​Beating State of the Art by Tuning Baselines

🔗 Beating State of the Art by Tuning Baselines
Evaluating ML models by comparing to a baseline is popular, but how do we know if that baseline is as good as it could be?

​Submodular Batch Selection for Training Deep Neural Networks
https://arxiv.org/abs/1906.08771

🔗 Submodular Batch Selection for Training Deep Neural Networks
Mini-batch gradient descent based methods are the de facto algorithms for training neural network architectures today. We introduce a mini-batch selection strategy based on submodular function maximization. Our novel submodular formulation captures the informativeness of each sample and diversity of the whole subset. We design an efficient, greedy algorithm which can give high-quality solutions to this NP-hard combinatorial optimization problem. Our extensive experiments on standard datasets show that the deep models trained using the proposed batch selection strategy provide better generalization than Stochastic Gradient Descent as well as a popular baseline sampling strategy across different learning rates, batch sizes, and distance metrics.

🎥 Stanford CS230: Deep Learning | Lecture 5 - AI + Healthcare
👁 1 раз ⏳ 5178 сек.
Stanford CS230: Deep Learning | Lecture 5 - AI in Healthcare.

Andrew Ng, Adjunct Professor & Kian Katanforoosh, Lecturer - Stanford University htt...

​Создаем прототип для Sentiment Analysis с помощью Python и TextBlob

Что важно для команды разработчиков, которая только начинает строить систему, базирующуюся на машинном обучении? Архитектура, компоненты, возможности тестирования с помощью интеграционных и юнит тестов, сделать прототип и получить первые результаты. И далее к оценке трудоемкости, планированию разработки и реализации.

В этой статье речь пойдет как раз о прототипе. Который был создан через некоторое время после разговора с Product Manager: а почему бы нам не «пощупать» Machine Learning? В частности, NLP и Sentiment Analysis?
https://habr.com/ru/post/457168/

🔗 Создаем прототип для Sentiment Analysis с помощью Python и TextBlob
Что важно для команды разработчиков, которая только начинает строить систему, базирующуюся на машинном обучении? Архитектура, компоненты, возможности тестирован...

​Освобождаем руки нескольким аналитикам: API Livy для автоматизации типовых банковских задач
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

Не секрет, что для оценки платежеспособности клиентов банки используют данные из различных источников (кредитное бюро, мобильные операторы и т.д.). Количество внешних партнёров может достигать нескольких десятков, а аналитиков в нашей команде наберётся лишь несколько человек. Возникает задача оптимизации работы небольшой команды и передачи рутинных задач вычислительным системам.

Как данные попадают в банк, и как команда аналитиков следит за этим процессом, разберём в данной статье.
https://habr.com/ru/company/homecredit/blog/457096/

🔗 Освобождаем руки нескольким аналитикам: API Livy для автоматизации типовых банковских задач
Привет, Хабр! Не секрет, что для оценки платежеспособности клиентов банки используют данные из различных источников (кредитное бюро, мобильные операторы и т.д.)...

🎥 Internet of Things for Everything: Equipment Maintenance Advisor
👁 1 раз ⏳ 1353 сек.
IBM Maximo APM Equipment Maintenance Assistant augments your asset maintenance program with machine learning techniques and AI tools. This powerful...

🎥 Training & Testing Deep reinforcement learning (DQN) Agent - Reinforcement Learning p.6
👁 1 раз ⏳ 2917 сек.
Welcome to part 2 of the deep Q-learning with Deep Q Networks (DQNs) tutorials. In the previous tutorial, we were working on our DQNAgent class, an...

​Saving £millions for the NHS with Pandas

🔗 Saving £millions for the NHS with Pandas
Showing how the UK National Health Service can use the data analysis tool, Pandas, to save millions of pounds on pharmaceutical costs.

​Using Artificial Intelligence Methods To Win In Poker

🔗 Using Artificial Intelligence Methods To Win In Poker
Originally written in 2015, this articles reviews the state-of-the-art in poker research at the time & how BCI technology can influence it.

​Understanding Gradient Boosting Machines — using XGBoost and LightGBM parameters

🔗 Understanding Gradient Boosting Machines — using XGBoost and LightGBM parameters
A quick, practical introduction to GBMs so you can stop using them as black-boxes

🎥 Machine Learning Sentiment Analysis And Word Embeddings Python Keras Example
👁 1 раз ⏳ 695 сек.
In this video, we cover word embeddings and how they relate to machine learning. Specifically, we walk through an example of how to implement sentiment analysis using word embeddings in Python.

CONNECT
Site: https://coryjmaklin.com/
Medium: https://medium.com/@corymaklin
GitHub: https://github.com/corymaklin
Twitter: https://twitter.com/CoryMaklin
Linkedin: https://www.linkedin.com/in/cory-makl...
Facebook: https://www.facebook.com/cory.maklin
Patreon: https://www.patreon.com/corymaklin

​An introduction to high-dimensional hyper-parameter tuning

🔗 An introduction to high-dimensional hyper-parameter tuning
Best practices for optimizing ML models

🎥 Распознавание человека по лицу | Проекты по нейросетям
👁 4644 раз ⏳ 871 сек.
Проект распознавания и верификации человека по лицу с помощью глубоких нейронных сетей.
Проекты по глубоким нейронным сетям - https://goo.gl/Bqnpc...

🎥 13 - ML & CV. Семинар: Строим первую нейронную сеть
👁 1 раз ⏳ 981 сек.
Лектор: Игорь Слинько

Код доступен в репозитории курса https://github.com/SlinkoIgor/Neural_Networks_and_CV/blob/master/module03_sin_prediction.ip...

​Demystifying Tensorflow Time Series: Local Linear Trend

🔗 Demystifying Tensorflow Time Series: Local Linear Trend
Learn how Tensorflow uses linear dynamical system, Kalman filter and variational inference to model time series and make predictions.

​Unsupervised State Representation Learning in Atari

🔗 Unsupervised State Representation Learning in Atari
State representation learning, or the ability to capture latent generative factors of an environment, is crucial for building intelligent agents that can perform a wide variety of tasks. Learning such representations without supervision from rewards is a challenging open problem. We introduce a method that learns state representations by maximizing mutual information across spatially and temporally distinct features of a neural encoder of the observations. We also introduce a new benchmark based on Atari 2600 games where we evaluate representations based on how well they capture the ground truth state variables. We believe this new framework for evaluating representation learning models will be crucial for future representation learning research. Finally, we compare our technique with other state-of-the-art generative and contrastive representation learning methods.

🎥 PyData-трек
👁 6 раз ⏳ 14018 сек.
___________________________

ТЕХНОСТРИМ - образовательный канал для IT специалистов.
___________________________

ПОДПИСЫВАЙСЯ, ЕСЛИ ТЕБЕ ИНТЕРЕСНО...

🎥 Explaining AI: Putting Theory into Practice | Data Council SF '19
👁 1 раз ⏳ 2471 сек.
Download Slides: https://www.datacouncil.ai/talks/building-explainable-ai

WANT TO EXPERIENCE A TALK LIKE THIS LIVE?

Barcelona: https://www.dataco...

​Stand Up for Best Practices:

🔗 Stand Up for Best Practices:
Misuse of Deep Learning in Nature’s Earthquake Aftershock Paper

​Benchmarking Python Distributed AI Backends with Wordbatch

🔗 Benchmarking Python Distributed AI Backends with Wordbatch
A comparison of the three major backend schedulers: Spark, Dask and Ray