♠️ Продвинутый покерный ИИ был обучен за 20 часов

Конечно когда появляется новая технология, кто-то хочет заработать на ней денег с минимальным вовлечением в процесс. Поэтому неудивительно, что появляются покер-боты с искусственным интеллектом. Покер с точки зрения ИИ является задачей с неполной информацией в отличие, например, от шахмат, поэтому исследователю подобное решать интереснее (но о своих доходах с этого бота они не отчитались, зато статья есть). Бот реализован на решающих деревьях.У ИИ есть большое преимущество перед людьми-игроками — лучший покер-фейс.


Смотреть
Сатья

@machinelearning_ru

🧠 Простая нейронная сеть без библиотек и многомерных массивов

Сатья

@machinelearning_ru

​xr-graph

Проект демонстрирующий возможность просмотра/отображения математических графиков в VR и AR

@machinelearning_ru

Вакансия: В PREDICTO открыта вакансия
Machine learning engineer

О компании:
Predicto с 2018 г. занимается анализом и сегментацией данных для крупных российских и иностранных клиентов. В этом году мы поставили себе амбициозную задачу разработки CDP и рекомендательной системы.
В нашей команде уже 10 сильных и классных ребят, но задач столько, что очень хотим еще!

📍Middle (важно)
📍 в классном офисе в Москве/гибрид;
📍250-400К руб., белая ЗП или ИП;
📍большой датасет, интересные задачи, возможность влиять на продукт.

✅Что нужно делать:
• Разработка моделей машинного обучения, в частности, предиктивных моделей (например, прогнозирование оттока клиентов) и рекомендательной системы;
• Самостоятельная постановка гипотез, анализ данных и дизайн фич, проведение и оценка экспериментов;
• Участие в продукционализации ML моделей вместе с нашими cloud инженерами и data инженерами.

✅ Требования
• Знание алгоритмов машинного обучения и статистического анализа;
• Опыт программирования на Python и знание основных библиотек для работы с данными и ML моделями; знание хотя бы одного из фреймворков для deep learning;
• Знание SQL и опыт работы с большими данными;
• Понимание жизненного цикла и опыт продукционализации ML моделей.

✅ Опционально (плюс):
• Опыт участия в соревнованиях по машинному обучению (Kaggle и др);
• Понимание принципов распределенной обработки данных, опыт работы с Spark’ом и Spark MLlib;
• Знание инструментов и методов MLOps.

Присылайте CV @naikava

@datascienceml_jobs - ML вакансии

​PngBin – Инструмент преобразование любых двоичных данных в файл изображения PNG и наоборот

Изображение, созданное PngBin, будет иметь все свойства, как и обычное изображение PNG, за исключением того, что при просмотре оно будет выглядеть сломанным и «зашумленным»

@machinelearning_ru | #Python #Photo #Interesting #Security

🔍 Обзор Статьи Яна Лекуна о машинном интеллекте

Стаья освещает исследованния Self-Supervised Learning, Energy-Based Models, и, и иерархических моделях прогнозирования.

Обзор
Статья

@machinelearning_ru

MLOps: как внедрить систему рекомендаций товаров

Одна из самых распространенных задач электронной коммерции — создание хорошо работающей модели рекомендаций и категоризации товаров. Рекомендательная система товаров используется для предоставления пользователям аналогичных предложений. Она позволяет увеличить общее время пребывания на платформе и сумму, потраченную в расчете на одного пользователя.

Кроме того, на платформах электронной коммерции, особенно тех, где большая часть контента создается пользователями (например, на сайтах объявлений), необходима модель категоризации продуктов. Она используется для “отлова” неправильно категорированных продуктов и размещения их по соответствующим категориям. Это способствует улучшению общего пользовательского опыта на платформе.

Данная статья состоит из двух основных частей. В первой поговорим о том, как построить систему рекомендаций товаров для электронной коммерции и провести категоризацию товаров (примеры кода помогут продемонстрировать эти процессы). Во второй обсудим, как реализовать этот проект в несколько шагов с помощью MLOps-платформы под названием Layer.

Читать дальше

@machinelearning_ru

Искусственный интеллект NVIDIA усовершенствовал синтез человеческого лица! 👩‍🎓

https://www.youtube.com/watch?v=MO2K0JXAedM

Статья: https://stylegan-nada.github.io/

@machinelearning_ru

В VK стартовал набор в Академию больших данных MADE — это бесплатное обучение для специалистов с опытом в разработке.

👉 Регистрируйтесь до 6 августа: https://vk.cc/ceWl31

Программа длится один год, но будьте готовы к серьезной нагрузке: занятия займут 25–40 часов в неделю. За это время вы сможете повысить свой профессиональный уровень или освоить новое направление в IT.

Что вас ждёт:
🔹Много практики и работа над реальными проектами.
🔹Преподаватели — ведущие эксперты в области Data Science. Например, несколько дисциплин ведёт Сергей Николенко, автор бестселлера «Глубокое обучение» и создатель курсов в СПбГУ, НИУ ВШЭ и Harbour Space University.
🔹Профессиональное сообщество, где преподаватели, выпускники и слушатели делятся знаниями, общаются и помогают в решении сложных задач.

Для поступления нужно сдать экзамены по математике и программированию, пройти соревнование по машинному обучению и анкетирование.

🎓 Глубокое погружение в ROC-AU

Я думаю, что большинство людей слышали о ROC-кривой или о AUC (площади под кривой) раньше. Особенно те, кто интересуется наукой о данных. Однако, что такое ROC-кривая и почему площадь под этой кривой является хорошей метрикой для оценки модели классификации?

Теория ROC-кривой
Полное название ROC — Receiver Operating Characteristic (рабочая характеристика приёмника). Впервые она была создана для использования радиолокационного обнаружения сигналов во время Второй мировой войны. США использовали ROC для повышения точности обнаружения японских самолетов с помощью радара. Поэтому ее называют рабочей характеристикой приемника.

AUC или area under curve — это просто площадь под кривой ROC. Прежде чем мы перейдем к тому, что такое ROC-кривая, нужно вспомнить, что такое матрица ошибок.

Читать дальше

@machinelearning_ru

STEOSVOICE - генератор голоса на основе ИИ.

Инструмент стал бесплатным для всех.

Сайт: https://cybervoice.io/ru
Видео: https://www.youtube.com/watch?v=p1rEp6ZEgcc

@machinelearning_ru

🖼 Обзор архитектур image-to-image translation

Я работаю инженером компьютерного зрения в направлении искусственного интеллекта. Мы разрабатываем и внедряем модели с применением машинного обучения на наши производственные площадки.

В скоуп наших проектов попадают как системы, управляющие (или частично управляющие) технологическим процессом (например, флотация или плавка), так и системы промышленного машинного зрения, которые по сути представляют из себя одну из разновидностей датчиков.

В этой статье я расскажу про основные архитектуры генеративных сетей для задачи перевода изображения из одного домена в другой (image-to-image translation). В конце расскажу, для чего именно мы применяем синтетические данные и приведу примеры изображений, которых нам удалось достичь. Но перед погружением в данную тему рекомендую ознакомиться с тем, что такое свёрточная сеть, U-Net и генеративная сеть. Если же Вы готовы, поехали.

Читать дальше

@machinelearning_ru

🚀 @machinelearning_interview - здесь мы собираем все возможные вопросы и ответы с собеседований по Машинному обучению, нейронным сетям и Глубокому обучению. Для всех уровней разработчиков. Желающие помочь, могут присылать вопросы, с которыми они сталкивались на собеседованиях.

Посмотреть

🔥 OpenAI DALL-E 2 - Топ 10 лучших сгенерированных изображений!

https://www.youtube.com/watch?v=Q9FGUii_4Ok

@machinelearning_ru

Делимся отличной новостью: Минцифры внесло Газпромбанк в реестр аккредитованных IT-компаний!

Банк не первый год активно развивает цифровые продукты, над которыми сегодня работают тысячи крутых диджитал-специалистов. И теперь айтишники смогут получить дополнительные государственные льготы.

Вы тоже можете стать частью команды Газпромбанка! Вакансии в IT и других направлениях — по ссылке > https://vk.cc/cf61jS

✔️ Сравнение двух систем для торговли акциями: модели ближайших соседей и торговли по скользящей средней

Я достаточно давно в качестве хобби занимаюсь анализом открытых данных в играх на деньги (ставки на спорт, биржевые котировки и тп). В основном работаю руками в экселе, но также стараюсь быть в курсе того, что делают машины. Для этого прошел курсы Kaggle от Google. В этой статье я попробую сравнить результативность предсказаний дневного движения цены акции от двух примитивных систем торговли:

1. примитивного трейдера-человека, который на вводном курсе по трейдингу узнал про скользящую среднюю.

2. примитивной модели, обученной по методу ближайших соседей (Класс KNeighborsClassifier в библиотеке Python Scikit-learn).

Оцениваться предсказания обеих систем будут по двум параметрам:

Результат торговли акцией в процентах.

Процент верных предсказаний.

Мне показалось, что будут интереснее писать данную статью последовательно, поэтому на момент написания этих слов я не знаю итоговых результатов.

Читать дальше

@machinelearning_ru

Про настройку гиперпараметров ансамблей моделей машинного обучения

Под катом хочется затронуть тему настройки гиперпараметров в моделях машинного обучения, получаемых при помощи блендинга. В таких ансамблях предсказания из одной модели машинного обучения становятся предикторами для другой (следующего уровня). На рисунке ниже представлены некоторые варианты ансамблей, где данные передаются слева направо. Называть такие ансамбли мы будем в рамках поста также пайплайнами или композитными моделями (композитные пайплайны).

https://habr.com/ru/post/672486/

@machinelearning_ru