​ИИ-система предупреждает пешеходов в наушниках о приближающемся автомобиле
Система безопасности для пешеходов распознаёт находящиеся неподалёку автомобили на основе производимых ими звуков

Как пешеходу в наушниках отключиться от окружающего его хаотичного мира, не поступаясь собственной безопасностью? Одно из решений может дать эквивалент системы предупреждения столкновений для пешеходов, направленный на обнаружение находящихся неподалёку автомобилей исключительно на основе звуков.

Умная система работы с наушниками использует алгоритмы машинного обучения для интерпретации звуков и предупреждения пешеходов о расположении автомобилей, находящихся на расстоянии до 60 м от них. Прототип Pedestrian Audio Wearable System (PAWS) [носимой звуковой системы для пешеходов] может определять местоположение, но не траекторию находящегося поблизости автомобиля — не говоря уже о траектории нескольких машин. И всё-таки это первый шаг к созданию вероятной системы безопасности, направленной в первую очередь на пешеходов, учитывая, что количество пешеходов, погибших на дорогах США в 2018 году достигло максимума за три последних десятилетия [в России число погибших в ДТП падает уже несколько лет подряд на фоне роста автопарка / прим. перев.].

🔗 ИИ-система предупреждает пешеходов в наушниках о приближающемся автомобиле
Система безопасности для пешеходов распознаёт находящиеся неподалёку автомобили на основе производимых ими звуков Как пешеходу в наушниках отключиться от окруж...

​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

​Apparently Groq hardware is already in the cloud
https://groq.com/nimbix/

🔗 Groq | Nimbix
Simplify Compute, Everywhere.

Как Open Source проект помогает найти заблудившихся в лесу людей с помощью нейросетей и компьютерного зрения:

https://habr.com/ru/company/ods/blog/483616/

​Data project checklist

🔗 Data project checklist
There's a lot more to creating useful data projects than just training an accurate model

​PointRend: Image Segmentation as Rendering

https://github.com/JamesQFreeman/PointRend

https://arxiv.org/abs/1912.08193v1

🔗 JamesQFreeman/PointRend
an numpy-based implement of PointRend. Contribute to JamesQFreeman/PointRend development by creating an account on GitHub.

​A Primer on the Fundamental Concepts of Neuroevolution

🔗 A Primer on the Fundamental Concepts of Neuroevolution
An extensive introduction into neuroevolution, its theoretic foundations and the landmark research of the field.

​Reducing Tensorflow Debugging Time by 90 Percent

🔗 Reducing Tensorflow Debugging Time by 90 Percent
Introduce the VeriTensor code method that you can apply to your Tensorflow code to make debugging more effective.

🎥 Privacy Preserving AI (Andrew Trask) | MIT Deep Learning Series
👁 1 раз ⏳ 4431 сек.
Lecture by Andrew Trask in January 2020, part of the MIT Deep Learning Lecture Series.

Website: https://deeplearning.mit.edu
Slides: http://bit.ly/38jzide
Playlist: http://bit.ly/deep-learning-playlist

LINKS:
Andrew Twitter: https://twitter.com/iamtrask
OpenMined: https://www.openmined.org/
Grokking Deep Learning (book): http://bit.ly/2RsxlUZ

OUTLINE:
0:00 - Introduction
0:54 - Privacy preserving AI talk overview
1:28 - Key question: Is it possible to answer questions using data we cannot see?
5:56 - Too

​How to Use Undersampling Algorithms for Imbalanced Classification

🔗 How to Use Undersampling Algorithms for Imbalanced Classification
Resampling methods are designed to change the composition of a training dataset for an imbalanced classification task. Most of the attention of resampling methods for imbalanced classification is put on oversampling the minority class. Nevertheless, a suite of techniques has been developed for undersampling the majority class that can be used in conjunction with effective …

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

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

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

Введение в ML для Java-разработчиков https://www.youtube.com/watch?v=OhRlXym5oCE

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🎥 Введение в ML для Java-разработчиков #4 / Spark [Технострим]
👁 1 раз ⏳ 5922 сек.
Лекция №4 "Spark"
Курс "Введение в ML для Java-разработчиков"
Технополис Mail.Ru Group, СПбПУ Петра Великого

Другие лекции курса: http://bit.ly/2NoqZ83

📝ПОДРОБНЕЕ О КУРСЕ:
Описание и программа: http://bit.ly/36S2U17

Цель курса — познакомить начинающих java-разработчиков со сферой машинного обучения и основным стеком технологий и инструментами, которые используются исследователями при работе в высоконагруженных системах.

👨‍💻ВМЕСТЕ С ЭТИМ КУРСОМ РЕКОМЕНДУЕМ ИЗУЧИТЬ:
Курс "Безопасность интернет-приложени

​Machine Learning and Security — C. Chio, D. Freeman 2019

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 Открыть в Telegram



📝 Chio C., Freeman D. - Machine Learning and Security.pdf - 💾6 673 606

​Pavel Pleskov was disqualified from Kaggle contest and banned permanently for cheating

https://www.kaggle.com/c/petfinder-adoption-prediction/discussion/125436

🔗 PetFinder.my Adoption Prediction
How cute is that doggy in the shelter?

​Перевод книги Эндрю Ына «Страсть к машинному обучению» Глава 33
предыдущие главы
Сравнение с качеством, доступным человеку
33. Зачем сравнивать с уровнем качества, доступным человеку
Многие системы, использующие машинное обучение, преследуют цель автоматизировать задачи, с которыми люди хорошо справляются. В качестве примера можно привести распознавание изображений, распознавание речи, классификация спама в электронной почте. Обучающиеся алгоритмы настолько улучшились, что им удается превзойти человека на все большем и большем количестве таких задач.
Кроме того, есть несколько причин, исходя из которых построение систем машиного обучения упрощается, если вы пытаетесь выполнить с их помощью задачу, с которой хорошо справляются люди:

🔗 Перевод книги Эндрю Ына «Страсть к машинному обучению» Глава 33
предыдущие главы Сравнение с качеством, доступным человеку 33. Зачем сравнивать с уровнем качества, доступным человеку Многие системы, использующие машинное обуч...

​Хватит всё подряд называть ИИ

Большинство менеджеров и маркетологов называют искусственным интеллектом всё подряд: пылесосы, игрушечных роботов-трансформеров и даже подбор мобильных тарифов. Это в тренде и хорошо продаётся, только одна проблема — даже учёные не рискуют говорить, что создали ИИ.

Решили разобраться в определениях: можем ли мы вообще говорить об искусственном интеллекте, чем он отличается от машинного обучения и справедливо ли презрительно поднимать брови, когда мы видим очередную рекламу с ИИ.

🔗 Хватит всё подряд называть ИИ
Большинство менеджеров и маркетологов называют искусственным интеллектом всё подряд: пылесосы, игрушечных роботов-трансформеров и даже подбор мобильных тарифов...

​Визуальная теория информации (часть 1)
Перевод интересного лонгрида посвященного визуализации концепций из теории информации. В первой части мы посмотрим как отобразить графически вероятностные распределения, их взаимодействие и условные вероятности. Далее разберемся с кодами фиксированной и переменной длины, посмотрим как строится оптимальный код и почему он такой. В качестве дополнения визуально разбирается статистический парадокс Симпсона.

🔗 Визуальная теория информации (часть 1)
Перевод интересного лонгрида посвященного визуализации концепций из теории информации. В первой части мы посмотрим как отобразить графически вероятностные распре...

🎥 Shape of U: befriending tensors
👁 1 раз ⏳ 1655 сек.
Tensors are the fundamental data structure for building modern machine learning programs and complex neural architectures. Unfortunately, the foundations of popular tensor libraries (NumPy, tensorflow, PyTorch, etc) are hardly robust. For e.g., tensor broadcasting rules are adhoc, and may cause surprising bugs. Further, the tensor library APIs expose low-level memory models to developers, forcing them to continuously translate between their high-level mental models of data and low-level memory models. The a

​SlowFast Networks for Video Recognition

code: https://github.com/facebookresearch/SlowFast

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

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