​Стажировка в ABBYY: компания, с которой можно на «ты»
Всем привет! В этом посте я хочу рассказать вам о моей летней стажировке в ABBYY. Постараюсь осветить все моменты, которые обычно интересны студентам и начинающим разработчикам при выборе компании. Надеюсь, что кому-то данный пост поможет определиться с планами на следующее лето. В общем, поехали!

Для начала расскажу немного о себе. Меня зовут Женя, на момент подачи заявки на стажировку я заканчивал 3 курс МФТИ, Факультет инноваций и высоких технологий (сейчас может быть известен как Физтех-школа прикладной математики и информатики). Мне хотелось выбрать компанию, в которой можно получить опыт работы в области компьютерного зрения: картинки, нейронные сети и вот это вот все. Собственно, с выбором я не прогадал – ABBYY действительно для этого отлично подходит, но об этом позже.

🔗 Стажировка в ABBYY: компания, с которой можно на «ты»
Всем привет! В этом посте я хочу рассказать вам о моей летней стажировке в ABBYY. Постараюсь осветить все моменты, которые обычно интересны студентам и начинающи...

​Встречайте Big Data Tools: поддержка Spark и Zeppelin-ноутбуков в IntelliJ IDEA
У нас отличные новости. Мы рады объявить о выходе Big Data Tools — нового плагина для IntelliJ IDEA, который обеспечивает интеграцию со Spark и поддерживает редактирование и запуск Zeppelin-ноутбуков. Теперь вы можете создавать, редактировать и запускать Zeppelin notebooks прямо из IDE. Плагин предоставляет умную навигацию, автодополнение, инспекции и быстрые исправления, а также рефакторинг кода внутри ноутбуков.

Что уже поддерживается

Просмотр, создание и удаление ноутбуков
Помощь при написании Scala-кода

Автодополнение
Рефакторинг Rename
Экстракт переменной, метода или параметра
Переход к декларации
Поиск использований

Создание и удаление параграфов
Запуск параграфов
Просмотр вывода параграфов
Поддержка базовой визуализации

Пока что помощь при написании кода работает только для Scala. Другие языки будут поддержаны позже. Кроме того, мы не собираемся ограничиваться поддержкой Zeppelin и планируем добавить больше возможностей, которые будут полезны для тех, кто работает с большими данными.

Если вам не терпится увидеть Big Data Tools в действии, посмотрите это короткое видео:

А лучше попробуйте плагин сами! Как это сделать, читайте далее.

🔗 Встречайте Big Data Tools: поддержка Spark и Zeppelin-ноутбуков в IntelliJ IDEA
У нас отличные новости. Мы рады объявить о выходе Big Data Tools — нового плагина для IntelliJ IDEA, который обеспечивает интеграцию со Spark и поддерживает реда...

​Kaggle Reading Group: EfficientNet | Kaggle

🔗 Kaggle Reading Group: EfficientNet | Kaggle
This week we'll be starting EfficientNet (Tan & Le, 2019), which was published at ICML 2019. The paper proposes a new family of models that are both smaller and faster to train than traditional convolutional neural networks. Link to paper: http://proceedings.mlr.press/v97/tan19a/tan19a.pdf SUBSCRIBE: https://www.youtube.com/c/kaggle?sub_... About Kaggle: Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data science work. Kaggle's platform is

🎥 Виктор Кантор - Как найти вашего клиента с помощью машинного обучения
👁 2 раз ⏳ 1415 сек.
Совсем скоро Матемаркетинг-2019
Подробности: https://matemarketing.ru/
Программа: http://bit.ly/33SYfe0
Билеты: http://bit.ly/2SEBSUJ


Когда вы запускаете новую услугу или продукт, хотите привлечь новых пользователей, возникает резонный вопрос: кому именно интересно ваше предложение. Машинное обучение позволяет достаточно точно ответить на этот вопрос. В докладе я расскажу, как мы в Яндекс.Такси находим потенциальных пользователей бизнес-класса и детских тарифов с помощью look-alike моделей, а также о

​Модель футбольных трансферов: копаем глубже
Настало время продолжить предыдущую статью про исследование футбольных трансферов.
В этот раз вы узнаете почему же Клопп Симеоне такой крутой, кого брать в агенты, если вы футболист и зачем все это читать, если футбол вам неинтересен.

🔗 Модель футбольных трансферов: копаем глубже
Настало время продолжить предыдущую статью про исследование футбольных трансферов. В этот раз вы узнаете почему же Клопп Симеоне такой крутой, кого брать в агент...

​Раскрашиваем ч/б фото с помощью Python
Привет Хабр.

Одной из интересных и популярных (особенно перед разными юбилеями) задач является «раскрашивание» старых черно-белых фотографий и даже фильмов. Тема это достаточно интересная, как с математической, так и с исторической точки зрения. Мы рассмотрим реализацию этого процесса на Python, который любой желающий сможет запустить на своем домашнем ПК.

Результат работы на фото.

Для тех кому интересно, принцип работы, исходники и примеры под катом.

🔗 Раскрашиваем ч/б фото с помощью Python
Привет Хабр. Одной из интересных и популярных (особенно перед разными юбилеями) задач является «раскрашивание» старых черно-белых фотографий и даже фильмов. Тем...

​Top 5 Developer Tools 2019

🔗 Top 5 Developer Tools 2019
In 2019, there are so many tooling options for developers that it's hard to discern which one you should use. Thus, I've compiled a list of 5 really powerful developer tools that you should know about, regardless of what type of developer you are. Whether it's automatic documentation writing, or making it easier to debug javascript, tools make developer's lives easier and allow them to be more productive. I'll explain how each tool works using code, animations, and a short demo. Enjoy! The 5 Tools are 1.

​How to track objects in the real world with TensorFlow, SORT and OpenCV

🔗 How to track objects in the real world with TensorFlow, SORT and OpenCV
Using perspective transformations to convert between pixel and latitude-longitude coordinates

Машинное Обучение. Лекции
Машинное обучение. Лекция 1. Введение в машинное обучение
Машинное обучение. Лекция 2
Машинное обучение. Лекция 3. Линейные модели
Машинное обучение . Лекция 4. Отбор признаков и понижение размерности
Машинное обучение. Лекция 5. Решающие деревья и ансамбли. Градиентный бустинг
Машинное обучение. Лекция 6. Кластеризация


#video

🎥 Машинное обучение. Лекция 1. Введение в машинное обучение
👁 266 раз ⏳ 2829 сек.
Все введенные на лекции понятия опираются на конспект К.В. Воронцова: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf

🎥 Машинное обучение. Лекция 2
👁 104 раз ⏳ 2180 сек.


🎥 Машинное обучение. Лекция 3. Линейные модели
👁 124 раз ⏳ 2867 сек.
В данном видео речь идёт о линейных моделях в задачах регрессии и классификации. Введены такие понятия, как регуляризация, функция правдоподобия и ...

🎥 Машинное обучение . Лекция 4. Отбор признаков и понижение размерности
👁 43 раз ⏳ 2803 сек.


🎥 Машинное обучение. Лекция 5. Решающие деревья и ансамбли. Градиентный бустинг
👁 33 раз ⏳ 1936 сек.
https://github.com/miptmlschool/mlschl/tree/master/Seminars/Seminar_5

🎥 Машинное обучение. Лекция 6. Кластеризация
👁 46 раз ⏳ 1130 сек.
https://github.com/miptmlschool/mlschl/blob/master/lections/Lection%206.pdf

​Must follow Github Repo
⚡️Contains +100 AI Cheatsheets
⚡️List of Free AI Courses
⚡️Free Online Books
⚡️Top 10 Online Books
⚡️Research Papers with codes
⚡️Top Videos&Lecture on AI+ML
⚡️+99 AI Researchers
⚡️Top website which should follow
⚡️+121 Free Datasets
⚡️+53 AI Framework and many more All in one Github Repository
https://github.com/Niraj-Lunavat/Artificial-Intelligence

🔗 Niraj-Lunavat/Artificial-Intelligence
Awesome AI Learning with +100 AI Cheat-Sheets, Free online Books, Top Courses, Best Videos and Lectures, Papers, Tutorials, +99 Researchers, Premium Websites, +121 Datasets, Conferences, Frameworks...

​BoTorch: Programmable Bayesian Optimization in PyTorch
Balandat et al.: https://arxiv.org/abs/1910.06403
Code: https://github.com/pytorch/botorch
#MachineLearning #Bayesian #PyTorch

🔗 BoTorch: Programmable Bayesian Optimization in PyTorch
Bayesian optimization provides sample-efficient global optimization for a broad range of applications, including automatic machine learning, molecular chemistry, and experimental design. We introduce BoTorch, a modern programming framework for Bayesian optimization. Enabled by Monte-Carlo (MC) acquisition functions and auto-differentiation, BoTorch's modular design facilitates flexible specification and optimization of probabilistic models written in PyTorch, radically simplifying implementation of novel acquisition functions. Our MC approach is made practical by a distinctive algorithmic foundation that leverages fast predictive distributions and hardware acceleration. In experiments, we demonstrate the improved sample efficiency of BoTorch relative to other popular libraries. BoTorch is open source and available at https://github.com/pytorch/botorch.

​Reinforcement Learning Course from OpenAI

Reinforcement Learning becoming significant part of the data scientist toolbox.
OpenAI created and published one of the best courses in #RL. Algorithms implementation written in #Tensorflow.
But if you are more comfortable with #PyTorch, we have found #PyTorch implementation of this algs

OpenAI Course: https://spinningup.openai.com/en/latest/
Tensorflow Code: https://github.com/openai/spinningup
PyTorch Code: https://github.com/kashif/firedup

🔗 Welcome to Spinning Up in Deep RL! — Spinning Up documentation

🎥 MATLAB Tutorial for Beginners 43 - Audio Analysis in MATLAB | Sound Analysis in MATLAB | KGP Talkie
👁 3 раз ⏳ 1630 сек.
In this lesson, you learn how you can read an audio file, plot its spectrogram, time-domain signal, histogram, and periodogram.

Watch Full Video: https://youtu.be/SJRHv5vvlnU
Download working file: https://github.com/laxmimerit/Audio-Analysis-in-MATLAB

### Like Facebook Page:
https://www.facebook.com/kgptalkie/

## Watch Full Playlists:

### MATLAB for Beginners
https://www.youtube.com/watch?v=vyWfmTAA_4g&list=PLc2rvfiptPST-KNRZD4HmeosRVcVwxtmd

### Deep Learning with TensorFlow 2.0 Tutorials
https://ww

🎥 Deep Brain Stimulation for Treatment-Resistant Depression: A Progress Report
👁 1 раз ⏳ 3910 сек.
Each month The Brain & Behavior Research Foundation hosts a Meet the Scientist Webinar featuring a researcher discussing the latest findings related to mental illness. In October, 2019, the Foundation featured Dr. Helen S. Mayberg of the Icahn School of Medicine at Mount Sinai.

Description: It is now almost 15 years since researchers first used a method called Deep Brain Stimulation (DBS) to treat major depression that has not responded to conventional therapies. Subsequently, follow-up studies have made s

​Course material for STAT 479: Machine Learning (FS 2019) taught by Sebastian Raschka at University Wisconsin-Madison

https://github.com/rasbt/stat479-machine-learning-fs19

🔗 rasbt/stat479-machine-learning-fs19
Course material for STAT 479: Machine Learning (FS 2019) taught by Sebastian Raschka at University Wisconsin-Madison - rasbt/stat479-machine-learning-fs19

​Evolving Space-Time Neural Architectures for Videos

https://github.com/google-research/google-research/tree/master/evanet

Tiny Video Networks

https://arxiv.org/abs/1910.06961

🔗 google-research/google-research
Google AI Research. Contribute to google-research/google-research development by creating an account on GitHub.

​Пример создания рекуррентной нейронной сети в Python

🔗 Пример создания рекуррентной нейронной сети в Python
Предварительная обработка рекуррентной нейронной сети. Прямые и обратные фазы RNN. Создание и тестирование рекуррентной нейронной сети в Python.

​Мы не можем доверять ИИ-системам, построенным на одном лишь глубоком обучении

Этот текст — не результат научного исследования, а одно из многих мнений относительно нашего ближайшего технологического развития. И заодно приглашение к дискуссии.

Гари Маркус, профессор Нью-Йоркского университета, уверен, что глубокое обучение играет важную роль в развитии ИИ. Но он также считает, что избыточное увлечение этой методикой может привести к её дискредитации.

В своей книге Rebooting AI: Building artificial intelligence we can trust Маркус, по образованию невролог, который построил карьеру на передовых исследованиях в сфере ИИ, обращается к техническим и этическим аспектам. С точки зрения технологий, глубокое обучение может успешно подражать решению задач на восприятие, которые выполняет наш мозг: например, распознавание изображений или речи. Но для решения иных задач, вроде понимания разговоров или определения причинно-следственных связей, глубокое обучение не годится. Чтобы создать более продвинутые интеллектуальные машины, способные решать более широкий круг задач — их часто называют общим искусственным интеллектом — глубокое обучение необходимо комбинировать с другими методиками.

🔗 Мы не можем доверять ИИ-системам, построенным на одном лишь глубоком обучении
Этот текст — не результат научного исследования, а одно из многих мнений относительно нашего ближайшего технологического развития. И заодно приглашение к диску...

​Video Architecture Search

🔗 Video Architecture Search
Posted by Michael S. Ryoo, Research Scientist and AJ Piergiovanni, Student Researcher, Robotics at Google Video understanding is a chall...

🎥 Learn NumPy Fundamentals - Python Library for Data Science
👁 4 раз ⏳ 6571 сек.
All the basics to start using the Python library NumPy. In this course I'll cover the basics of using number and have several interactive course videos that will challenge you to learn how to use NumPy.
NumPy Tutorial for Beginners
☞ https://morioh.com/p/61ac2b3265f2

Neural Network Using Python and Numpy
☞ https://morioh.com/p/6298668b9379

Learn NumPy Arrays With Examples
☞ https://morioh.com/p/0495f3f41cae

Top 30 Python Libraries for Machine Learning
☞ https://morioh.com/p/a42cb68ff2b5

Top 3 Python Li

🎥 Python Data Science Tutorial: Analyzing the 2019 Stack Overflow Developer Survey
👁 1 раз ⏳ 3088 сек.
In this video, we will be learning how to use analyze survey data in Python.

This video is sponsored by Brilliant. Go to https://brilliant.org/cms to sign up for free. Be one of the first 200 people to sign up with this link and get 20% off your premium subscription.

In this Python Programming video, we will be learning how to download and analyze real-world data from the 2019 Stack Overflow Developer Survey. This is terrific practice for anyone getting into the data science field. We will learn different