​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

​Machine Learning Clustering: DBSCAN Determine The Optimal Value For Epsilon (EPS) Python Example

🔗 Machine Learning Clustering: DBSCAN Determine The Optimal Value For Epsilon (EPS) Python Example
Density-Based Spatial Clustering of Applications with Noise, or DBSCAN for short, is an unsupervised machine learning algorithm…

​Log Book —Guide to Excel & Outlook email Delivery Automation via Python

🔗 Log Book —Guide to Excel & Outlook email Delivery Automation via Python
This article is divided into 2 parts, first part deals with the generation of image/PDF from an excel and next part attaching the same in…

​Tips, Tricks, Hacks, and Magic: How to Effortlessly Optimize Your Jupyter Notebook

🔗 Tips, Tricks, Hacks, and Magic: How to Effortlessly Optimize Your Jupyter Notebook
The complete beginner’s guide to making Jupyter Notebooks better, faster, stronger, smoother, and just plain awesome

​Authors: Dmitriy Smirnov, Mikhail Bessmeltsev, Justin Solomon

Abstract : smooth shapes and, to counter the ambiguity, put manually-designed priors on the 3D shape; they also typically require clean, vectorized input. Recent approaches attempt to learn those priors from data but often produce low-quality output.
https://arxiv.org/abs/1906.12337

🔗 Deep Sketch-Based Modeling of Man-Made Shapes
Sketch-based modeling aims to model 3D geometry using a concise and easy to create---but extremely ambiguous---input: artist sketches. Most conventional sketch-based modeling systems target smooth shapes and, to counter the ambiguity, put manually-designed priors on the 3D shape; they also typically require clean, vectorized input. Recent approaches attempt to learn those priors from data but often produce low-quality output. Focusing on piecewise-smooth man-made shapes, we address these issues by presenting a deep learning-based system to infer a complete man-made 3D shape from a single bitmap sketch. Given a sketch, our system infers a set of parametric surfaces that realize the drawing in 3D. To capture the piecewise smooth geometry of man-made shapes, we learn a special shape representation---a deformable parametric template composed of Coons patches. Naively training such a system, however, would suffer from lack of data and from self-intersections of the parametric surfaces. To address this, we introduc

​Two Sigma: Using News to Predict Stock Movements

🔗 Two Sigma: Using News to Predict Stock Movements
Use news analytics to predict stock price performance

​Explainability-the next frontier

🔗 Explainability-the next frontier
Why uncertainty is a feature of AI, not a bug

​Яндекс открывает датасеты Толоки для исследователей

Толока — крупнейший источник размеченных людьми данных для задач машинного обучения. Каждый день в Толоке десятки тысяч исполнителей производят более 5 миллионов оценок. Для любых исследований и экспериментов, связанных с машинным обучением, необходимы большие объёмы качественных данных. Поэтому мы начинаем публиковать открытые датасеты для академических исследований в разных предметных областях.

Сегодня мы поделимся ссылками на первые публичные датасеты и расскажем о том, как они собирались. А ещё подскажем, где же правильно ставить ударение в названии нашей платформы
https://habr.com/ru/company/yandex/blog/458326/

🔗 Яндекс открывает датасеты Толоки для исследователей
Толока — крупнейший источник размеченных людьми данных для задач машинного обучения. Каждый день в Толоке десятки тысяч исполнителей производят более 5 миллионов...

​max-andr/provably-robust-boosting

🔗 max-andr/provably-robust-boosting
Provably Robust Boosted Decision Stumps and Trees against Adversarial Attacks [preprint, June 2019] - max-andr/provably-robust-boosting

​Linear Algebra. Polynoms. Interpolation. Least squares

🔗 Linear Algebra. Polynoms. Interpolation. Least squares
In this part of lectures we will talk about simplest “ml models” — polynoms.

​TJBOT как иллюстрация IBM Watson services

#Машинноеобучение,
Весной 2019 года прошел очередной Think Developers Workshop, на котором все желающие могли собрать картонного робота TJBota под управлением IBM Watson Services. Под катом находится подробная инструкция, из чего и как собрать такого робота, полезные ссылки и простейшие рецепты, демонстрирующие некоторые когнитивные возможности сервисов Watson, а также небольшой анонс двух июльских семинаров о Watson Services в московском офисе IBM.
https://habr.com/ru/company/ibm/blog/458374/

🔗 TJBOT как иллюстрация IBM Watson services
Привет, Хабр! Весной 2019 года прошел очередной Think Developers Workshop, на котором все желающие могли собрать картонного робота TJBota под управлением IBM Wat...

​How to Develop a GAN for Generating Small Color Photographs of Objects

https://machinelearningmastery.com/how-to-develop-a-generative-adversarial-network-for-a-cifar-10-small-object-photographs-from-scratch/

🔗 How to Develop a GAN for Generating Small Color Photographs of Objects
Generative Adversarial Networks, or GANs, are an architecture for training generative models, such as deep convolutional neural networks for generating images. Developing a GAN for generating images requires both a discriminator convolutional neural network model for classifying whether a given image is real or generated and a generator model that uses inverse convolutional layers to …

​AI Differential Privacy and Federated Learning

🔗 AI Differential Privacy and Federated Learning
Use of Artificial Intelligence on users sensitive data has recently raised many concerns. Different solutions are now being investigated.

​Press Coverage of the early 2020 Primary

🔗 Press Coverage of the early 2020 Primary
Observations of the early press coverage in the 2020 Democratic presidential primary race

​Опыт разработки требований к профессиональным качествам data scientist

Сегодня практически любой бизнес ощущает потребность в исследовании данных. Data science не воспринимается как нечто новое. Тем не менее, не для всех очевидно, каким должен быть нанимаемый специалист.

Данная статья написана не HR-специалистом, а дата сайнтистом, поэтому стилистика изложения весьма специфична, но в этом есть и преимущество – это взгляд изнутри, позволяющий понять, какие качества data scientist являются необходимыми для профессии, для того, чтобы компания могла положиться на такого человека.

Пролог

Пришло время, когда data science стартап вырос из пеленок — число задач для анализа возросло с непредвиденной скоростью, и эта скорость сразу же перестала компенсироваться автоматизацией. Стало очевидно, что нужны новые мозги в команду…

Как мне сначала казалось, человек требовался вполне определенный: всего лишь обычный дата-что-то-там… программист, аналитик, статистик. Так в чем же сложность составить список требований?

“В инженерном деле, если не знаете, что делаете — не стоит этого делать.”
Ричард Хэмминг

Подошел я к делу как обычно. Достал два листа бумаги. Один озаглавил «Технические навыки», другой — «Профессиональные качества». После этого возникло желание полезть на какой-нибудь ресурс, найти там пачку резюме, выписать списки качеств, выбрать те, что понравятся. Но что-то меня остановило. “Это не мой способ, — сказал я себе. — Я в этом не разбираюсь. Я разбираюсь в задачах..”
https://habr.com/ru/post/457630/

🔗 Опыт разработки требований к профессиональным качествам data scientist
Сегодня практически любой бизнес ощущает потребность в исследовании данных. Data science не воспринимается как нечто новое. Тем не менее, не для всех очевидно, к...

​Neural Decipherment via Minimum-Cost Flow: from Ugaritic to Linear B

https://arxiv.org/abs/1906.06718

🔗 Neural Decipherment via Minimum-Cost Flow: from Ugaritic to Linear B
In this paper we propose a novel neural approach for automatic decipherment of lost languages. To compensate for the lack of strong supervision signal, our model design is informed by patterns in language change documented in historical linguistics. The model utilizes an expressive sequence-to-sequence model to capture character-level correspondences between cognates. To effectively train the model in an unsupervised manner, we innovate the training procedure by formalizing it as a minimum-cost flow problem. When applied to the decipherment of Ugaritic, we achieve a 5.5% absolute improvement over state-of-the-art results. We also report the first automatic results in deciphering Linear B, a syllabic language related to ancient Greek, where our model correctly translates 67.3% of cognates.