🕹 Как компьютер научился обыгрывать человека в го и StarCraft
Компания Deepmind обучает алгоритмы искусственного интеллекта играть в игры. В 2016 году их компьютер Alpha Go победил чемпиона мира по го. Долгое время считалось, что научить машину этой игре нельзя, потому в го важны интуиция и творческое мышление. В новом эпизоде Самат разговаривает с инженером из Google Deepmind Сергеем Бартуновым о том, как передать компьютеру человеческие способности, и где, кроме игр, это можно использовать.
Этот подкаст сделан студией Либо/Либо совместно с сервисом онлайн-образования Яндекс.Практикум.
#подкаст_Код
2:08 Как Сережа попал в Deepmind
12:00 С какими сложностями сталкивается компьютер, когда он играет в го или в шахматы
16:08 Правда ли, что машина умнее человека
21:28 Как научиться оценивать неопределенность
27:50 Почему играть в старкрафт для компьютера сложнее, чем в го
39:12 Чем сворачивание белка похоже на игру в старкрафт
➰ Источник ВК
Компания Deepmind обучает алгоритмы искусственного интеллекта играть в игры. В 2016 году их компьютер Alpha Go победил чемпиона мира по го. Долгое время считалось, что научить машину этой игре нельзя, потому в го важны интуиция и творческое мышление. В новом эпизоде Самат разговаривает с инженером из Google Deepmind Сергеем Бартуновым о том, как передать компьютеру человеческие способности, и где, кроме игр, это можно использовать.
Этот подкаст сделан студией Либо/Либо совместно с сервисом онлайн-образования Яндекс.Практикум.
#подкаст_Код
2:08 Как Сережа попал в Deepmind
12:00 С какими сложностями сталкивается компьютер, когда он играет в го или в шахматы
16:08 Правда ли, что машина умнее человека
21:28 Как научиться оценивать неопределенность
27:50 Почему играть в старкрафт для компьютера сложнее, чем в го
39:12 Чем сворачивание белка похоже на игру в старкрафт
➰ Источник ВК
VK
Либо/Либо
Мы делаем подкасты, рассказываем истории и говорим об интересном
Если у вас еще нет списка списков 3D ML работ, инструментов и датасетов, то спешим поделиться:
https://docs.google.com/document/d/1AA5WVTqqeJbjrtfj3Nb3hoEhGnkp95CJcn3z1to4Yio/edit?usp=sharing
#machinelearning #АнализДанных #ML #neuralnetworks #bigdata #нейронныесети #3dml
🔗 Материалы по 3D ML и машинному зрению
Материалы по 3D ML и машинному зрению Если у вас еще нет списка списков 3D ML работ, инструментов и датасетов, то спешим поделиться: Один из самых знаменитых и объемных списков датасетов, туториалов и работ, отсортированных по годам и задачам Раздел про 3D ML на paperswithcode.com Работы и ста...
➰ Источник ВК
https://docs.google.com/document/d/1AA5WVTqqeJbjrtfj3Nb3hoEhGnkp95CJcn3z1to4Yio/edit?usp=sharing
#machinelearning #АнализДанных #ML #neuralnetworks #bigdata #нейронныесети #3dml
🔗 Материалы по 3D ML и машинному зрению
Материалы по 3D ML и машинному зрению Если у вас еще нет списка списков 3D ML работ, инструментов и датасетов, то спешим поделиться: Один из самых знаменитых и объемных списков датасетов, туториалов и работ, отсортированных по годам и задачам Раздел про 3D ML на paperswithcode.com Работы и ста...
➰ Источник ВК
Google Docs
Материалы по 3D ML и машинному зрению
Материалы по 3D ML и машинному зрению Если у вас еще нет списка списков 3D ML работ, инструментов и датасетов, то спешим поделиться: Один из самых знаменитых и объемных списков датасетов, туториалов и работ, отсортированных по годам и задачам Раздел про…
Автоматизация рутинных задач с помощью Python.
Отличная книжка с практическим применением и задачами.
https://disk.yandex.ru/i/aKeJ5RrWmGP28w
#book #python #machinelearning #АнализДанных #ML #neuralnetworks #bigdata #нейронныесети
🔗 Автоматизация рутинных задач с помощью Python. практическое руководство для начинающих ( PDFDrive ).
➰ Источник ВК
Отличная книжка с практическим применением и задачами.
https://disk.yandex.ru/i/aKeJ5RrWmGP28w
#book #python #machinelearning #АнализДанных #ML #neuralnetworks #bigdata #нейронныесети
🔗 Автоматизация рутинных задач с помощью Python. практическое руководство для начинающих ( PDFDrive ).
➰ Источник ВК
Яндекс.Диск
Автоматизация рутинных задач с помощью Python. практическое руководство для начинающих ( PDFDrive ).pdf
Посмотреть и скачать с Яндекс.Диска
#career@changellengeglobal #Changellenge #МФТИ #X5Group #DataScience
Реально ли сочетать работу в ведущей компании и бесплатное обучение с двойной стипендией? Да, если пройти отбор на совместную магистерскую программу МФТИ и X5 Group «Промышленный анализ данных в ритейле». Здесь готовят аналитиков, которые с помощью машинного обучения и Big Data превращают обычный супермаркет в центр высоких технологий. Вот еще три причины, почему на эту кафедру стоит обратить внимание:
— Лекции и семинары ведут цифровые эксперты индустрии — директора технологических направлений и специалисты X5 в Machine Learning, аналитике данных и мультивариативном анализе.
— За два года студенты получают 3 000 часов практики, 80+ реальных кейсов и 256 гб новых прикладных знаний.
— Каждый магистрант сможет поработать над реальными продуктами X5 и остаться в компании после завершения обучения.
Хочешь стать data-специалистом в ритейле нового поколения? Подавай заявку до 30 июня включительно: https://clck.ru/VF8qX
🔗 Магистерская программа X5 и МФТИ
Совместная магистерская программа для студентов, желающих развиваться в сфере анализа данных.
➰ Источник ВК
Реально ли сочетать работу в ведущей компании и бесплатное обучение с двойной стипендией? Да, если пройти отбор на совместную магистерскую программу МФТИ и X5 Group «Промышленный анализ данных в ритейле». Здесь готовят аналитиков, которые с помощью машинного обучения и Big Data превращают обычный супермаркет в центр высоких технологий. Вот еще три причины, почему на эту кафедру стоит обратить внимание:
— Лекции и семинары ведут цифровые эксперты индустрии — директора технологических направлений и специалисты X5 в Machine Learning, аналитике данных и мультивариативном анализе.
— За два года студенты получают 3 000 часов практики, 80+ реальных кейсов и 256 гб новых прикладных знаний.
— Каждый магистрант сможет поработать над реальными продуктами X5 и остаться в компании после завершения обучения.
Хочешь стать data-специалистом в ритейле нового поколения? Подавай заявку до 30 июня включительно: https://clck.ru/VF8qX
🔗 Магистерская программа X5 и МФТИ
Совместная магистерская программа для студентов, желающих развиваться в сфере анализа данных.
➰ Источник ВК
mipt.x5.ru
Магистерская программа X5 и МФТИ
Совместная магистерская программа для студентов, желающих развиваться в сфере анализа данных.
Успей зарегистрироваться на самый масштабный хакатон, посвящённый медицине, здравоохранению и науке, который стартует уже 18-20 июня. Прояви свою цифровую силу!
Зарегистрироваться, собрать команду и выбрать кейс необходимо до 23:59 13 июня (МСК).
» https://leadersofdigital.ru/event/63008
🔗 Медицина, здравоохранение, наука
Цифровизация — это возможности для развития медицины и здравоохранения. Докажи, что IT — это не только про код, это про реальную помощь людям. Удалённое наблюдение за пациентами, повышение эффективности работы медицинских учреждений, постановка диагноза с помощью искусственного интеллекта и много других важных задач ждут тебя на хакатоне Health&Science.
➰ Источник ВК
Зарегистрироваться, собрать команду и выбрать кейс необходимо до 23:59 13 июня (МСК).
» https://leadersofdigital.ru/event/63008
🔗 Медицина, здравоохранение, наука
Цифровизация — это возможности для развития медицины и здравоохранения. Докажи, что IT — это не только про код, это про реальную помощь людям. Удалённое наблюдение за пациентами, повышение эффективности работы медицинских учреждений, постановка диагноза с помощью искусственного интеллекта и много других важных задач ждут тебя на хакатоне Health&Science.
➰ Источник ВК
Нейронная сеть, описывающая стандартную модель элементарных частиц. На основании базовых параметров частиц определяет их массу.
https://github.com/the-lans/StandartModel
🔗 the-lans/StandartModel
Нейронная сеть, описывающая стандартную модель элементарных частиц. На основании базовых параметров частиц определяет их массу. - the-lans/StandartModel
➰ Источник ВК
https://github.com/the-lans/StandartModel
🔗 the-lans/StandartModel
Нейронная сеть, описывающая стандартную модель элементарных частиц. На основании базовых параметров частиц определяет их массу. - the-lans/StandartModel
➰ Источник ВК
GitHub
GitHub - the-lans/StandartModel: Нейронная сеть, описывающая стандартную модель элементарных частиц. На основании базовых параметров…
Нейронная сеть, описывающая стандартную модель элементарных частиц. На основании базовых параметров частиц определяет их массу. - the-lans/StandartModel
Рассмотрим алгоритм обратного распространения ошибки. По моему мнению, в интернете информация на эту тему либо слишком сложна для восприятия 📚 (дифференциальное исчисление), либо всё сводится к примеру использования конкретных функций, что не даёт общей картины.🔮
В этом небольшом посте постараемся поэтапно представить алгоритм 📐 back propagation:
✏1) Инициализировать матрицу весов W маленькими случайными значениями (к примеру, в интервале от -0,1 до +0,1).
✏2) Повторить цикл обучения (п.3-7) необходимое количество раз (пока выполняются заданные условия).
✏3) Подать вектор X на вход сети и подсчитать выходы O(k) каждого слоя (это прямое распространение).
Для первого слоя: O(k) = f(W(k) * X + B(k)).
Для последующих слоёв: O(k) = f(W(k) * O(k-1) + B(k)).
X - Входной вектор;
O(k) - Посчитанные выходы k-ого слоя;
O(k-1) - Посчитанные выходы слоя (k-1);
W(k) - Матрица весов k-ого слоя;
B(k) - Вектор смещений k-ого слоя;
f - Функция активации k-ого слоя. К примеру, f(O(k)) = tanh(O(k)).
✏4) Для выходного слоя вычислить ошибку обучения: q(k) = f'(O(k)) * F'(O(k), Y).
В формуле перемножаются производные двух функций: целевой и активации.
q(k) - Вектор ошибок k-ого слоя;
O(k) - Посчитанные в п.3 выходы k-ого слоя;
Y - Выходной эталонный (правильный) вектор для обучения;
f - Функция активации последнего слоя.
F - Целевая функция ошибки. К примеру, F(O(k), Y) = 0,5*(O(k) - Y)*(O(k) - Y).
✏5) Для каждого слоя, начиная с предпоследнего: q(k) = f'(O(k)) * q(k+1) * W(k+1).
В формуле перемножаются: производная функции активации, вектор ошибок предыдущего слоя и веса.
q(k) - Вектор ошибок k-ого слоя;
O(k) - Посчитанные в п.3 выходы k-ого слоя;
q(k+1) - Вектор ошибок слоя (k+1);
W(k+1) - Матрица весов слоя (k+1);
f - Функция активации k-ого слоя.
✏6) Рассчитать изменение весов: dW(k) = t * q(k) * O(k-1).
Рассчитать изменение смещений: dB(k) = t * q(k).
dW(k) - Матрица изменения весов для k-ого слоя;
dB(k) - Вектор изменения смещений для k-ого слоя;
t - Коэффициент скорости обучения. Находится в пределах от 0 до 1;
q(k) - Вектор ошибок k-ого слоя;
O(k-1) - Посчитанные в п.3 выходы слоя (k-1).
✏7) Применить сделанные изменения для весов: W(k) = W(k) + dW(k).
Применить сделанные изменения для смещений: B(k) = B(k) + dB(k).
W(k) - Матрица весов k-ого слоя;
B(k) - Вектор смещений k-ого слоя;
dW(k) - Матрица изменения весов для k-ого слоя;
dB(k) - Вектор изменения смещений для k-ого слоя.
☝Стоит отметить, что все операции выполняются над матрицами и векторами:
t - Это число;
X, Y, O(k), q(k), B(k), dB(k) - Это векторы;
W(k), dW(k) - Это матрицы.
Итак, подведём итог. Весь алгоритм обратного распространения для соответствующего примера обучения заключается в последовательном применении формул: 👇
O(k) = f(W(k) * X + B(k)); O(k) = f(W(k) * O(k-1) + B(k))
q(k) = f'(O(k)) * F'(O(k), Y); q(k) = f'(O(k)) * q(k+1) * W(k+1)
dW(k) = t * q(k) * O(k-1); dB(k) = t * q(k)
W(k) = W(k) + dW(k); B(k) = B(k) + dB(k).
#machinelearnin
➰ Источник ВК
В этом небольшом посте постараемся поэтапно представить алгоритм 📐 back propagation:
✏1) Инициализировать матрицу весов W маленькими случайными значениями (к примеру, в интервале от -0,1 до +0,1).
✏2) Повторить цикл обучения (п.3-7) необходимое количество раз (пока выполняются заданные условия).
✏3) Подать вектор X на вход сети и подсчитать выходы O(k) каждого слоя (это прямое распространение).
Для первого слоя: O(k) = f(W(k) * X + B(k)).
Для последующих слоёв: O(k) = f(W(k) * O(k-1) + B(k)).
X - Входной вектор;
O(k) - Посчитанные выходы k-ого слоя;
O(k-1) - Посчитанные выходы слоя (k-1);
W(k) - Матрица весов k-ого слоя;
B(k) - Вектор смещений k-ого слоя;
f - Функция активации k-ого слоя. К примеру, f(O(k)) = tanh(O(k)).
✏4) Для выходного слоя вычислить ошибку обучения: q(k) = f'(O(k)) * F'(O(k), Y).
В формуле перемножаются производные двух функций: целевой и активации.
q(k) - Вектор ошибок k-ого слоя;
O(k) - Посчитанные в п.3 выходы k-ого слоя;
Y - Выходной эталонный (правильный) вектор для обучения;
f - Функция активации последнего слоя.
F - Целевая функция ошибки. К примеру, F(O(k), Y) = 0,5*(O(k) - Y)*(O(k) - Y).
✏5) Для каждого слоя, начиная с предпоследнего: q(k) = f'(O(k)) * q(k+1) * W(k+1).
В формуле перемножаются: производная функции активации, вектор ошибок предыдущего слоя и веса.
q(k) - Вектор ошибок k-ого слоя;
O(k) - Посчитанные в п.3 выходы k-ого слоя;
q(k+1) - Вектор ошибок слоя (k+1);
W(k+1) - Матрица весов слоя (k+1);
f - Функция активации k-ого слоя.
✏6) Рассчитать изменение весов: dW(k) = t * q(k) * O(k-1).
Рассчитать изменение смещений: dB(k) = t * q(k).
dW(k) - Матрица изменения весов для k-ого слоя;
dB(k) - Вектор изменения смещений для k-ого слоя;
t - Коэффициент скорости обучения. Находится в пределах от 0 до 1;
q(k) - Вектор ошибок k-ого слоя;
O(k-1) - Посчитанные в п.3 выходы слоя (k-1).
✏7) Применить сделанные изменения для весов: W(k) = W(k) + dW(k).
Применить сделанные изменения для смещений: B(k) = B(k) + dB(k).
W(k) - Матрица весов k-ого слоя;
B(k) - Вектор смещений k-ого слоя;
dW(k) - Матрица изменения весов для k-ого слоя;
dB(k) - Вектор изменения смещений для k-ого слоя.
☝Стоит отметить, что все операции выполняются над матрицами и векторами:
t - Это число;
X, Y, O(k), q(k), B(k), dB(k) - Это векторы;
W(k), dW(k) - Это матрицы.
Итак, подведём итог. Весь алгоритм обратного распространения для соответствующего примера обучения заключается в последовательном применении формул: 👇
O(k) = f(W(k) * X + B(k)); O(k) = f(W(k) * O(k-1) + B(k))
q(k) = f'(O(k)) * F'(O(k), Y); q(k) = f'(O(k)) * q(k+1) * W(k+1)
dW(k) = t * q(k) * O(k-1); dB(k) = t * q(k)
W(k) = W(k) + dW(k); B(k) = B(k) + dB(k).
#machinelearnin
➰ Источник ВК
Представляем вам проект «Карьера» – вакансии для инженеров и разработчиков.
Проект создан, чтобы помочь инженерам найти интересную работу в ведущих компаниях своей отрасли.
Какие преимущества для соискателей?
1. Для отклика не нужно резюме или анкета на несколько страниц.
2. Вопросы в отклике целевые - связаны с работой, не будем спрашивать: "Где вы хотите себя видеть через 5 лет?"
3. Диаграмма соответствия вакансии для вас.
Вакансии по теме:
➞ Инженер CI, Удаленно
➞ Инженер-программист (разработчик компилятора), Удаленно
➞ Программист-аналитик (computer vision), Зеленоград
Смотреть все вакансии.
Проект создан, чтобы помочь инженерам найти интересную работу в ведущих компаниях своей отрасли.
Какие преимущества для соискателей?
1. Для отклика не нужно резюме или анкета на несколько страниц.
2. Вопросы в отклике целевые - связаны с работой, не будем спрашивать: "Где вы хотите себя видеть через 5 лет?"
3. Диаграмма соответствия вакансии для вас.
Вакансии по теме:
➞ Инженер CI, Удаленно
➞ Инженер-программист (разработчик компилятора), Удаленно
➞ Программист-аналитик (computer vision), Зеленоград
Смотреть все вакансии.
21 канал на YouTube по ИИ и DataScience
https://habr.com/ru/company/skillfactory/blog/526542/
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming
🔗 21 канал на YouTube, где вы можете бесплатно изучить ИИ, машинное обучение и Data Science
Мы уже не раз делились в своем блоге полезными материалами для развития (их список можно найти в конце этого поста). Сегодня продолжаем это начинание и специально перед стартом новых потоков...
➰ Источник ВК
https://habr.com/ru/company/skillfactory/blog/526542/
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming
🔗 21 канал на YouTube, где вы можете бесплатно изучить ИИ, машинное обучение и Data Science
Мы уже не раз делились в своем блоге полезными материалами для развития (их список можно найти в конце этого поста). Сегодня продолжаем это начинание и специально перед стартом новых потоков...
➰ Источник ВК
Хабр
21 канал на YouTube, где вы можете бесплатно изучить ИИ, машинное обучение и Data Science
Мы уже не раз делились в своем блоге полезными материалами для развития (их список можно найти в конце этого поста). Сегодня продолжаем это начинание и специально перед стартом новых потоков курсов по...
Пример использования YouTube Python API для Data Science.
🌐https://www.machinelearningmastery.ru/tutorial-using-youtubes-annoying-data-api-in-python-part-1-9618beb0e7ea/
🌐Репозиторий » https://github.com/spnichol/youtube_tutorial.git
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming
🔗 Часть 1. Использование YouTube Python API для Data Science
Статьи, вопросы и ответы на тему: машинное обучение, нейронные сети, искусственный интеллект
➰ Источник ВК
🌐https://www.machinelearningmastery.ru/tutorial-using-youtubes-annoying-data-api-in-python-part-1-9618beb0e7ea/
🌐Репозиторий » https://github.com/spnichol/youtube_tutorial.git
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming
🔗 Часть 1. Использование YouTube Python API для Data Science
Статьи, вопросы и ответы на тему: машинное обучение, нейронные сети, искусственный интеллект
➰ Источник ВК
machinelearningmastery.ru
Часть 1. Использование YouTube Python API для Data Science
Получите БЕСПЛАТНЫЕ материалы по бухучёту или ЗУП!
🌐 Бухгалтерский и налоговый учёт
в 1С:Бухгалтерия 8 ред. 3 от А до Я,
ОСНО или УСН » https://profbuh8.ru/lpbuh/?utm_partner=13373
🌐 ЗУП 3.1 —
кадровый и зарплатный учёт
от А до Я » https://profbuh8.ru/lpzup/?utm_partner=13373
#бухгалтерия #1С #зуп #бухучет #буднипрограммиста #учет #усн #осно
🔗 lpbuh
Получить бесплатно Уже свыше 200 000 бухгалтеров и пользователей 1С по всей России! © ООО "Профбух" 2017г., ОГРН 1117746700686 | +7 (495) 988-92-58 | mail@
➰ Источник ВК
🌐 Бухгалтерский и налоговый учёт
в 1С:Бухгалтерия 8 ред. 3 от А до Я,
ОСНО или УСН » https://profbuh8.ru/lpbuh/?utm_partner=13373
🌐 ЗУП 3.1 —
кадровый и зарплатный учёт
от А до Я » https://profbuh8.ru/lpzup/?utm_partner=13373
#бухгалтерия #1С #зуп #бухучет #буднипрограммиста #учет #усн #осно
🔗 lpbuh
Получить бесплатно Уже свыше 200 000 бухгалтеров и пользователей 1С по всей России! © ООО "Профбух" 2017г., ОГРН 1117746700686 | +7 (495) 988-92-58 | mail@
➰ Источник ВК
profbuh8.ru
lpbuh
Получить бесплатно Уже свыше 200 000 бухгалтеров и пользователей 1С по всей России! © ООО "Профбух" 2017г., ОГРН 1117746700686 | +7 (495) 988-92-58 | mail@
Подборка датасетов для машинного обучения:
👉🏻Данные смертей и сражений из игры престолов
👉🏻Глобальная база данных терроризма
👉🏻Биткойн, исторические данные
👉🏻FIFA 19 полный набор данных игроков
👉🏻Статистика видео YouTube
👉🏻Обзор показателей самоубийств с 1985 по 2016 год
👉🏻Huge Stock Market Dataset
👉🏻Индикаторы мирового развития
👉🏻Kaggle Machine Learning & Data Science Survey 2017
👉🏻Данные о насилии и оружии
👉🏻Рентгенография грудной клетки (пневмония)
👉🏻Распознавание пола по голосу
👉🏻Студенческое потребление алкоголя
👉🏻Набор данных о клетках малярии
...и куча других датасетов.
🌐https://habr.com/ru/post/452392/
🔗 Подборка датасетов для машинного обучения
Привет, читатель! Перед тобой статья-путеводитель по открытым наборам данных для машинного обучения. В ней я, для начала, соберу подборку интересных и свежих (относительно) датасетов. А бонусом,...
➰ Источник ВК
👉🏻Данные смертей и сражений из игры престолов
👉🏻Глобальная база данных терроризма
👉🏻Биткойн, исторические данные
👉🏻FIFA 19 полный набор данных игроков
👉🏻Статистика видео YouTube
👉🏻Обзор показателей самоубийств с 1985 по 2016 год
👉🏻Huge Stock Market Dataset
👉🏻Индикаторы мирового развития
👉🏻Kaggle Machine Learning & Data Science Survey 2017
👉🏻Данные о насилии и оружии
👉🏻Рентгенография грудной клетки (пневмония)
👉🏻Распознавание пола по голосу
👉🏻Студенческое потребление алкоголя
👉🏻Набор данных о клетках малярии
...и куча других датасетов.
🌐https://habr.com/ru/post/452392/
🔗 Подборка датасетов для машинного обучения
Привет, читатель! Перед тобой статья-путеводитель по открытым наборам данных для машинного обучения. В ней я, для начала, соберу подборку интересных и свежих (относительно) датасетов. А бонусом,...
➰ Источник ВК
Хабр
Подборка датасетов для машинного обучения
Привет, читатель! Меня зовут Рушан, и я автор Telegram‑канала Нейрон . Не забудьте поделиться с коллегами или просто с теми, кому интересны такие статьи. Перед тобой статья-путеводитель по открытым...
С 9 по 20 июля выпускники, преподаватели и друзья корпоративной магистерской программы JetBrains «Разработка программного обеспечения» проведут летний лекторий. Спикеры прочтут четыре лекции по направлениям обучения магистратуры: теория языков программирования, машинное обучение, биоинформатика и системная биология, технологии промышленного программирования.
🌐Регистрация » https://afisha.timepad.ru/event/1696660
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming
🔗 Афиша событий: мероприятия, развлечения, конференции - куда сходить в Москве | Timepad
➰ Источник ВК
🌐Регистрация » https://afisha.timepad.ru/event/1696660
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming
🔗 Афиша событий: мероприятия, развлечения, конференции - куда сходить в Москве | Timepad
➰ Источник ВК
Решение задачи регрессии полносвязной нейронной сетью.
Копируйте код в Jupyter Notebook и попробуйте решить классическую задачу регрессии, вывести графики и метрики качества.
🌐https://www.bizkit.ru/2019/11/05/14921/
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming
🔗 Решение задачи регрессии полносвязной нейронной сетью
«Перевариваю» лекцию Дмитрием Романовым по регрессии из курса «Нейронные сети на Python» читаемого в «Университете искуственного интеллекта». Задача прогнозирования данных по известн…
➰ Источник ВК
Копируйте код в Jupyter Notebook и попробуйте решить классическую задачу регрессии, вывести графики и метрики качества.
🌐https://www.bizkit.ru/2019/11/05/14921/
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming
🔗 Решение задачи регрессии полносвязной нейронной сетью
«Перевариваю» лекцию Дмитрием Романовым по регрессии из курса «Нейронные сети на Python» читаемого в «Университете искуственного интеллекта». Задача прогнозирования данных по известн…
➰ Источник ВК
Stanza: A Python NLP Library for Many Human Languages.
Фреймворк содержит поддержку для запуска различных точных инструментов обработки естественного языка на более чем 60 языках и для доступа к программному обеспечению Java Stanford CoreNLP из Python.
🌐https://github.com/stanfordnlp/stanza
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming #stanza
🔗 stanfordnlp/stanza
Official Stanford NLP Python Library for Many Human Languages - stanfordnlp/stanza
➰ Источник ВК
Фреймворк содержит поддержку для запуска различных точных инструментов обработки естественного языка на более чем 60 языках и для доступа к программному обеспечению Java Stanford CoreNLP из Python.
🌐https://github.com/stanfordnlp/stanza
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming #stanza
🔗 stanfordnlp/stanza
Official Stanford NLP Python Library for Many Human Languages - stanfordnlp/stanza
➰ Источник ВК
GitHub
GitHub - stanfordnlp/stanza: Stanford NLP Python library for tokenization, sentence segmentation, NER, and parsing of many human…
Stanford NLP Python library for tokenization, sentence segmentation, NER, and parsing of many human languages - stanfordnlp/stanza
Участвуй в реферальной программе компании Intel! Помоги найти опытных инженеров и разработчиков и получи 70 000 рублей*. Чтобы принять участие, заполни специальную форму на сайте https://referrals-intel.ru/. Если твой кандидат будет нанят в Intel, ты получишь денежный бонус. Создавай удивительное с нами. Все подробности: https://referrals-intel.ru/
*до вычета налогов
🔗 Реферальная программа Intel
Помоги нам найти нового сотрудника и получи 70000 рублей*
➰ Источник ВК
*до вычета налогов
🔗 Реферальная программа Intel
Помоги нам найти нового сотрудника и получи 70000 рублей*
➰ Источник ВК
Инструментарий Data Scientist'а: MLFlow
MLflow - это платформа с открытым исходным кодом для управления непрерывным жизненным циклом машинного обучения. Он выполняет четыре основные функции:
* Отслеживание экспериментов для записи и сравнения параметров и результатов (MLflow Tracking).
* Упаковка кода ML в повторно используемую, воспроизводимую форму для передачи другим специалистам по данным или передачи в продакшн (MLflow Projects).
* Управление и развёртывание моделей из множества библиотек машинного обучения на различных платформах обслуживания и вывода моделей (MLflow Models).
* Предоставление центрального хранилища моделей для совместного управления полным жизненным циклом модели MLflow, включая управление версиями модели, переходы между этапами и аннотации (MLflow Model Registry).
MLflow не зависит от библиотек. Вы можете использовать его с любой библиотекой машинного обучения и на любом языке программирования, поскольку все функции доступны через REST API и CLI. Для удобства в проект также включены Python API, R API и Java API.
🌐Документация по фреймворку: https://www.mlflow.org/docs/latest/quickstart.html
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming #MLflow
🔗 Quickstart — MLflow 1.18.0 documentation
➰ Источник ВК
MLflow - это платформа с открытым исходным кодом для управления непрерывным жизненным циклом машинного обучения. Он выполняет четыре основные функции:
* Отслеживание экспериментов для записи и сравнения параметров и результатов (MLflow Tracking).
* Упаковка кода ML в повторно используемую, воспроизводимую форму для передачи другим специалистам по данным или передачи в продакшн (MLflow Projects).
* Управление и развёртывание моделей из множества библиотек машинного обучения на различных платформах обслуживания и вывода моделей (MLflow Models).
* Предоставление центрального хранилища моделей для совместного управления полным жизненным циклом модели MLflow, включая управление версиями модели, переходы между этапами и аннотации (MLflow Model Registry).
MLflow не зависит от библиотек. Вы можете использовать его с любой библиотекой машинного обучения и на любом языке программирования, поскольку все функции доступны через REST API и CLI. Для удобства в проект также включены Python API, R API и Java API.
🌐Документация по фреймворку: https://www.mlflow.org/docs/latest/quickstart.html
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming #MLflow
🔗 Quickstart — MLflow 1.18.0 documentation
➰ Источник ВК
Инструментарий Data Scientist'а: Airflow
Airflow - это платформа для программного создания, планирования и мониторинга рабочих процессов.
Используйте Airflow для создания рабочих процессов как направленных ациклических графов (DAG задач). Планировщик Airflow выполняет ваши задачи, следуя указанным зависимостям. Командная строка упрощает выполнение сложных операций на DAG. Богатый пользовательский интерфейс позволяет легко визуализировать конвейеры, работающие в производственной среде, отслеживать прогресс и при необходимости устранять неполадки.
Когда рабочие процессы определены как код, они становятся более удобными для сопровождения, версионирования, тестирования и совместной работы.
🌐 Статья » https://habr.com/ru/company/mailru/blog/339392/
🌐 Документация » https://airflow.apache.org/docs/apache-airflow/stable/index.html
🌐 Wiki » https://ru.bmstu.wiki/Apache_Airflow
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming #Airflow
🔗 Airflow — инструмент, чтобы удобно и быстро разрабатывать и поддерживать batch-процессы обработки да
Привет, Хабр! В этой статье я хочу рассказать об одном замечательном инструменте для разработки batch-процессов обработки данных, например, в инфраструктуре корпоративного DWH или вашего...
➰ Источник ВК
Airflow - это платформа для программного создания, планирования и мониторинга рабочих процессов.
Используйте Airflow для создания рабочих процессов как направленных ациклических графов (DAG задач). Планировщик Airflow выполняет ваши задачи, следуя указанным зависимостям. Командная строка упрощает выполнение сложных операций на DAG. Богатый пользовательский интерфейс позволяет легко визуализировать конвейеры, работающие в производственной среде, отслеживать прогресс и при необходимости устранять неполадки.
Когда рабочие процессы определены как код, они становятся более удобными для сопровождения, версионирования, тестирования и совместной работы.
🌐 Статья » https://habr.com/ru/company/mailru/blog/339392/
🌐 Документация » https://airflow.apache.org/docs/apache-airflow/stable/index.html
🌐 Wiki » https://ru.bmstu.wiki/Apache_Airflow
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming #Airflow
🔗 Airflow — инструмент, чтобы удобно и быстро разрабатывать и поддерживать batch-процессы обработки да
Привет, Хабр! В этой статье я хочу рассказать об одном замечательном инструменте для разработки batch-процессов обработки данных, например, в инфраструктуре корпоративного DWH или вашего...
➰ Источник ВК
Хабр
Airflow — инструмент, чтобы удобно и быстро разрабатывать и поддерживать batch-процессы обработки данных
Привет, Хабр! В этой статье я хочу рассказать об одном замечательном инструменте для разработки batch-процессов обработки данных, например, в инфраструктуре кор...
Инструментарий разработчика. На чём собрать мобильное приложение без кода — топ-3 конструктора с примерами приложений.
Интересная статья про альтернативный подход к программированию. Если пойти дальше, можно имплементировать собственные ML-модели в мобильные приложения.
🌐https://vc.ru/dev/216592-na-chem-sobrat-mobilnoe-prilozhenie-bez-koda-top-3-konstruktora-s-primerami-prilozheniy
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming
🔗 На чем собрать мобильное приложение без кода — топ-3 конструктора с примерами приложений
Самый популярный вопрос среди начинающих зерокодеров — можно ли собрать мобильное приложение без программирования. Расскажем, с помощью каких инструментов это можно сделать, чем они отличаются и сколько это стоит.
➰ Источник ВК
Интересная статья про альтернативный подход к программированию. Если пойти дальше, можно имплементировать собственные ML-модели в мобильные приложения.
🌐https://vc.ru/dev/216592-na-chem-sobrat-mobilnoe-prilozhenie-bez-koda-top-3-konstruktora-s-primerami-prilozheniy
#machinelearning #ai #машинноеобучение #neuralnetworks #нейронныесети #python#буднипрограммиста #programming
🔗 На чем собрать мобильное приложение без кода — топ-3 конструктора с примерами приложений
Самый популярный вопрос среди начинающих зерокодеров — можно ли собрать мобильное приложение без программирования. Расскажем, с помощью каких инструментов это можно сделать, чем они отличаются и сколько это стоит.
➰ Источник ВК
vc.ru
На чем собрать мобильное приложение без кода — топ-3 конструктора с примерами приложений — Разработка на vc.ru
Самый популярный вопрос среди начинающих зерокодеров — можно ли собрать мобильное приложение без программирования. Расскажем, с помощью каких инструментов это можно сделать, чем они отличаются и сколько это стоит.