@avitotech продолжает искать таланты среди студентов технических специальностей для бесплатного обучения в Академии Аналитиков Авито — 2022!

Тут вы прокачаетесь с нуля до уверенного junior-аналитика или DS-инженера!

Вас ждут:
▪️ 13 месяцев апгрейда знаний и навыков;
▪️ 11 курсов — от прикладной статистики до алгоритмов и Analytics Deep Dive;
▪️ команда наставников: кураторы, преподаватели-эксперты и менторы из числа опытных аналитиков Авито.

➕ Все шансы присоединиться к команде Авито после выпуска или получить преимущество при устройстве в IT-компании, e-commerce, консалтинг и IT-агентства.

Заполняйте анкету участника до 13 июня включительно 👉🏻 clc.to/nb78ZA

🔥 Nvidia выпустили модель для генерации динамических видео


Github: https://github.com/NVlabs/eg3d

Project: https://nvlabs.github.io/eg3d/

Video: https://www.youtube.com/watch?v=cXxEwI7QbKg&feature=emb_logo&ab_channel=StanfordComputationalImagingLab

Paper: https://nvlabs.github.io/eg3d/media/eg3d.pdf

@machinelearning_ru

​Пространственные трансформационные сети с использованием TensorFlow

Spatial Transformer Network (STN) — один из примеров дифференцируемых LEGO-модулей, на основе которых можно строить и улучшать свою нейросеть. О том, как это использовать для ваших целей можно узнать здесь:

https://pyimagesearch.com/2022/05/23/spatial-transformer-networks-using-tensorflow/

#ml

@machinelearning_ru

Красивая статья. Просто и изящно.

Чтобы эмбеддинги абстрактов (но думаю и для суммаризации тоже ок) научных статей в BERT-е получались более аккуратными, достаточно сделать триплет лосс на граф цитирования. Статьи цитирующие друг друга - положительная пара, иначе негативная. И можно вес вешать (похоже на UMAP, имхо).

Github: https://github.com/allenai/specter
Paper: https://arxiv.org/abs/2004.07180
Model: https://huggingface.co/allenai/specter

https://t.me/itchannels_telegram - полезные ресурсы для датасаентистов, мл-специалистов.

🦜 Google’s Imagen AI возмутительно хорошо!

Архитектура проще DALL-E 2 и может генерировать изображения из более длинных описаний, плюс правильно отображает текст, который её попросили поместить на изображение.

https://www.youtube.com/watch?v=HyOW6fmkgrc&ab_channel=TwoMinutePapers

Imagen: https://imagen.research.google/

Статья: https://arxiv.org/abs/2205.11487

@machinelearning_ru

​DALLE-Mini – модель искусственного интеллекта, которая генерирует изображения по любому вашему запросу

⤷ Демо в режиме реального времени

| #Python #AI #Interesting

@machinelearning_ru

🎓 Когда не следует использовать нейронные сети

Как-то один друг, изучавший искусственный интеллект, попросил у меня совета по выбору модели. В то время он углубился в тему нейронных сетей (neural networks, NN) и их многочисленных вариантов. Он полагал, что нейронные сети способны решить любую задачу и это идеальное решение на все случаи жизни. Зачем в таком случае утруждать себя изучением других методов?

Его можно понять. В то время, когда началось мое “путешествие” по миру машинного обучения, у меня также закрадывались подозрения по поводу бесполезности “более слабых моделей”. Поскольку этот вопрос возникает довольно часто в науке данных, стоит пролить свет на роль, которую играют более простые модели в общей концепции ИИ.

Особенно это полезно знать начинающим исследователям данных, ведь выбор модели, подходящей для решения определенной задачи,  —  один из важнейших навыков в этой профессии. Более того, неверный выбор модели может остановить работу всего предприятия. Наконец, понимание того, когда использовать каждую модель, поможет определить, какие модели следует обучать в дальнейшем.

Итак, начнем с фундаментальных понятий.

Читать дальше

@machinelearning_ru

📐 10 алгоритмов для работы с графами

Зачем вообще изучать графовые алгоритмы?
Графовые алгоритмы представляют собой последовательность шагов для обхода графа через вершины (узлы). Некоторые алгоритмы используются для поиска определенного узла или пути между двумя заданными узлами.

Данные алгоритмы применяют на сайтах социальных сетей, в моделировании конечного автомата, а также во многих других сферах. Я приложил свой исходный код для всех алгоритмов, про которые мы будем говорить ниже:

Читать дальше

@machinelearning_ru

SkinDeep – нейронная сеть, которрая удаляет татуировки с любой части тела на фотографии.

Github: https://github.com/vijishmadhavan/SkinDeep

Colab: https://colab.research.google.com/github/vijishmadhavan/SkinDeep/blob/master/SkinDeep.ipynb

@machinelearning_ru

Как легко и быстро создать веб-приложение на базе МО с помощью Python

Независимо от того, сколько моделей вы создали, оффлайн их смогут увидеть лишь несколько человек. Поэтому необходимо их развертывать, чтобы любой смог поработать с ними посредством UI.

В этой статье мы с нуля развернем модель линейной регрессии с помощью Flask, фреймворка Python для разработки веб-приложений. По результатам этого гайда вы сможете поэкспериментировать с простой моделью машинного обучения в браузере, как показано ниже.

Читать дальше

@machinelearning_ru

🗣 Предсказываем возраст по голосу говорящего

Большинство людей знакомы с тем, как запустить проект по машиннному обучению на изображениях, тексте или табличных данных. Но не у многих есть опыт анализа аудиоданных. В этой статье мы узнаем, как мы можем сделать анализ аудио. Как подготовить, изучить и проанализировать аудиоданные с помощью машинного обучения. Вкратце: как и для всех других модальностей (например, текста или изображений), хитрость заключается в том, чтобы преобразовать данные в формат, интерпретируемый машиной.

Интересная вещь с аудиоданными заключается в том, что вы можете рассматривать их как множество различных модальностей:

- Вы можете извлекать фичи и анализировать данные, такие как табличные данные.
- Вы можете строить частотные графики и анализировать данные, такие как данные изображения.
- Вы можете использовать модели и анализировать данные, с помощью временных рядов.
- Вы можете использовать модели преобразования речи в текст и анализировать данные, как текстовые данные.

Сначала давайте подробнее рассмотрим, как на самом деле выглядят аудиоданные.

Читать дальше

@machinelearning_ru

В открытом доступе появился самый большой датасет для распознавания жестов

SberDevices поделились ссылками на огромный датасет для распознавания жестов - HaGRID (Hand Gesture Recognition Image Dataset). Одна из возможностей его применения - создание виртуальных помощников для людей, которые используют язык жестов.

Читать дальше

@machinelearning_ru

🌍 Google AI имитирует эволюцию!

Cтатья Google AI с новым подходом к обучению некоторых, уже существующих моделей через эволюционный подход, ,без градиента. Аппроксимация изображения треугольными тайлами, рисование изображений по запросу (DALLE-2) теперь обучаются намного быстрее и, местами, показывают лучшие результаты

Обзор: https://www.youtube.com/watch?v=a0ubtHxj1UA
Статья: https://es-clip.github.io/

@machinelearning_ru

Через 10 минут начнется трансляция Летнего фестиваля вакансий в Яндексе: https://youtu.be/1ZfEiwF6kYQ

21:05—21:20 Яндекс Погода
21:20—21:35 Группа визуального поиска
21:35—21:50 Группа синтеза речи

После фестиваля можно подать заявку на стажировку в Яндексе: https://clck.ru/rcgdp

​GANs N' Roses – нейронная сеть, которая создаёт аниме-персонажа похожего на загруженную вам фотографию

Также работает с видео

@machinelearning_ru

🗾 Посмотрим, как ИИ учится классифицировать изображения

Загляним под капот алгоритмов машинного обучения, пока они работают.

Cуществует множество руководств и статей, которые хорошо показывают, как алгоритмы машинного обучения могут обучаться на изображениях и выполнять различные удивительные задачи. Итак, эта статья не о том, что они могут сделать,а о том что происходит, пока машины учатся.

Я надеюсь, что анимации в этой статье смогут ннаглядно показать, как современные алгоритмы машинного обучения работают с различными данными и очень быстро учатся тому, как извлекать значимые признаки из данных для эффективного решения поставленной задачи. Итак, давайте сразу приступим!

Статья
Код
Набор данных

@data_analysis_ml