​Optimal binning: mathematical programming formulation

OptBinning is a library written in Python implementing a rigorous and flexible mathematical programming formulation to solving the optimal binning problem for a binary, continuous and multiclass target type, incorporating constraints not previously addressed.

Code: https://github.com/guillermo-navas-palencia/optbinning

Paper: https://arxiv.org/abs/2001.08025v1

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 guillermo-navas-palencia/optbinning
Optimal binning: mathematical programming formulation - guillermo-navas-palencia/optbinning

​Making big moves in Big Data with Hadoop, Hive, Parquet, Hue and Docker

🔗 Making big moves in Big Data with Hadoop, Hive, Parquet, Hue and Docker
Jump and run in this brief introduction to Big Data with Hadoop, Hive, Parquet, Hue and Docker.

​This is the Architecture Powering Machine Learning at LinkedIn

🔗 This is the Architecture Powering Machine Learning at LinkedIn
LinkedIn has implemented a very advanced architecture for developing machine learning solutions at scale.

🎥 Machine Learning (Online) Program Webinar | MIT Professional Education | 24-01-20
👁 1 раз ⏳ 3600 сек.
Learn more about the program here: http://bit.ly/2uwopGg

This is a 60-minute webinar recording to learn more about the upcoming Machine Learning (Online) Program, followed by a Q&A session.

​Kaggle Pixel Pro - Building Your Own AI Camera | Pavel Ostyakov | Kaggle Days

🔗 Kaggle Pixel Pro - Building Your Own AI Camera | Pavel Ostyakov | Kaggle Days
Kaggle Days China edition was held on October 19-20 at Damei Center, Beijing.

More than 400 data scientists and enthusiasts gathered to learn, make friends, and compete in a full-day offline competition.

Kaggle Days is produced by LogicAI and Kaggle.

About LogicAI:
LogicAI is a boutique Data Science consultancy company owned by Kaggle fans and Grandmasters. As a global company, they do custom end-to-end AI and Data Science development projects as well as trainings for C-level management and tech teams.

​Привет, уважаемое сообщество. Спешу поделиться новостью о том, что моя книга по машинному обучению наконец-то выходит от издательства Питер и уже доступна для предзаказов на сайте издательства. Издание цветное, перевод на русский выполнялся не мной, но я принимал активное участие в проекте, дважды вычитывал и исправлял текст, так что качество получилось отличное и мой авторский стиль сохранен в переводе.

Предисловие к изданию написал Сергей Николенко, автор книги «Глубокое обучение. Погружение в мир нейронных сетей».

Ссылка: https://www.piter.com/collection/soon/product/mashinnoe-obuchenie-bez-lishnih-slov

🔗 Машинное обучение без лишних слов
Все, что вам действительно нужно знать в машинном обучении

​Книга Python: Deeper Insights into Machine Learning

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 Открыть в Telegram



📝 Raschka S., Julian D., Hearty J. - Python Deeper Insights into Machine Learning - 2017.epub - 💾24 243 213

📝 Raschka S., Julian D., Hearty J. - Python Deeper Insights into Machine Learning - 2017.pdf - 💾14 525 480

​Food Discovery with Uber Eats: Using Graph Learning to Power Recommendations

🔗 Food Discovery with Uber Eats: Using Graph Learning to Power Recommendations
By integrating graph learning techniques with our Uber Eats recommendation system, we created a more seamless and individualized user experience for eaters on our platform.

​10 групп, на которые разделяются алгоритмы машинного обучения

https://bigdata-madesimple.com/10-groups-machine-learning-algorithms/

🔗 The 10 Most Popular Groups of Machine Learning Algorithms
What is a better way to discover machine learning than through the most popular machine learning algorithms?

UNDERSTANDING MACHINE LEARNING
From Theory to Algorithms

https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/understanding-machine-learning-theory-algorithms.pdf

​Building richer, real-world data sets to push conversational research forward

🔗 Building richer, real-world data sets to push conversational research forward
Beat the Bot, which is a game exclusively for researchers on Messenger, helps provide conversational AI researchers with high-signal data. We plan to open-source our dataset to help push dialogue research forward.

​This Neural Network Combines Motion Capture and Physics

🔗 This Neural Network Combines Motion Capture and Physics
❤️ Watch these videos in early access on our Patreon page or join us here on YouTube: - https://www.patreon.com/TwoMinutePapers - https://www.youtube.com/channel/UCbfYPyITQ-7l4upoX8nvctg/join 📝 The paper "DReCon: Data-Driven responsive Control of Physics-Based Characters" is available here: - https://montreal.ubisoft.com/en/drecon-data-driven-responsive-control-of-physics-based-characters/ - https://static-wordpress.akamaized.net/montreal.ubisoft.com/wp-content/uploads/2019/11/13214229/DReCon.pdf 🙏 We wo

​Picture me rollin‘ ’with Pandas in 4 minutes

🔗 Picture me rollin‘ ’with Pandas in 4 minutes
A short introduction to Pandas DataFrame.rolling() which provides an easy way to perform rolling window calculations.

​Сделали перевод документации библиотеки машинного обучения PHP-ML.

Пользуйтесь: https://php-ml.ru/

🔗 PHP-ML.ru - документация на Русском

​With AutoGluon, AWS Brings AutoML to their Platform

🔗 With AutoGluon, AWS Brings AutoML to their Platform
With the release of AutoGluon, AWS now offers both managed and automated machine learning in its cloud platform.

🎥 A Deep Learning-based Radar and Camera Sensor Fusion Architecture for Object Detection
👁 1 раз ⏳ 1199 сек.
- Challenges for the low-level fusion of multi modal sensor data
- Choice of a radar data projection to a camera image plane
- Proposal of a network architecture and training technique
- Future research and challenges

Speaker: Felix Nobis – Research Associate, TUM

⇒⇒ Subscribe for more videos ► http://bit.ly/autosenstvsub ◄
⇒⇒ Find us on ► WeChat ◄
⇒⇒ Get our newsletter ► https://go.auto-sens.com/newsletter ◄

Find out about our next event at ► http://www.auto-sens.com ◄

Recorded live at AutoSens Bruss

🎥 Introduction to Deep Learning Recitation 2
👁 1 раз ⏳ 1668 сек.

​[кейс Locomizer] Какие знания можно на самом деле извлечь из анонимизированного датасета с координатами пользователей
Данная статья является частью серии «Кейс Locomizer», см. также
• Как мы за два года ускорили расчёт тепловой карты в 20000 раз (послезавтра)
• Открываем One Ring — инструментарий для гибкой конфигурации сложных процессов обработки данных на Spark в облаке (скоро)
Здравствуйте.

Недавно издание The New York Times опубликовало претендующую на сенсационность статью о том, как отследить пользователей по коммерчески доступным анонимизированным датасетам с координатами их перемещений, и здесь, на Хабре её вольный перевод с дополнениями от неизвестного корпоративного копирайтера собрал большое количество комментариев разной степени обеспокоенности.

Так получилось, что я последние два с половиной года являюсь техническим лидом на геоинформационном проекте, который занимается задачей непосредственного извлечения знаний именно из таких коммерческих датасетов. Но мои комментарии с просьбой отставить панику собрали большое количество минусов. Что ж. В поговорке про отсутствие паранойи и не факт, что за вами не следят, есть некая доля истины.

Но есть и доля истины по ту сторону чёрного зеркала, возможно, куда большая. Или интересная.

🔗 [кейс Locomizer] Какие знания можно на самом деле извлечь из анонимизированного датасета с координатами пользователей
Данная статья является частью серии «Кейс Locomizer», см. также • Как мы за два года ускорили расчёт тепловой карты в 20000 раз (послезавтра) • Открываем One Rin...