​Выбор базы данных для аналитики

Когда вопросы аналитики выходят за рамки готовых инструментов, вам, вероятно, пришло время выбрать базу данных для аналитики. Не стоит писать скрипты запросов к рабочей базе данных, потому что вы можете изменить порядок данных и, скорее всего, замедлить работу приложения.
Вы также можете случайно удалить важную информацию, если там работают аналитики или инженеры.

Для анализа нужен отдельный вид базы данных. Но какой из них верный?

В этом посте мы рассмотрим предложения и лучшие практики для средней компании, которая только начинает работать. Какую бы настройку вы ни выбрали, вы можете найти компромисс в дальнейшем, чтобы улучшить производительность по сравнению с тем, что мы обсуждаем здесь.

Работая с большим количеством клиентов, мы обнаружили, что наиболее важными критериями, которые необходимо учитывать, являются:

Тип анализируемых данных
Сколько у вас данных
Фокус вашей инженерной команды
Как быстро вам нужна информация

🔗 Выбор базы данных для аналитики
Когда вопросы аналитики выходят за рамки готовых инструментов, вам, вероятно, пришло время выбрать базу данных для аналитики. Не стоит писать скрипты запросов...

​Подборка статей о машинном обучении: кейсы, гайды и исследования за январь 2020
Исследовательская работа в области машинного обучения постепенно покидает пределы университетских лабораторий и из научной дисциплины становится прикладной. Тем не менее, все еще сложно находить актуальные статьи, которые написаны на понятном языке и без миллиарда сносок.

Этот пост содержит список англоязычных материалов за январь, которые написаны без лишнего академизма. В них вы найдете примеры кода и ссылки на непустые репозитории. Упомянутые технологии лежат в открытом доступе и не требуют сверхмощного железа для тестирования.

🔗 Подборка статей о машинном обучении: кейсы, гайды и исследования за январь 2020
Исследовательская работа в области машинного обучения постепенно покидает пределы университетских лабораторий и из научной дисциплины становится прикладной. Тем...

​OpenAI will use PyTorch as a standard now

https://openai.com/blog/openai-pytorch/

🔗 OpenAI → PyTorch
We are standardizing OpenAI’s deep learning framework on PyTorch. In the past, we implemented projects in many frameworks depending on their relative strengths. We’ve now chosen to standardize to make it easier for our team to create and share optimized implementations of our models. As part of this

​«Скайнет» у станка: есть ли будущее у фабрик без рабочих?

От Маркса и до Маска, то есть уже более 200 лет, люди мечтают о фабриках, которые работают без людей. Казалось бы, три промышленные революции вплотную приблизили нас к внедрению полностью автоматизированных заводов. Однако история таких производств не всегда счастливая — в попытках создать lights out factory терпели крах визионеры уровня Стива Джобса и Илона Маска, примеры действующих «бесчеловечных» фабрик единичны, а некоторые лидеры индустрии вроде Toyota вовсе заменяют машины людьми. Рассказываем, станут ли роботы «могильщиками» пролетариата, чего не хватает для тотальной автоматизации и какие есть компромиссные решения.

🔗 «Скайнет» у станка: есть ли будущее у фабрик без рабочих?
От Маркса и до Маска, то есть уже более 200 лет, люди мечтают о фабриках, которые работают без людей. Казалось бы, три промышленные революции вплотную приблизи...

​Bidimensional linked matrix factorization for pan-omics pan-cancer analysis

https://github.com/lockEF/bidifac

https://arxiv.org/abs/2002.02601v1
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 lockEF/bidifac
Bidimensional matrix factorization. Contribute to lockEF/bidifac development by creating an account on GitHub.

​Data Science Explained with… Cooking?

🔗 Data Science Explained with… Cooking?
My favorite analogy for explaining data science. What could these two fields possibly have in common?

​The Future of Deep Learning Is Unsupervised, AI Pioneers Say
https://www.wsj.com/articles/the-future-of-deep-learning-is-unsupervised-ai-pioneers-say-11581330600

🔗 The Future of Deep Learning Is Unsupervised, AI Pioneers Say
Machines can do well at recognizing images and understanding language—when humans are involved with training. But for AI to reach new heights, the technology must figure out how to learn on its own, according to three AI pioneers.

​Top US Colleges for Computer Science

🔗 Top US Colleges for Computer Science
A reflection based on personal & anecdotal experience

🎥 Choosing an Activation Function for Deep Learning
👁 1 раз ⏳ 651 сек.
This is an excerpt from the online course "AWS Certified Machine Learning Specialty 2020 - Hands On!" at https://www.udemy.com/course/aws-machine-learning/?referralCode=C5EC999BB34C4349A61E

In this video, we cover the different activation functions used in neural networks to provide an output of a given node, or neuron, given its set of inputs: linear, step, sigmoid / logistic, tanh / hyperbolic tangent, ReLU, Leaky ReLU, PReLu, Maxout, and more.

🎥 Instructor Led Faculty Training | Machine Learning | Deep Learning | ML | DL Tutorial | Part - 1
👁 1 раз ⏳ 6977 сек.

🎥 Чуличков А. И. - Математическая статистика - Связь математической статистики с теорией вероятности
👁 1 раз ⏳ 5175 сек.
00:03:01 1. Выборка случайной величины
00:07:38 2. Функция правдоподобия
00:16:11 3. Задачи мат.статистики
00:21:21 4. Интервальное оценивание

DevCon School: Технологии будущего

1- DevCon School: Технологии будущего // Открытие
2- Практическое введение в нейронные сети и глубокое обучение.(1)
3- Практическое введение в нейронные сети и глубокое обучение. (2)
4- Практическое введение в нейронные сети и глубокое обучение. (3)
5- Рефакторинг унаследованного кода: как разорвать зависимости?
6- Линейная и логистическая регрессия от Excel через Python к Azure ML
7- Построение процесса безопасной разработки
8- DevCon School: Практическое введение в нейронные сети и глубокое обучение
9- DevCon School // Интервью с Константином Кичинским (360°)

#video #interesting


#video

🎥 DevCon School: Технологии будущего // Открытие
👁 700 раз ⏳ 3766 сек.
1 июня в Москве прошла DevCon School, крупнейшая школа Microsoft для разработчиков в России....

🎥 Практическое введение в нейронные сети и глубокое обучение. Часть 1
👁 278 раз ⏳ 9534 сек.
Первая часть интенсива «Практическое введение в нейронные сети и глубокое обуч ...

🎥 Практическое введение в нейронные сети и глубокое обучение. Часть 2
👁 141 раз ⏳ 7864 сек.
Вторая часть интенсива «Практическое введение в нейронные сети и глубокое обуч ...

🎥 Практическое введение в нейронные сети и глубокое обучение. Часть 3
👁 71 раз ⏳ 7365 сек.
Третья часть интенсива «Практическое введение в нейронные сети и глубокое обуч ...

🎥 Рефакторинг унаследованного кода: как разорвать зависимости?
👁 47 раз ⏳ 6729 сек.
Запись мастер-класса «Рефакторинг унаследованного кода: как разорвать зависимо...

🎥 Линейная и логистическая регрессия от Excel через Python к Azure ML
👁 39 раз ⏳ 5067 сек.
Запись мастер-класса «Линейная и логистическая регрессия от Excel через Python к Azure ML...

🎥 Построение процесса безопасной разработки
👁 34 раз ⏳ 2343 сек.
Запись мастер-класса «Построение процесса безопасной разработки», который прош...

🎥 DevCon School: Практическое введение в нейронные сети и глубокое обучение
👁 37 раз ⏳ 33905 сек.
Онлайн-трансляция интенсива «Практическое введение в нейронные сети и глубокое...

🎥 DevCon School // Интервью с Константином Кичинским (360°)
👁 46 раз ⏳ 634 сек.
1 июня 2017 года в Москве прошла крупнейшая школа Microsoft для разработчиков в России. ...

​ZeRO & DeepSpeed: New system optimizations enable training models with over 100 billion parameters -

🔗 ZeRO & DeepSpeed: New system optimizations enable training models with over 100 billion parameters -
The latest trend in AI is that larger natural language models provide better accuracy; however, larger models are difficult to train because of cost, time, and ease of code integration. Microsoft is releasing an open-source library called DeepSpeed, which vastly advances large model training by improving scale, speed, cost, and usability, unlocking the ability to …

​John Horton Conway: "On His LOVE/HATE Relationship with LIFE" | Talks at Google

🔗 John Horton Conway: "On His LOVE/HATE Relationship with LIFE" | Talks at Google
John Horton Conway stops by Google for a Talk. A short reading about why he hates the Game of Life but really loves it, followed by an interview and Q&A.

​Brain-Like Object Recognition with High-Performing Shallow Recurrent ANNs
https://www.youtube.com/watch?v=IqkOZhfGEYs

🔗 Brain-Like Object Recognition with High-Performing Shallow Recurrent ANNs
Lead authors Jonas Kubilius and Martin Schrimpf discuss the challenges of measuring how closely neural networks match the brain and present a new scoring method Brain-Score they have developed to evaluate models of the brain’s ventral stream at scale together with a novel shallow and recurrent network CORnet.

🎥 MIT Lectures: Introduction to Deep Learning 2020
👁 1 раз ⏳ 3172 сек.

​Scalable methods for computing state similarity in deterministic Markov Decision Processes
Pablo Samuel Castro
Paper: https://arxiv.org/abs/1911.09291
Code: https://github.com/google-research/google-research/tree/master/bisimulation_aaai2020/

#ArtificialIntelligence #MachineLearning #MarkovDecisionProcesses

🔗 google-research/google-research
Google AI Research. Contribute to google-research/google-research development by creating an account on GitHub.

​🔗 Выведем в топ ваш бизнес!
Article

🎥 Установка Tensorflow. Создание нейронной сети. FMNIST. Распознавание изображений. Python
👁 2 раз ⏳ 3988 сек.
Поддержать проект - http://www.donationalerts.ru/r/bytepp
Ссылки:
https://developer.nvidia.com/cuda-downloads
https://developer.nvidia.com/cudnn
https://www.nvidia.ru/Download/index.aspx
https://www.anaconda.com/distribution/

Пути:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extras\CUPTI\libx64
C:\cuda\bin
C:\ProgramData\Anaconda3
C:\ProgramData\Anaconda3\Scripts
C:\Use

​Explore and Clean: first steps of any data project.

🔗 Explore and Clean: first steps of any data project.
Before you start with the “fun” and “exciting” algorithms and methods, here are the first steps to being successful in your data project.