​Growing Neural Cellular Automata
Differentiable Model of Morphogenesis

Mordvintsev et al.: https://distill.pub/2020/growing-ca/
#ArtificialIntelligence #DeepLearning #MachineLearning

🔗 Growing Cellular Automata
Differentiable Self-Organisation: Cellular Automata model of Morphogenesis.

​Unsupervised Discovery of Interpretable Directions in the GAN Latent Space

Official PyTorch implementation of pre-print Unsupervised Discovery of Interpretable Directions in the GAN Latent

Code: https://github.com/anvoynov/GANLatentDiscovery
Paper: https://arxiv.org/abs/2002.03754

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 anvoynov/GANLatentDiscovery
Contribute to anvoynov/GANLatentDiscovery development by creating an account on GitHub.

​Recurrent Neural Networks (RNN) with Keras

Recurrent neural networks (RNN) are a class of neural networks that is powerful for modeling sequence data such as time series or natural language.

https://www.tensorflow.org/guide/keras/rnn

Source code: https://github.com/tensorflow/docs/blob/master/site/en/guide/keras/rnn.ipynb

Habr : https://habr.com/ru/post/487808/
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 Recurrent Neural Networks (RNN) with Keras | TensorFlow Core

​Deep Learning by Alexander Amini 2020

https://www.youtube.com/watch?v=njKP3FqW3Sk

🔗 MIT Introduction to Deep Learning | 6.S191
MIT Introduction to Deep Learning 6.S191: Lecture 1 *New 2020 Edition* Foundations of Deep Learning Lecturer: Alexander Amini January 2020 For all lectures, slides, and lab materials: http://introtodeeplearning.com Lecture Outline 0:00 - Introduction 4:14 - Course information 8:10 - Why deep learning? 11:01 - The perceptron 13:07 - Activation functions 15:32 - Perceptron example 18:54 - From perceptrons to neural networks 25:23 - Applying neural networks 28:16 - Loss functions 31:14 - Training and gradien

​ZeRO: Memory Optimization Towards Training A Trillion Parameter Models
DeepSpeed is a deep learning optimization library that makes distributed training easy, efficient, and effective.

code: https://github.com/microsoft/DeepSpeed

paper: https://arxiv.org/abs/1910.02054v2
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 microsoft/DeepSpeed
DeepSpeed is a deep learning optimization library that makes distributed training easy, efficient, and effective. - microsoft/DeepSpeed

​The Basics of Simple Linear Regression (Non-Technical)

🔗 The Basics of Simple Linear Regression (Non-Technical)
Want to understand what all the hype on Machine Learning is all about? Follow through to get an intuition on Machine Learning.

🎥 Machine Learning FULL COURSE 2020 - Logistic Regression with Python
👁 2 раз ⏳ 31431 сек.
Logistic Regression is an important machine learning algorithm. How to build a Simple logistic Regression in Python. In this video AI Science expert explain you how to do it.





AI SCIENCES provides Free tutorials and videos in Data Science, Machine Learning and AI for beginners like you !
Follow AI Sciences!
AI Sciences's Website 👉 https://www.aisciences.net
AI Sciences's Facebook Page 👉 https://www.facebook.com/aisciencesllc
AI Sciences's LinkedIn Page 👉 https://www.linkedin.com/company/a

🎥 Face Recognition in Python
👁 3 раз ⏳ 536 сек.
In this video, we are going to mention how to apply face recognition in python. We'll use deepface framework to do this task. The framework supports the most common face recognition models such as VGG-Face, Google Facenet and OpenFace. We can verify faces with a just few lines of codes.

Some sources mention face verification or one shot learning instead of face recognition.

GitHub repository: https://github.com/serengil/deepface

Technical tutorials for covered face recognition models:
[1] Oxford Universi

🎥 Face Generation with nVidia StyleGAN2 and Python (3.7)
👁 1 раз ⏳ 1214 сек.
It can take considerable training effort and compute time to build a face generating GAN from scratch. nVidia StyleGAN2 offers pretrained weights and a TensorFlow compatible wrapper that allows you to generate realistic faces out of the box. StyleGAN does require a GPU, however, Google CoLab GPU works just fine, as this video demonstrates.

Code for This Video:
https://github.com/jeffheaton/t81_558_deep_learning/blob/master/t81_558_class_07_3_style_gan.ipynb

Course Homepage: https://sites.wustl.edu/jeff

🎥 Артеменко М.В. Лекция №3 «Нейронные сети: алгоритмы электрокардиографы»
👁 1 раз ⏳ 821 сек.
Лекция №3 на тему «Нейронные сети: алгоритмы электрокардиографы» по дисциплине «Управление в биотехнических системах».
Лекцию подготовил и прочитал кандидат биологических наук, доцент кафедры Биомедицинской инженерии ЮЗГУ Артеменко Михаил Владимирович.

​Speeding up neural networks using TensorNetwork in Keras

https://blog.tensorflow.org/2020/02/speeding-up-neural-networks-using-tensornetwork-in-keras.html

🔗 Speeding up neural networks using TensorNetwork in Keras

​Learning to See Transparent Objects

ClearGrasp uses 3 neural networks: a network to estimate surface normals, one for occlusion boundaries (depth discontinuities), and one that masks transparent objects

Google research: https://ai.googleblog.com/2020/02/learning-to-see-transparent-objects.html

Code: https://github.com/Shreeyak/cleargrasp

Dataset: https://sites.google.com/view/transparent-objects

3D Shape Estimation of Transparent Objects for Manipulation: https://sites.google.com/view/cleargrasp

🔗 Learning to See Transparent Objects
Posted by Shreeyak Sajjan, Research Engineer, Synthesis AI and Andy Zeng, Research Scientist, Robotics at Google Optical 3D range sensor...

​Недооцененная японская машина S-класса по цене подержанного Фокуса

🔗 Недооцененная японская машина S-класса по цене подержанного Фокуса
Всем привет🖐 Многие люди хотят купить хорошую надежную машину за небольшой бюджет. Чтобы не нужно было постоянно ремонтировать и выплачивать кредит несколько лет. В этой статье хочу рассказать об одной интересной японской машине, которая очень надежная, имеет роскошный кожаный салон и кучу опций S-класса, например пневмоподвеску, доводчики дверей, вентиляцию сидений, ксенон, парктроники и

​12 Astonishing Machine Learning Applications

🔗 12 Astonishing Machine Learning Applications
“Machine Learning is the last invention that humanity will ever need to make.” Isn’t it fascinatin...

​Kaggle Lyft 3D Object Detection for Autonomous Vehicles — Павел Логачев

🔗 Kaggle Lyft 3D Object Detection for Autonomous Vehicles — Павел Логачев
Павел Логачев рассказывает про соревнование Kaggle Lyft 3D Object Detection for Autonomous Vehicles, в котором он заработал первую золотую медаль, да ещё и соло! Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и видео можно из групп: ВКонтакте https://vk.com/mltrainings Facebook https: https://www.facebook.com/TrainingsML/ Telegram https://xn--r1a.website/mltrainings Чат ML тренировок https://xn--r1a.website/mltrainings_chat

🎥 Практическое применение машинного обучения
👁 3 раз ⏳ 1201 сек.
A Practical Application of Machine Learning

Кирилл Рудаков
научный сотрудник, НИУ Высшая Школа Экономики (ВШЭ)

Dev Meetup
7 февраля 2020, Кострома

«На разных этапах развития компаний появляются внутренние задачи, в результате решения которых можно повысить качество продукта. Машинное обучение помогло решить одну из таких задач.»

Кирилл поэтапно разбирает работу над проектом, которая включает:
- Определение проблемы, постановку задач
- Исследование методов, проверку гипотез
- Создание прототипа пользоват

Нейронная сеть C#

✅Машинное обучение для начинающих. Простая нейросеть.
✅Обучение нейронных сетей. Алгоритм обратного распространения ошибки
✅Нормализация и масштабирование данных. Обучение по Dataset
✅Компьютерное зрение и распознавание образов нейронной сетью
✅Информационная система медицинской организации

#video #neural #csharp

🎥 Искусственный интеллект и нейронные сети C#. Машинное обучение для начинающих. Простая нейросеть.
👁 24 раз ⏳ 8928 сек.
Мы изучим основные понятия и теорию необходимые для создания нейронных сетей, поймем главный принцип работы искусственного интеллекта и приступим к...

🎥 Искусственный интеллект C#. Обучение нейронных сетей. Алгоритм обратного распространения ошибки
👁 2 раз ⏳ 7803 сек.
Основной задачей при разработке искусственного интеллекта является обучение нейронной сети. Это наиболее затратный процесс и для его успешного выпо...

🎥 Нейронные сети C#. Нормализация и масштабирование данных. Обучение по Dataset.
👁 2 раз ⏳ 7635 сек.
Использую информацию по историческим данным (dataset - датасет) мы научимся с определенной вероятностью прогнозировать наличие сердечных заболевани...

🎥 Искусственный интеллект C#. Компьютерное зрение и распознавание образов нейронной сетью
👁 7 раз ⏳ 8198 сек.
На основе большого количества изображений о клетках малярии мы научимся реализовывать простые механизмы компьютерного зрения и распознавания образо...

🎥 Искусственный интеллект и нейронные сети C#. Информационная система медицинской организации
👁 4 раз ⏳ 8488 сек.
Завершаем разработку простой медицинской информационной системы, которую мы реализовали с помощью языка программирования C# и алгоритмов машинного ...

​A Gentle Intro to Probability and Statistics for Data Science

🔗 A Gentle Intro to Probability and Statistics for Data Science
Deep and easy dive into the world of Statistics.

​Fourier Transformation for a Data Scientist

🔗 Fourier Transformation for a Data Scientist
Introduction

🎥 Karen Croxson: The Opportunity and Dangers of Machine Learning in Finance | WIRED Smarter 2019
👁 1 раз ⏳ 1120 сек.
Karen Croxson is the Head of Research and Deputy Chief Economist at the Financial Conduct Authority, where she leads an interdisciplinary research team that integrates economics, data science and behavioural science to analyse markets and inform policy.

In this video, Karen explains how artificial intelligence and machine learning can benefit institutions, but also the risks which come with adapting them too quickly. She shares how crucial it is for investors and regulators to develop a better understandi