​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

​Your own blog with GitHub Pages and fast_template (4 part tutorial)

🔗 Your own blog with GitHub Pages and fast_template (4 part tutorial)
Overview of 4 part series explaining how to host your own blog without any coding

​Blogging with Jupyter Notebooks

🔗 Blogging with Jupyter Notebooks
With Jupyter Notebooks and fast_template, we can easily share prose, code, tables, charts, and more!

​A Downsampled Variant of ImageNet as an Alternative to the CIFAR datasets

https://github.com/google/trax

CINIC-10: CINIC-10 Is Not Imagenet or CIFAR-10
https://github.com/google/trax

Dataset: http://dx.doi.org/10.7488/ds/2448

Blog: Bayeswatch Blog: CINIC-10
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 google/trax
Trax — your path to advanced deep learning. Contribute to google/trax development by creating an account on GitHub.

​Become a pandas power user with these display customizations
pandas display customizations are often overlooked part of pandas. Many users don’t know that you can tweak display customizations.

https://towardsdatascience.com/become-a-pandas-power-user-with-these-display-customizations-6d3a5a5885c1?source=collection_home---4------0-----------------------

🔗 Become a pandas power user with these display customizations
pandas display customizations are often overlooked part of pandas. Many users don’t know that you can tweak display customizations.

​Как мы победили с помощью CatBoost и AutoML

🔗 Как мы победили с помощью CatBoost и AutoML
Александр Лелюк и Петр Гуринов рассказывают про опыт участия в соревновании Sibur Challenge 2019. Команда заняла первое место! Из этого видео вы сможете узнать: - Как попасть в топ10 без МЛ - Почему time series forecast соревнований так мало - Как так получилось, что AutoML зарешал - Почему нужно внимательно читать правила соревнований - Выводы про участие в хакатоне - какие важные моменты нужно учитывать Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и ви

​Top Class Computer Vision Project Ideas 🔝

https://data-flair.training/blogs/computer-vision-project-ideas/

🔗 Top 25 Computer Vision Project Ideas for 2020 - DataFlair
Work on 25 computer vision projects from basic to advanced level such as edge detection, face detection, hand gesture recognition, colour detection, etc.

​RobBERT: a Dutch RoBERTa-based Language Model

Paper: https://arxiv.org/pdf/2001.06286.pdf
Github: https://github.com/iPieter/RobBERT/
Web: https://people.cs.kuleuven.be/~pieter.delobelle/robbert/

🔗 iPieter/RobBERT
A Dutch RoBERTa-based language model. Contribute to iPieter/RobBERT development by creating an account on GitHub.

​Book Natural Language Processing

📝 Akshay Kulkarni, Adarsha Shivananda - Natural Language Processing Recipes_ Unlocking Text Data with Machine Learning and Deep.. - 💾4 008 665

​Deep Learning Drizzle
Drench yourself in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision, and NLP by learning from these exciting lectures!!
GitHub by Marimuthu Kalimuthu: https://github.com/kmario23/deep-learning-drizzle
Webpage: https://deep-learning-drizzle.github.io
#artificialintelligence #deeplearning #machinelearning #reinforcementlearning

🔗 kmario23/deep-learning-drizzle
Drench yourself in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision, and NLP by learning from these exciting lectures!! - kmario23/deep-learning-drizzle