Вышел пре-релиз TensorFlow 2.1

Поддержка GPU в pip теперь присутствует по умолчанию для Linux и Windows, для всех машин, как с наличием, так и с отсутствием Nvidia GPU.

Платформа глубогого обучения TensorRT 6 доступна и включена по умолчанию. Согласно Nvidia, TensorRT 6 ускоряет некоторые варианты использования, такие как разговорный AI и может использоваться внутри различных фреймворков, например, TensorFlow и ONNX Runtime (движок от Microsoft).

Появились новые фичи в tf.keras и tf.data

https://github.com/tensorflow/tensorflow/releases/tag/v2.1.0-rc0

Как обстоят дела с производительностью TensorFlow на видеокартах AMD Radeon VII ($500)? Если у вас получилось установить TensorFlow с поддержкой ROCM, то карта от AMD работает на 90% от мощности NVIDIA RTX 2080 Ti ($1,100) - использовался lambda-tensorflow-benchmark и FP32
https://github.com/ROCmSoftwarePlatform/tensorflow-upstream/issues/362

Статья объясняет все матричные вычисления, которые могут понадобиться, чтобы понять, как работает глубокое обучение. Предполагается, что читатель уже знает дифференциальное исчисление функции одной переменной и знаком на практике с нейронными сетями https://explained.ai/matrix-calculus/index.html

Лекция о том, как работать с искусственным интеллектом на функциональном языке Clojure https://www.youtube.com/watch?v=m0rSJ9xdsdk

Оказалось, что шумы являются более сильным фактором, влияющим на точность предсказаний, чем считалось ранее https://knowledge.wharton.upenn.edu/article/want-better-forecasting-silence-the-noise/

Инференс в продакшене с использованием Rust (по сравнению с Python и scikit-learn) может ускорить производительность в 26 раз, а тренировка K-Means модели на датасете в 1 миллион точек будет быстрее на 30% https://www.lpalmieri.com/posts/2019-12-01-taking-ml-to-production-with-rust-a-25x-speedup/

Нам часто пишут из крупных компаний, стартапов, и университетов с просьбами разместить вакансию, опубликовать хакатон, найти студентов на стажировку. Но такой контент не очень удобно часто публиковать в чате. Поэтому от нашей группы открылся канал в котором публикуются свежие вакансии и мероприятия в сфере Data Science и Machine Learning: @datasciencework.

Погружение в глубокое обучение: бесплатная интерактивная книга с кодом, математикой и обсуждениями http://d2l.ai

R и Python - самые популярные языки Data Science. Они оба имеют открытый исходный код и превосходно подходят для анализа данных. Несмотря на свою конкурентную популярность, R и Python на самом деле совершенно разные, и один может быть более подходящим, чем другой для определенных ситуаций.

В этой статье рассказывается о важности обоих языков для науки о данных. Кроме того, в нем описываются их ключевые различия в способностях работы с данными и приложениями машинного обучения. И последнее, но не менее важное: мы также объясняем, какой из них изучать и почему.
https://www.imaginarycloud.com/blog/r-vs-python/

Курс про проектирование, визуализацию и понимание глубоких нейронных сетей от Калифорнийского университета Berkeley https://www.youtube.com/playlist?list=PLuv1FSpHurUevSXe_k0S7Onh6ruL-_NNh