​Collection of MIT courses about Machine Learning
https://deeplearning.mit.edu/

🔗 MIT Deep Learning
Courses on deep learning, deep reinforcement learning (deep RL), and artificial intelligence (AI) taught by Lex Fridman at MIT. Lectures, introductory tutorials, and TensorFlow code (GitHub) open to all.

​Cписок бесплатных Natural Language Processing курсов

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
1)Speech and Language Processing by Dan Jurafsky and James Martin
https://web.stanford.edu/~jurafsky/slp3/

2) Deep Learning for Natural Language Processing by Richard Socher (Stanford University)
https://m.youtube.com/playlist?list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6

3. Natural Language Processing (NLP) by Microsoft
https://www.edx.org/course/natural-language-processing-nlp-2

4. Andrew Ng’s course on Machine Learning
https://www.coursera.org/learn/machine-learning/home/welcome

5. The video lectures and resources for Stanford’s Natural Language Processing with Deep Learning
http://web.stanford.edu/class/cs224n/

https://m.youtube.com/playlist?list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6

6. Sequence Models for Time Series and Natural Language Processing
https://www.coursera.org/learn/sequence-models-tensorflow-gcp?ranMID=40328&ranEAID=SAyYsTvLiGQ&ranSiteID=SAyYsTvLiGQ-ACNikbtJvh2d5Evme5yZQA&siteID=SAyYsTvLiGQ-ACNikbtJvh2d5Evme5yZQA&utm_content=10&utm_medium=partners&utm_source=linkshare&utm_campaign=SAyYsTvLiGQ

7. Deep Natural Language Processing course offered in Hilary Term 2017 at the University of Oxford.
http://www.cs.ox.ac.uk/teaching/courses/2016-2017/dl/

8. Natural Language Processing Fundamentals in Python by Datacamp
https://www.datacamp.com/courses/natural-language-processing-fundamentals-in-python

9 Natural Language Processing by Higher School of Economics
https://www.coursera.org/learn/language-processing?

10 How to Build a Chatbot Without Coding by IBM
https://www.coursera.org/learn/building-ai-powered-chatbots

11. CS 388: Natural Language Processing by University of Texas
https://www.cs.utexas.edu/~mooney/cs388/
12. Natural Language Processing with Python
http://www.nltk.org/book/

13. CSEP 517: Natural Language Processing by University of Washington
https://courses.cs.washington.edu/courses/csep517/17sp/

14. Dan Jurafsky & Chris Manning: Natural Language Processing
https://m.youtube.com/playlist?list=PL8FFE3F391203C98C

15. NATURAL LANGUAGE PROCESSING by Carnegie Mellon University
http://demo.clab.cs.cmu.edu/NLP/

16. CS224n: Natural Language Processing with Deep Learning by Stanford University
http://web.stanford.edu/class/cs224n/

​Multi-Category Visual Complexity Dataset

https://github.com/esaraee/Savoias-Dataset/

🔗 esaraee/Savoias-Dataset
A visual complexity dataset across seven different categories, including Scenes, Advertisements, Visualization and infographics, Objects, Interior design, Art, and Suprematism for computer vision ...

​Мы приглашаем дата сайнтистов принять участие в первом хакатоне ML Art hack
Дата: 29 июня
Место: Люмьер Холл, Санкт-Петербург
Вам предстоит объединиться в команды с медиа-художниками и вместе создать искусство.
В программе воркшопы по ML и TouchDesigner, где медиа художникам расскажем про дата сайнс, а дата сайнтистам — про медиа искусство.
Крутые проекты покажем на самом большом в мире куполе Планетария №1.
Вступайте во встречу фб: https://www.facebook.com/events/413754499175895/
Чтобы принять участие заполните анкету:
https://forms.gle/TbPH2v8SEp7rQPhZ8

🔗 Machine Learning + media art hackathon
Event in Санкт-Петербург by Alex Groznykh and Misha Anoshenko on суббота, июня 29 20196 posts in the discussion.

​Как компьютеры научились потрясающе хорошо распознавать изображения

Сегодня я могу, допустим, открыть Google Photos, написать «пляж», и увидеть кучу своих фотографий с различных пляжей, которые я посетил за последнее десятилетие. И я никогда не подписывал свои фотографии – Google распознаёт на них пляжи на основе их содержания. Эта, казалось бы, скучная особенность основывается на технологии под названием «глубокая свёрточная нейросеть», позволяющая программам понимать изображения при помощи сложного способа, недоступного технологиям предыдущих поколений.

В последние годы исследователи обнаружили, что точность ПО становится лучше по мере того, как они создают всё более глубокие нейросети (НС) и обучают их на всё более крупных наборах данных. Это создало ненасытную потребность в вычислительных мощностях, и обогатило производителей GPU, таких, как Nvidia и AMD. В Google несколько лет назад разработали собственные специальные чипы для НС, а другие компании пытаются угнаться за ней.
https://habr.com/ru/post/455331/

🔗 Как компьютеры научились потрясающе хорошо распознавать изображения
Знаковая научная работа от 2012 года преобразовала область программного распознавания изображений Сегодня я могу, допустим, открыть Google Photos, написать «пл...

​Diving into Google’s Landmark Recognition Kaggle Competition

🔗 Diving into Google’s Landmark Recognition Kaggle Competition
This recent Google Landmark Recognition competition has severely strained my relationship with my internet service provider, my GPUs, and…

🎥 On the Role of Knowledge Graphs for the Adoption of Machine Learning Systems in Industry
👁 2 раз ⏳ 1214 сек.
Presented by Dr. Freddy Lecue, Chief Artificial Intelligence (AI) Scientist at CortAIx (Centre of Research & Technology in Artificial Intelligence eXpertise) at Thales.

http://sps.columbia.edu/executive-education/knowledge-graph-conference/faculty/freddy-lecue-cortaix

Despite a surge of innovation focusing on Machine Learning-based AI systems, major industries remain puzzled about its impact at scale. This is particularly valid in the context of critical systems, as the need of robustness, trust and, in p

​A Gentle Guide to Starting Your NLP Project with AllenNLP

🔗 A Gentle Guide to Starting Your NLP Project with AllenNLP
Say Goodbye to Your Messy Codes!

​Demystifying Startup Equity with Data Science

🔗 Demystifying Startup Equity with Data Science
What percentage of ownership do investors acquire at each financing stage?

​Kernel Secrets in Machine Learning Pt. 2

🔗 Kernel Secrets in Machine Learning Pt. 2
Want to work with kernels in machine learning? Let´s go through a few well-known kernels to get a feel for it!

​Omnidirectional Scene Text Detection arxiv.org/abs/1906.02371

🔗 Omnidirectional Scene Text Detection with Sequential-free Box Discretization
Scene text in the wild is commonly presented with high variant characteristics. Using quadrilateral bounding box to localize the text instance is nearly indispensable for detection methods. However, recent researches reveal that introducing quadrilateral bounding box for scene text detection will bring a label confusion issue which is easily overlooked, and this issue may significantly undermine the detection performance. To address this issue, in this paper, we propose a novel method called Sequential-free Box Discretization (SBD) by discretizing the bounding box into key edges (KE) which can further derive more effective methods to improve detection performance. Experiments showed that the proposed method can outperform state-of-the-art methods in many popular scene text benchmarks, including ICDAR 2015, MLT, and MSRA-TD500. Ablation study also showed that simply integrating the SBD into Mask R-CNN framework, the detection performance can be substantially improved. Furthermore, an experiment on the general

🎥 Deep Learning Frameworks 2019 | Which Deep Learning Framework To Use | Deep Learning | Simplilearn
👁 1 раз ⏳ 1013 сек.
This Deep Learning tutorial covers all the essential Deep Learning frameworks that are necessary to build AI models. In this video, you will learn about the development of essential frameworks such as TensorFlow, Keras, PyTorch, Theano, etc. You will also understand the programming languages used to build the frameworks, the different companies that use these frameworks, the characteristics of these Deep Learning frameworks, and type of models that were built using these frameworks. Now, let us get started

​Context Theory I: Conversation Structure

🔗 Context Theory I: Conversation Structure
Dialogue and Conversational Semantics: Ground, turn-taking, misunderstanding repair, adjacency pairs and more of sequential organization

Deep Learning: 2018-2019, ч.2

5. Нейрон и ООП в Python: семинар
6. Многослойные нейросети и многоклассовая классификация: лекция
6. Многослойные нейросети и введение в PyTorch: семинар
7. Практика обучения нейросетей: семинар 1
7. Практика обучения нейросетей: семинар 2
8. Основы свёрточных нейросетей: лекция
8. Основы свёрточных нейросетей: семинар
9. Беспилотники: лекция от Яндекса
9. Подготовка данных для свёрточных нейросетей: семинар
10. Natural Language Processing: лекция от ABBYY

🎥 5. Нейрон и ООП в Python: семинар
👁 74 раз ⏳ 4598 сек.
На семинаре рассматриваются основы объектно-ориентированного программирования и реализация модели нейрона на языке Python.

Занятие ведёт Григорий ...

🎥 6. Многослойные нейросети и многоклассовая классификация: лекция
👁 111 раз ⏳ 3480 сек.
Время поговорить о том, как устроены многослойные нейросети, а именно самые простые из них -- полносвязные (Fully Connected) нейронные сети.

В нач...

🎥 6. Многослойные нейросети и введение в PyTorch: семинар
👁 87 раз ⏳ 4540 сек.
На семинаре наглядно демонстрируется работа полносвязных многослойных нейросетей с помощью платформы TensorFlow Playground.

Далее рассказывается ...

🎥 7. Практика обучения нейросетей: семинар 1
👁 24 раз ⏳ 6456 сек.
Материалы семинара (cifar10):
https://drive.google.com/open?id=1dvRnC-Y7My8gwD_A2WTrSpSAeQT7Ek7L

Занятие ведёт Татьяна Гайнцева (ФИВТ МФТИ).
---
...

🎥 7. Практика обучения нейросетей: семинар 2
👁 19 раз ⏳ 2646 сек.
Материалы семинара (notMNIST):
https://drive.google.com/open?id=1dvRnC-Y7My8gwD_A2WTrSpSAeQT7Ek7L

Занятие ведёт Михаил Макаров (ФИВТ МФТИ).

---
...

🎥 8. Основы свёрточных нейросетей: лекция
👁 24 раз ⏳ 1936 сек.
Начинается самое интересное -- свёрточные нейросети!

На этой лекции Роман Ушаков (МФТИ, ШАД) рассказывает о том, из чего эти нейросети состоят -- ...

🎥 8. Основы свёрточных нейросетей: семинар
👁 27 раз ⏳ 3905 сек.
На этом занятии Михаил Макаров (ФИВТ МФТИ) рассказывает об операциях свёртки и пулинга на примерах. Во второй части семинара слушатели практикуются...

🎥 9. Беспилотники: лекция от Яндекса
👁 12 раз ⏳ 6710 сек.
🚗 Беспилотные автомобили — популярная и быстро развивающаяся технология. Мы уверены, Вам интересно, что же она из себя представляет, как работает и...

🎥 9. Подготовка данных для свёрточных нейросетей: семинар
👁 8 раз ⏳ 3718 сек.
На этом семинаре Леонид Мурашов (ФИВТ МФТИ) расскажет о том, как правильно готовить данные для обучения свёрточной нейросети и научит своими руками...

🎥 10. Natural Language Processing: лекция от ABBYY
👁 19 раз ⏳ 4866 сек.
Настало время поговорить о том, что такое обработка естественного языка (natural language processing).

Иван Смуров, руководитель группы "Advanced...

​Машинное обучение и анализ данных: магистратура Высшей школы экономики в Санкт-Петербурге

В этом году запускается новая магистерская программа «Промышленное программирование» на факультете «Санкт-Петербургская школа физико-математических и компьютерных наук» Петербургского кампуса Высшей школы экономики. Эта программа, как и магистерская программа «Разработка программного обеспечения» в Университете ИТМО (мы о ней писали тут), создана в сотрудничестве с компанией JetBrains. В данном посте мы расскажем, что объединяет эти две магистратуры и чем они отличаются.
https://habr.com/ru/company/compscicenter/blog/455606/

🔗 Машинное обучение и анализ данных: магистратура Высшей школы экономики в Санкт-Петербурге
В этом году запускается новая магистерская программа «Промышленное программирование» на факультете «Санкт-Петербургская школа физико-математических и компьютер...

🎥 ICML 2019 A Tutorial on Attention in Deep Learning
👁 1 раз ⏳ 7096 сек.

Нe стoй в cтoронe!
Oбвинения в наркоторгoвле корреcпондентa « Mедyзы» — cамый проcтой и дeйcтвенный споcoб посaдить чeлoвeкa. В Pосси – этo нopмaльноe явлениe посадить на дoлгoe вpемя чeлoвeкa, кoтopый выпoлняя cвoю роботy, рaскpывaя прaвдy o коpрyпции, мaхинaцияx cветит угoлoвноe дeлo. Hаpoд, пoдымaет бунт, они бoятьcя, чтo их могут тaк жe зaкpыть нa долгoe вpeмя. Вeдь каждый можeт окaзаться на eго меcте! В Рocсии coтни тысяч людeй нeвинoвныx cидят, вce пoтoмy чтo кoмy-тo еcть, что cкpывaть. Oни бояться, чтo все иx тaйнoe cтанeт явным. Bот и пoдкидывaют нapкотики, избывaют, cадят лишь бы они зaмoлчaли как прoисхoдит этo с Гoлyнoвым.
Ecли Teбe плeвать тo знaй, зaвтpа a мecтe Гoлyновa можeт окaзаться твой дpуг!

🎥 Develop and Deploy Deep Learning Services at the Edge with IBM
👁 1 раз ⏳ 3741 сек.
Learn more about NVIDIA Jetson at https://developer.nvidia.com/embedded-computing

https://developer.nvidia.com/embedded/jetson-ibm-webinar-nv-slides

Challenging Common Assumptions in the Unsupervised Learning of Disentangled
Representations https://arxiv.org/pdf/1811.12359.pdf

​Make your own Recommendation System

🔗 Make your own Recommendation System
Deep dive into what happens behind the scenes when you are busy binge-watching or listening to an automatically curated playlist