🖥 @github_code - лучшие проекты с Github теперь доступны в одном канале.

Проекты , которые реально помогут в разработке и помогут прокачать навыки программирования.

⭐️ Musika! Fast Infinite Waveform Music Generation

Моментальная генерация стереомузыки:
Техно, Метал, Лофи (пример в видео).

Возможность обучать Musika на своем собственном музыкальном наборе данных .

conda create -n musika python=3.9

🔩 GitHub
➡️ Попробовать
🚀 Demo

@machinelearning_ru

🖥 Зачем вам нужно использовать активное обучение при обучении нейронных сетей

Часто разметка данных оказывается самой серьёзной преградой для машинного обучения — сбор больших объёмов данных, их обработка и разметка для создания достаточно производительной модели могут занимать недели или даже месяцы. Активное обучение позволяет обучать модели машинного обучения на гораздо меньшем количестве размеченных данных. Лучшие компании в сфере ИИ, например, Tesla, уже используют активное обучение. Мы считаем, что и вам тоже оно необходимо.

В этом посте мы расскажем, что такое активное обучение, рассмотрим инструменты для его практического применения и продемонстрируем, как мы сами упрощаем внедрение активного обучения в процесс NLP.

➡️ Читать дальше

@machinelearning_ru

🖥 Большие данные: 70 невероятных бесплатных источников данных.

Вся отличная визуализация данных начинается с хороших, чистых данных. Большинство считают, что сбор больших данных будет трудной работой, но это неправда. На сайте доступны тысячи бесплатных наборов данных, готовых для анализа и просмотра любым пользователем.

Здесь мы собрали 70 источников свободных данных на правительство, преступности, здравоохранения, финансовых и экономических данных, маркетинга и социальных сетей, журналистики и средств массовой информации, недвижимости, каталог, обзор бизнеса и многое другое.

➡️ Читать дальше

@machinelearning_ru

🖥 EnCodec: высокоточное нейронное сжатие звука

pip install -U encodec # stable release
pip install -U git+https://git@github.com/facebookresearch/encodec#egg=encodec # bleeding edge
# of if you cloned the repo locally
pip install .

➡️ Github
📃 Статья
↪️ Образец

@machinelearning_ru

⭐️ DiffusionDB

DiffusionDB — это первый крупный набор данных для преобразования текста в изображение. Он содержит 2 миллиона изображений, сгенерированных Stable Diffusion с использованием подсказок и гиперпараметров, заданных реальными пользователями. Беспрецедентный масштаб и разнообразие этого набора данных, открывают захватывающие возможности для исследований в понимании работы с генеративными моделями, обнаружении дипфейков и разработке инструментов взаимодействия человека и ИИ, чтобы упростить пользователям использование этих моделей.

🖥 Github
🗒 Статья:
➡️ Датасет

@machinelearning_ru

📚 Сегментация изображений с использованием сети обратного внимания

Большинство методов семантической сегментации на основе СNN (convolutional neural network, сверточной нейронной сети) сосредоточены на простом получении правильных предсказаний без обучения модели различать классы. По этой причине характеристики менее распространенных классов могут быть проигнорированы.

Из-за визуального сходства классы обладают общими высокоуровневыми признаками, что может привести к запутанным результатам в областях, где классы смешиваются или граничат между собой. Например, фон может сливаться с объектом, поскольку они имеют схожую силу активации.

➡️ Читать дальше

@machinelearning_ru

🔥 Best it channels

🖥 Machine learning
@ai_machinelearning_big_data – все о машинном обучении
@data_analysis_ml – все о анализе данных.
@machinelearning_ru – машинное обучении на русском от новичка до профессионала.
@machinelearning_interview – подготовка к собеседования Data Science
@datascienceiot – бесплатные книги Machine learning
@ArtificialIntelligencedl – канал о искусственном интеллекте
@neural – все о нейронных сетях
@machinee_learning – чат о машинном обучении
@datascienceml_jobs - работа ds, ml
@machinelearning_books - ml notes
@bigdatai - big data
@vistehno - ai news

🖥 Python
@pythonl
@python_job_interview – подготовка к Python собеседованию
@pro_python_code – погружение в python
@python_testit тесты на python
@pythonlbooks - книги Python
@Django_pythonl django
@python_djangojobs - работа Python

📢 English for coders

@english_forprogrammers - Английский для программистов

🖥 Java
@javatg - Java для програмистов
@javachats Java чат
@java_library - книги Java
@android_its Android разработка
@java_quizes - тесты Java
@Java_workit - работа Java
@progersit - шпаргалки ит

🖥 Javascript / front
@react_tg - react js
@javascriptv - js канал
@about_javascript - javascript продвинутый
@JavaScript_testit -тесты JS
@htmlcssjavas - web
@hashdev - web разработка

👣 Golang
@Golang_google - go для разработчиков
@golang_interview - вопросы и ответы с собеседований по Go.
@golangtests - тесты и задачи GO
@golangl - чат Golang
@GolangJobsit - вакансии и работа GO
@golang_jobsgo - чат вакансий
@golang_books - книги Golang
@golang_speak - обсуждение задач Go

🖥 Linux
@linux_kal - чат kali linux
@linuxkalii - linux kali
@linux_read - книги linux

👷‍♂️ IT работа

@hr_itwork - ит-вакансии
@GolangJobsit
@python_djangojobs - python jobs
@javascriptjobjs - js jobs
@Java_workit - java jobs

🖥 SQL
@sqlhub - базы данных
@chat_sql - базы данных чат

🤡It memes
@memes_prog - ит-мемы

⚙️ Rust
@rust_code - язык программирования rust
@rust_chats - чат rust

#️⃣ c# c++
@csharp_ci - c# c++кодинг
@csharp_cplus чат

📓 Книги

@programming_books_it
@datascienceiot
@pythonlbooks
@golang_books
@frontendbooksit
@progersit
@linux_read
@java_library
@frontendbooksit

🖥 Github
@github_code

🖥 Shapash

Shapash делает модели машинного обучения прозрачными и понятными каждому. Инструмент предоставляет несколько видов визуализации, которые отображают явные метки, понятные каждому.

🔩 Github

@machinelearning_ru

⭐️ 8 паттернов проектирования, которые должен знать каждый ML-разработчик

Паттерны проектирования предлагают комплексные решения проблем, с которыми разработчики сталкиваются каждый день. В этой статье мы рассмотрим 8 паттернов проектирования с примерами кода на Python.

➡️ Читать дальше

@machinelearning_ru

📓 Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка

Технологии анализа текстовой информации стремительно меняются под влиянием машинного обучения. Нейронные сети из теоретических научных исследований перешли в реальную жизнь, и анализ текста активно интегрируется в программные решения.
Нейронные сети способны решать самые сложные задачи обработки естественного языка, никого не удивляет машинный перевод, «беседа» с роботом в интернет-магазине, перефразирование, ответы на вопросы и поддержание диалога.

➡️ Книга

@machinelearning_ru

⭐️ Как помочь pandas в обработке больших объёмов данных? От Pandas к Dask

Библиотека pandas — это один из лучших инструментов для разведочного анализа данных. Но это не означает, что pandas — это универсальное средство, подходящее для решения любых задач. В частности, речь идёт об обработке больших объемов данных. Мне довелось провести очень и очень много времени, ожидая, пока pandas прочтёт множество файлов, или обработает их, вычислив на основе находящихся в них сведений какие-то интересующие меня показатели. Дело в том, что pandas не поддерживает механизмы параллельной обработки данных. В результате этому пакету не удаётся на полную мощность воспользоваться возможностями современных многоядерных процессоров. Большие наборы данных в pandas обрабатываются медленно.

➡️Читать дальше
🗒 Dask документация

@machinelearning_ru

⭐️ atoti

atoti — это бесплатная аналитическая платформа Python BI для количественных расчетов и аналитики данных. Полезный инструмент для специалистов по данным и бизнес-пользователей, который позволяет быстрее анализировать и преобразовывать нееобходимые данные .

> pip install atoti[jupyterlab]

➡️ Github
🗒 Инструкция
➡️ Видео

@machinelearning_ru

🔥 Более 100 бесплатных курсов и ресурсов по аналитике

Большая подборка для аналитиков данных, продуктовых аналитиков, веб аналитиков, маркетинговых аналитиков и особенно тех, кто хочет ими стать!

Все материалы бесплатны!

Подборка составлена по областям знаний, которые нужны аналитику, чтобы быть востребованным на рынке.

Обязательно сохраняйте и пересылайте друзьям!

➡️ Читать дальше

@machinelearning_ru

🔘 Как решить судоку при помощи компьютерного зрения

Судоку – это игра, в которой игровое поле представляет собой квадрат размером 9×9, разделённый на меньшие квадраты со стороной в 3 клетки. Таким образом, всё игровое поле состоит из 81 клетки. В них уже в начале игры стоят некоторые числа (от 1 до 9), называемые подсказками. От игрока требуется заполнить свободные клетки цифрами от 1 до 9 так, чтобы в каждой строке, в каждом столбце и в каждом малом квадрате 3×3 каждая цифра встречалась бы только один раз.

➡️ Читать дальше
🖥 Код из статьи

@machinelearning_ru