описывается прошедший конкурс с kaggle по предсказанию вероятности дефолта и приводятся влияющие на риск дефолта параметры.

Ошибка первого и второго рода
Цель банка – заработать деньги. Первый риск, с которым сталкивается кредитная организация — дать кредит заемщику, который допустит дефолт. Дефолт может иметь разным причины, от финансовых трудностей заемщика, и заканчивая фродом.

Для банка это — ошибка первого рода.

Но если банк будет вести жесткую политику, и никому не выдает кредиты, даже тем, кто вернул бы деньги, то банк не заработает на процентах. Отказ в кредите ответственному заемщику – ошибка второго рода.

Для оценки качества принимаемых алгоритмом решений, используется коэффициент Джини (GINI). В экономике и в Data Science коэффициент Gini имеет разную интерпретацию. Для кредитного скоринга он рассчитывается, как

GINI = 2 ROC AUC — 1

Для оценки банковского скоринга используется стандартная ROC AUC кривая!

🔗 Что влияет на выдачу кредита. Обзор Home Credit Default Risk
Рассмотрим, как работают алгоритмы в банковском скоринге, какие метрики используются и какие параметры заемщика влияют на то, выдадут кредит или нет. В статье оп...

​How To Get Free GPU Hardware

🔗 How To Get Free GPU Hardware
And what to do when you outgrow it

​Top 3 Resources to Learn Machine Learning

🔗 Top 3 Resources to Learn Machine Learning
Looking for a course in applied machine learning? Or something bit more theoretical? Start here.

​Peering into the genome of brain tumor - Neuroscience News

🔗 Peering into the genome of brain tumor - Neuroscience News
A new convolutional neural network that utilizes MRI brain scans can forecast genetic mutations in glioma brain tumors.