🎥 Neural Networks and Deep Learning: Single Perceptron Model For Absolute Beginners | By Dr. Ry
👁 1 раз ⏳ 779 сек.
Hello everyone and welcome to this tutorial on Artificial Neural Networks.

In this tutorial, we will cover the basics of artificial neural networks and we will build a single neuron (perceptron) model from scratch.
After completing this tutorial, students will be able to:

o Understand the theory and intuition behind Artificial neural networks
o Build a single neuron model from scratch
o Understand some terminologies of ANNs parameters such as weights, biases and activation functions
I hope you will enjo

Artistic Style Transfer, Now in 3D!

#StyleTransfer
https://www.youtube.com/watch?v=S7HlxaMmWAU

🎥 Artistic Style Transfer, Now in 3D!
👁 1 раз ⏳ 183 сек.
📝 The paper "Fast Example-Based Stylization with Local Guidance" is available here:
https://dcgi.fel.cvut.cz/home/sykorad/styleblit.html

❤️ Pick up cool perks on our Patreon page: https://www.patreon.com/TwoMinutePapers

🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible:
313V, Alex Haro, Andrew Melnychuk, Angelos Evripiotis, Anthony Vdovitchenko, Brian Gilman, Bruno Brito, Bryan Learn, Christian Ahlin, Christoph Jadanowski, Claudio Fernandes, Daniel Hasegan, Denni

🎥 Владислав Блинов, Валерия Баранова. Deep Learning vs common sense разрабатываем чатбота с умом
👁 1 раз ⏳ 2508 сек.
Для чего действительно нужны нейронные сети? Разбираемся на примере чатбота, когда нужно реализовывать state-of-the-art научную статью, в каких случаях можно обойтись логистической регрессией, а когда лучше вспомнить про старое-доброе префиксное дерево.

Generating Diverse High-Fidelity Images with VQ-VAE-2
https://arxiv.org/pdf/1906.00446.pdf

​Mini Course in Deep Learning with #PyTorch for AIMS
#course #DL

https://github.com/Atcold/pytorch-Deep-Learning-Minicourse

🔗 Atcold/pytorch-Deep-Learning-Minicourse
Minicourse in Deep Learning with PyTorch. Contribute to Atcold/pytorch-Deep-Learning-Minicourse development by creating an account on GitHub.

​PyTorch image models, scripts, pretrained weights — (SE)ResNet/ResNeXT, DPN, EfficientNet, MobileNet-V3/V2/V1, MNASNet, Single-Path NAS, FBNet, and more

https://github.com/rwightman/pytorch-image-models?fbclid=IwAR0QNx9Hui3Tucr04-yR5RlSXF9ApTNcXbMAilZrDnhFDiTy5QduNQQjgqA

🔗 rwightman/pytorch-image-models
PyTorch image models, scripts, pretrained weights -- (SE)ResNet/ResNeXT, DPN, EfficientNet, MobileNet-V3/V2/V1, MNASNet, Single-Path NAS, FBNet, and more - rwightman/pytorch-image-models

​Trail Secrets: An Intelligent Recommendation Engine for Finding Better Hikes

🔗 Trail Secrets: An Intelligent Recommendation Engine for Finding Better Hikes
A full-stack machine learning web application to find better hiking trails

​Погружение в свёрточные нейронные сети. Часть 5 / 1 — 9

https://habr.com/ru/post/456740/

🔗 Погружение в свёрточные нейронные сети. Часть 5 / 1 — 9
Полный курс на русском языке можно найти по этой ссылке. Оригинальный курс на английском доступен по этой ссылке. Выход новых лекций запланирован каждые 2-3 дня...

​The Truth About Open Data

🔗 The Truth About Open Data
Trust • Corruption • Transparency • DataViz • Journalism

Теория вероятностей

- два кубика
- Вася и Петя бросают кубик
- задача про гадание
- задача о разделе ставки
- попытай счастья
- задача про правильный выбор
- Кузнецов и Иванов
- задача Льюиса Кэрролла
- король и туз
- Геометрическая вероятность и задача о встрече в кафе

🎥 Теория вероятностей: два кубика
👁 11022 раз ⏳ 893 сек.
Решение задач по элементарной теории вероятностей сводится к отысканию ответа два вопроса: (1) сколько всего имеется возможных исходов в рассматрив...

🎥 Теория вероятностей: Вася и Петя бросают кубик
👁 2165 раз ⏳ 834 сек.
Решение задач по элементарной теории вероятностей сводится к отысканию ответа два вопроса: (1) сколько всего имеется возможных исходов в рассматрив...

🎥 Теория вероятностей: задача про гадание
👁 1822 раз ⏳ 542 сек.
Решение задач по элементарной теории вероятностей сводится к отысканию ответа два вопроса: (1) сколько всего имеется возможных исходов в рассматрив...

🎥 Теория вероятностей: задача о разделе ставки
👁 1555 раз ⏳ 633 сек.
Решение задач по элементарной теории вероятностей сводится к отысканию ответа два вопроса: (1) сколько всего имеется возможных исходов в рассматрив...

🎥 Теория вероятностей: попытай счастья
👁 1119 раз ⏳ 695 сек.
Решение задач по элементарной теории вероятностей сводится к отысканию ответа два вопроса: (1) сколько всего имеется возможных исходов в рассматрив...

🎥 Теория вероятностей: задача про правильный выбор
👁 1180 раз ⏳ 553 сек.
Решение задач по элементарной теории вероятностей сводится к отысканию ответа два вопроса: (1) сколько всего имеется возможных исходов в рассматрив...

🎥 Условная вероятность: Кузнецов и Иванов
👁 1015 раз ⏳ 439 сек.
Решение задач по элементарной теории вероятностей сводится к отысканию ответа два вопроса: (1) сколько всего имеется возможных исходов в рассматрив...

🎥 Условная вероятность: задача Льюиса Кэрролла
👁 861 раз ⏳ 462 сек.
Решение задач по элементарной теории вероятностей сводится к отысканию ответа два вопроса: (1) сколько всего имеется возможных исходов в рассматрив...

🎥 Комбинаторная вероятность: король и туз
👁 1060 раз ⏳ 635 сек.
Решение задач по элементарной теории вероятностей сводится к отысканию ответа два вопроса: (1) сколько всего имеется возможных исходов в рассматрив...

🎥 Геометрическая вероятность и задача о встрече в кафе
👁 503 раз ⏳ 428 сек.
Решение задач по элементарной теории вероятностей сводится к отысканию ответа два вопроса: (1) сколько всего имеется возможных исходов в рассматрив...

​Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Прикладной анализ текстовых данных на Python - 2019.pdf - 💾10 802 107

​Ищем астероиды — проект «Hubble Asteroid Hunter»
#Обработкаизображений #Машинноеобучение

Центр малых планет (Minor Planet Center, MPC) Смитсоновской астрофизической обсерватории (SAO) и аэрокосмическое агентство NASA запустили проект «Hubble Asteroid Hunter», с помощью которого любой глазастый пользователь компьютера или планшета может помочь астрономам найти треки новых астероидов и внести свой вклад в процесс обучения нейронной сети.

https://habr.com/ru/post/458158/

🔗 Ищем астероиды — проект «Hubble Asteroid Hunter»
Центр малых планет (Minor Planet Center, MPC) Смитсоновской астрофизической обсерватории (SAO) и аэрокосмическое агентство NASA запустили проект «Hubble Astero...

​Learning Data Augmentation Strategies for Object Detection
https://arxiv.org/abs/1906.11172

🔗 Learning Data Augmentation Strategies for Object Detection
Data augmentation is a critical component of training deep learning models. Although data augmentation has been shown to significantly improve image classification, its potential has not been thoroughly investigated for object detection. Given the additional cost for annotating images for object detection, data augmentation may be of even greater importance for this computer vision task. In this work, we study the impact of data augmentation on object detection. We first demonstrate that data augmentation operations borrowed from image classification may be helpful for training detection models, but the improvement is limited. Thus, we investigate how learned, specialized data augmentation policies improve generalization performance for detection models. Importantly, these augmentation policies only affect training and leave a trained model unchanged during evaluation. Experiments on the COCO dataset indicate that an optimized data augmentation policy improves detection accuracy by more than +2.3 mAP, and all

​Impress Onlookers with your newly acquired Shell Skills

🔗 Impress Onlookers with your newly acquired Shell Skills
Shell/Terminal skills in 10 minutes for Data Scientists

​https://research.fb.com/publications/inverse-cooking-recipe-generation-from-food-images

https://github.com/facebookresearch/inversecooking

🔗 Inverse Cooking: Recipe Generation from Food Images
People enjoy food photography because they appreciate food. Behind each meal there is a story described in a complex recipe and, unfortunately, by simply looking at a food image we do not have access to its preparation process. Therefore, in this paper we introduce an inverse cooking system that recreates cooking recipes given food images.

🎥 WIN 20190624 17 32 51 Pro
👁 1 раз ⏳ 9379 сек.

​Создаём нейронную сеть, предсказывающую рак груди за пять минут
#Python,
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
Создать такую нейронную сеть — просто.

Минута первая: введение

Этот высокоуровневый урок рассчитан на новичков в машинном обучении и искусственном интеллекте. Для того, чтобы успешно создать нейронную сеть, необходимо:

Установленный Python;
Как минимум начальный уровень программирования;
Пять минут свободного времени.

Мы пропустим много деталей работы нейронной сети, не будем углубляться в теоретическую часть, а сфокусируемся на предсказании рака за 5 минут.

image

Для построения предсказаний будем использовать имплементацию нейронной сети из библиотеки scikit-learn. Сами же предсказания будут основаны на данных из датасета Калифорнийского университета в Ирвайн “Breast Cancer Wisconsin” (рак груди, Висконсин). На вход нейронной сети подаются свойства клеточных ядер новообразования (например, строение), а на выходе мы получаем предсказание: злокачественное или доброкачественное новообразование.
https://habr.com/ru/post/458232/

🔗 Создаём нейронную сеть, предсказывающую рак груди за пять минут
Привет. Создать такую нейронную сеть — просто. Минута первая: введение Этот высокоуровневый урок рассчитан на новичков в машинном обучении и искусственном инте...

​SpliceRadar: A Learned Method For Blind Image Forensics

Authors: Aurobrata Ghosh, Zheng Zhong, Terrance E Boult, Maneesh Singh

Abstract: …image it provides no insight into the manipulation. Localization helps explain a positive detection by identifying the pixels of the image which have been tampered.

https://arxiv.org/abs/1906.11663

🔗 SpliceRadar: A Learned Method For Blind Image Forensics
Detection and localization of image manipulations like splices are gaining in importance with the easy accessibility of image editing softwares. While detection generates a verdict for an image it provides no insight into the manipulation. Localization helps explain a positive detection by identifying the pixels of the image which have been tampered. We propose a deep learning based method for splice localization without prior knowledge of a test image's camera-model. It comprises a novel approach for learning rich filters and for suppressing image-edges. Additionally, we train our model on a surrogate task of camera model identification, which allows us to leverage large and widely available, unmanipulated, camera-tagged image databases. During inference, we assume that the spliced and host regions come from different camera-models and we segment these regions using a Gaussian-mixture model. Experiments on three test databases demonstrate results on par with and above the state-of-the-art and a good gene

​Stolen Memories: Leveraging Model Memorization for Calibrated White-Box Membership Inference

Authors: Klas Leino, Matt Fredrikson

Abstract: Membership inference (MI) attacks exploit a learned model's lack of generalization to infer whether a given sample was in the model's training set.
https://arxiv.org/abs/1906.11798

🔗 Stolen Memories: Leveraging Model Memorization for Calibrated White-Box Membership Inference
Membership inference (MI) attacks exploit a learned model's lack of generalization to infer whether a given sample was in the model's training set. Known MI attacks generally work by casting the attacker's goal as a supervised learning problem, training an attack model from predictions generated by the target model, or by others like it. However, we find that these attacks do not often provide a meaningful basis for confidently inferring training set membership, as the attack models are not well-calibrated. Moreover, these attacks do not significantly outperform a trivial attack that predicts that a point is a member if and only if the model correctly predicts its label. In this work we present well-calibrated MI attacks that allow the attacker to accurately control the minimum confidence with which positive membership inferences are made. Our attacks take advantage of white-box information about the target model and leverage new insights about how overfitting occurs in deep neural networks; namel