Deep Learning, Keras, and TensorFlow

🎥 Introduction to Deep Learning, Keras, and TensorFlow
👁 1 раз ⏳ 3841 сек.
This video was recorded in San Francisco on Jan 9, 2019.

Slides from the video can be viewed here: https://www.slideshare.net/0xdata/introduction-to-deep-learning-keras-and-tensorflow-128124587

This fast-paced session starts with a simple yet complete neural network (no frameworks), followed by an overview of activation functions, cost functions, backpropagation, and then a quick dive into CNNs. Next, we'll create a neural network using Keras, followed by an introduction to TensorFlow and TensorBoard. Fo

WSAI 2018 - Unity Technologies, Danny Lange, VP of AI and Machine Learning

🎥 WSAI 2018 - Unity Technologies, Danny Lange, VP of AI and Machine Learning
👁 1 раз ⏳ 1445 сек.
Enterprise Story - Democratising access to superior technology with machine learning agents

Watch Danny Lange, VP of AI and Machine Learning at Unity Technologies on stage at World Summit AI 2018 in Amsterdam.

​Accelerate the Training of Deep Neural Networks with Batch Normalization

https://machinelearningmastery.com/batch-normalization-for-training-of-deep-neural-networks/

🔗 Accelerate the Training of Deep Neural Networks with Batch Normalization
Training deep neural networks with tens of layers is challenging as they can be sensitive to the initial random weights and configuration of the learning algorithm. One possible reason for this difficulty is the distribution of the inputs to layers deep in the network may change after each mini-batch when the weights are updated. This …

Retainer Agreements in AI Consulting
https://towardsdatascience.com/retainer-agreements-in-ai-consulting-f970f6933975?source=collection_home---4------3---------------------

🎥 Beginner Keras / TensorFlow Tutorial for Deep Learning
👁 1 раз ⏳ 1173 сек.
Source Code
http://apmonitor.com/do/index.php/Main/DeepLearning

Deep learning is a type of machine learning with a multi-layered neural network. It is one of many machine learning methods for synthesizing data into a predictive form. Two applications of deep learning are regression (predict outcome) and classification (distinguish among discrete options). In each case, there is training data that is used to adjust weights (unknown parameters) that minimize a loss function (objective function).

A trained m

https://habr.com/ru/post/436306/

Machine Learning для Vertica

#machinelearning #neuralnets #deeplearning #машинноеобучение

Open Questions: Carlos A. Gomez-Uribe
https://towardsdatascience.com/open-questions-carlos-a-gomez-uribe-980c1af1195c?source=collection_home---4------1---------------------

​Python Machine Learning Tutorial #1 - Introduction

🔗 Python Machine Learning Tutorial #1 - Introduction
This is my 2019 python machine learning tutorial introduction. In this video we go through setting up tensorflow and sklearn so that we are ready to start co...

​Introduction to Deep Learning Recitation 1 (AWS)

🔗 Introduction to Deep Learning Recitation 1 (AWS)

​AutoML: Automating the design of machine learning models for autonomous driving

Link: https://medium.com/waymo/automl-automating-the-design-of-machine-learning-models-for-autonomous-driving-141a5583ec2a

#Waymo #automl #DL #selfdriving #Google

🔗 AutoML: Automating the design of machine learning models for autonomous driving
Through a collaboration with Google AI researchers we’re putting cutting-edge research into practice to automatically generate neural nets.

​How I used NLP (Spacy) to screen Data Science Resumes

Example on how #notAIyet can be used to ease day-to-day job.

Link: https://towardsdatascience.com/do-the-keywords-in-your-resume-aptly-represent-what-type-of-data-scientist-you-are-59134105ba0d

#NLP #HR #DL

🔗 How I used NLP (Spacy) to screen Data Science Resumes
Do the keywords in your Resume aptly represent what type of Data Scientist you are?

​Как UEBA помогает повышать уровень кибербезопасности

Организации, которые хотят добавить расширенные аналитические возможности или возможности машинного обучения в свой арсенал ИТ-безопасности, имеют в своем распоряжении относительно новое решение: систему аналитики поведения пользователей и сущностей – User and Entity Behavior Analytics (UEBA).

🔗 Как UEBA помогает повышать уровень кибербезопасности
Организации, которые хотят добавить расширенные аналитические возможности или возможности машинного обучения в свой арсенал ИТ-безопасности, имеют в своем...

​Exploratory Design in Data Visualization

🔗 Exploratory Design in Data Visualization – Towards Data Science
Understanding and leveraging chart similarity

​Github repository of lecture series:

https://github.com/lexfridman/mit-deep-learning?fbclid=IwAR0jLFfsHt4k_7Y3QfT-leXoIhCoDlg3bzjXyBxDX01hJcJkDtKS340OaQU

🔗 lexfridman/mit-deep-learning
Tutorials, assignments, and competitions for MIT Deep Learning related courses. - lexfridman/mit-deep-learning

Exploratory Design in Data Visualization
https://towardsdatascience.com/exploratory-design-in-data-visualization-87bc60ce7f04?source=collection_home---2------0---------------------

https://habr.com/ru/post/436506/

Как без особенных усилий создать ИИ-расиста

#machinelearning #neuralnets #deeplearning #машинноеобучение

Наш телеграмм канал - https://t.me/ai_machinelearning_big_data

​Применяем data science для определения жизненного цикла клиента

Представляю вашему вниманию перевод моей статьи "Understanding the Customer Lifetime Value with Data Science".

Взаимоотношения с клиентами важны для каждой компании и играют ключевую роль в росте бизнеса. Одна из наиболее важных метрик в этой сфере — пожизненная ценность клиента (customer lifetime value, далее LTV) — предсказание чистого дохода, связанного со всеми будущими отношениями с клиентом. Чем дольше клиенты продолжают пользоваться продуктами компании, увеличивая прибыль, тем выше их LTV.

Есть много маркетинговых статей, о том, как важны LTV и сегментирование клиентов. Но, как Data Scientist’а, меня больше интересуют формулы и я хочу понимать, как модель на самом деле работает. Как предсказать LTV, используя только 3 признака? В этом посте я покажу некоторые модели, которые используются для маркетинговой сегментации клиентов и объясню математику, на которой они основаны. Здесь будет много формул, но не переживайте: все уже готово в библиотеках Python. Цель этого блога показать, как математика делает всю работу.

Beta-geometric/negative binomial модель для определения вероятности, что клиент “жив”

Рассмотрим такой пример [из онлайн-сервиса для заказа поездок (такси) по городу]: пользователь зарегистрировался 1 месяц назад, сделал 4 поездки и последняя поездка состоялась 20 дней назад. Основываясь только на этих данных, эта модель может предсказать вероятность, что клиент будет активен в течение определенного периода времени (как показано на графике), а также число транзакций в будущем (которое является основой для понимания ценности клиента в течение всей его “жизни” — взаимоотношений клиента и компании).
https://habr.com/ru/post/436236/

🔗 Применяем data science для определения жизненного цикла клиента
Привет, Хабр! Представляю вашему вниманию перевод моей статьи "Understanding the Customer Lifetime Value with Data Science". Взаимоотношения с клиентами важны...

Simple Yet Practical Analysis of ClinicalTrials.gov
https://towardsdatascience.com/simple-yet-practical-analysis-of-clinicaltrials-gov-f84b367e1e68?source=collection_home---4------5---------------------

​DEEP LEARNING WITH TENSORFLOW TUTORIAL | Introduction to TensorFlow Syntax in 20 Minutes

🔗 DEEP LEARNING WITH TENSORFLOW TUTORIAL | Introduction to TensorFlow Syntax in 20 Minutes
This tutorial will introduce TensorFlow, the second machine learning framework created by Google. ** Expand for some additional INFO and LINKS ** READ IF YOU...

​Data Lit (Music Video)

🔗 Data Lit (Music Video)
Make the data lit! This lyrics of this music video are actually educational and they serve as an introductory lecture on AI. This video also acts as a teaser...

🎥 What do neural networks learn?
👁 1 раз ⏳ 1644 сек.
Blog post: https://brohrer.github.io/what_nns_learn.html
We open the black box of neural networks and take a closer look at what they can actually learn.
This is exploration and exposition in preparation for the next End-to-End Machine Learning course on Udemy: https://www.udemy.com/courses/search/?src=ukw&q=%22Brandon+Rohrer%22

See also
How neural networks work: https://brohrer.github.io/how_neural_networks_work.html
How convolutional neural networks work: https://brohrer.github.io/how_convolutional_neura