🎥 Свёрточные нейронные сети: классификация кошек и собак, ImageDataGenerator, переобучение.
👁 1 раз ⏳ 2629 сек.
⚡⚡⚡ В этой обучающей части мы обсудим то, каким образом можно классифицировать изображения кошек и собак. Мы разработаем классификатор изображений с использованием tf.keras.Sequential-модели, а для загрузки данных воспользуемся tf.keras.preprocessing.image.ImageDataGenerator.

Идеи, которые будут затронуты в этой части:

Мы получим практический опыт разработки классификатора и разовьём интуитивное понимание следующих концепций:

Построение модели потока данных (data input pipelines) с использованием tf.

​This Jello Simulation Uses Only 88 Lines of Code

🔗 This Jello Simulation Uses Only 88 Lines of Code
📝 The paper "Moving Least Squares MPM with Compatible Particle-in-Cell" is available here: https://github.com/yuanming-hu/taichi_mpm The Taichi framework: http://taichi.graphics/ ❤️ 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 Jadanowsk

​Визуализация количества побед у команд НБА с помощью анимационных столбиковых диаграмм в R

🔗 Визуализация количества побед у команд НБА с помощью анимационных столбиковых диаграмм в R
Для начала небольшая вводная информация. Меня зовут Владислав и моё знакомство с R состоялось в августе прошлого года. Изучать язык программирования я решил по п...

​Support Vector Machines for Classification - Oscar Contreras Carrasco - Medium

🔗 Support Vector Machines for Classification - Oscar Contreras Carrasco - Medium
Learn about Support Vector Machines in depth, from intuition to implementation

​Нейросеть определила авторство спорных песен группы The Beatles

🔗 Нейросеть определила авторство спорных песен группы The Beatles
Исследователи из Гарварда проанализировали 8 наиболее спорных песен группы The Beatles, чтобы определить, кому на самом деле принадлежит их авторство.

​The Misconceptions of AI - Data Driven Investor - Medium

🔗 The Misconceptions of AI - Data Driven Investor - Medium
Did you know that 40% of the start-ups in Europe who claim to use AI actually use machine learning instead.

​Beyond Graph Convolution Networks

🔗 Beyond Graph Convolution Networks
A dive into advanced Graph Neural Network architectures

​Reinforcement Learning: beyond the supervised and unsupervised ways

🔗 Reinforcement Learning: beyond the supervised and unsupervised ways
In Machine Learning, there are two main ways you could train your model depending on the type of data you are provided with:

🎥 TensorFlow Extended: An end-to-end machine learning platform for TensorFlow - Robert Crow
👁 1 раз ⏳ 2506 сек.
TensorFlow Extended: An end-to-end machine learning platform for TensorFlow

As machine learning evolves from experimentation to serving production workloads, so does the need to effectively manage the end-to-end training and production workflow including model management, versioning, and serving. TFX together with Apache Beam and Apache Flink unlocks new and exciting use cases. Clemens Mewald offers an overview of TensorFlow Extended (TFX), the end-to-end machine learning platform for TensorFlow that power

🎥 Feature Selection for Machine Learning in Python
👁 1 раз ⏳ 3087 сек.
Features with a high percentage of missing values
Collinear (highly correlated) features
Features with zero importance in a tree-based model
Features with low importance
Features with a single unique value

​Нейросети и глубокое обучение, глава 3, ч.1: улучшение способа обучения нейросетей
#Python
#Искусственныйинтеллект

Содержание
Когда человек учится играть в гольф, большую часть времени он обычно проводит за постановкой базового удара. К другим ударам он подходит потом, постепенно, изучая те или иные хитрости, основываясь на базовом ударе и развивая его. Сходным образом мы пока что фокусировались на понимании алгоритма обратного распространения. Это наш «базовый удар», основа для обучения для большей части работы с нейросетями (НС). В этой главе я расскажу о наборе техник, которые можно использовать для улучшения нашей простейшей реализации обратного распространения, и улучшить способ обучения НС.

Среди техник, которым мы научимся в этой главе: лучший вариант на роль функции стоимости, а именно функция стоимости с перекрёстной энтропией; четыре т.н. метода регуляризации (регуляризации L1 и L2, исключение нейронов [dropout], искусственное расширение обучающих данных), улучшающих обобщаемость наших НС за пределы обучающих данных; лучший метод инициализации весов сети; набор эвристических методов, помогающих выбирать хорошие гиперпараметры для сети. Я также рассмотрю и несколько других техник, чуть более поверхностно. Эти обсуждения по большей части не зависят друг от друга, поэтому их можно по желанию перепрыгивать. Мы также реализуем множество технологий в рабочем коде и используем их для улучшения результатов, полученных для задачи классификации рукописных цифр, изученной в главе 1.
https://habr.com/ru/post/458724/

🔗 Нейросети и глубокое обучение, глава 3, ч.1: улучшение способа обучения нейросетей
Содержание Глава 1: использование нейросетей для распознавания рукописных цифр Глава 2: как работает алгоритм обратного распространения Глава 3: ч.1: улучшение с...

​Deep Learning for NLP: ANNs, RNNs and LSTMs explained!

🔗 Deep Learning for NLP: ANNs, RNNs and LSTMs explained!
Learn about Artificial Neural Networks, Deep Learning, Recurrent Neural Networks and LSTMs like never before and use NLP to build a…

​How to create your own Question-Answering system easily with python

🔗 How to create your own Question-Answering system easily with python
How to create a QA System on your own (private) data with cdQA-suite

​A Novel Deep Learning Pipeline for Retinal Vessel Detection in Fluorescein Angiography

Authors: Li Ding, Mohammad H. Bawany, Ajay E. Kuriyan, Rajeev S. Ramchandran, Charles C. Wykoff, Gaurav Sharma
https://arxiv.org/abs/1907.02946

🔗 A Novel Deep Learning Pipeline for Retinal Vessel Detection in Fluorescein Angiography
While recent advances in deep learning have significantly advanced the state of the art for vessel detection in color fundus (CF) images, the success for detecting vessels in fluorescein angiography (FA) has been stymied due to the lack of labeled ground truth datasets. We propose a novel pipeline to detect retinal vessels in FA images using deep neural networks that reduces the effort required for generating labeled ground truth data by combining two key components: cross-modality transfer and human-in-the-loop learning. The cross-modality transfer exploits concurrently captured CF and fundus FA images. Binary vessels maps are first detected from CF images with a pre-trained neural network and then are geometrically registered with and transferred to FA images via robust parametric chamfer alignment to a preliminary FA vessel detection obtained with an unsupervised technique. Using the transferred vessels as initial ground truth labels for deep learning, the human-in-the-loop approach progressively improves

Top 6 Courses for AI & ML
https://www.youtube.com/watch?v=tjpR5WWN3CU

🎥 Top 6 Courses for AI & ML | Learning AI & ML Made Easy | Eduonix
👁 1 раз ⏳ 425 сек.
AI & ML is emerging these days and many companies are adopting it. Because of this, numerous developers are showing interest in it and wants to learn the same. For this, we bring you 6 best AI & ML related courses which you can take right now!

Top 6 courses covered -
[01:21] - Learn Machine Learning By Building Projects
[02:34] - Mathematical Foundation for Machine Learning
[03:27] - Machine Learning for Absolute Beginner
[04:19] - Machine Learning with Tensorflow
[04:51] - Machine Learning Basics
[05:

​Rainbow is all you need!
This is a step-by-step tutorial from DQN to Rainbow. Every chapter contains both of theoretical backgrounds and object-oriented implementation. Just pick any topic in which you are interested, and learn! You can execute them right away with Colab even on your smartphone.
https://github.com/Curt-Park/rainbow-is-all-you-need

🔗 Curt-Park/rainbow-is-all-you-need
Rainbow is all you need! Step-by-step tutorials from DQN to Rainbow - Curt-Park/rainbow-is-all-you-need

🎥 Deep Learning (Neural Net) with Google Colab - DIY-10
👁 1 раз ⏳ 815 сек.
Writing a Deep Learning model in Google Colab?
What is Deep Learning / Neural Net getting started?
Deep Learning Neural Net with Google Colab - DIY-10 - Do it yourself

Google Drive Link: https://drive.google.com/open?id=1skR85RuWab3J9y-7ashyIBpBZDNN8XLx


Bharati DW Consultancy
cell: +1-562-646-6746
email: bharati.dwconsultancy@gmail.com
website: http://www.bharaticonsultancy.in
http://bharatidwconsultancy.blogspot.com
Twitter: @BharatDWCons
Youtube: BharatiDWConsultancy
Whatsapp: +1-562-646-6746 (+1-5

🎥 5 Steps to Machine Learning & AI
👁 1 раз ⏳ 957 сек.
In this video Walker Reynolds explains the path to machine learning and artificial intelligence in 5 easy steps.

1. Understand What is Machine Learning? What is Artificial Intelligence?

2. Define how ML & AI can help my business.

3. Get all data (Edge, SCADA, MES, ERP) to a unified namespace

4. Map your data into IoT Hub. (AWS, Google Cloud, Azure)

5. Pilot your machine learning project.

Thanks for watching!

Subscribe!
http://bit.ly/SubToIntellic

Follow us on LinkedIn!
http://bit.ly/IntellicLinkedIn

🎥 Machine Learning - CS50 Podcast, Ep. 6
👁 1 раз ⏳ 1705 сек.
The CS50 Podcast is hosted by CS50's own David J. Malan and Brian Yu at Harvard University. Each episode focuses on (and explains!) current events and news in tech and computer science more generally.

In this week's episode of the CS50 Podcast, Brian Yu joins David as co-host for the first time and the two share a discussion of a topic very much in vogue: machine learning.

This is the CS50 Podcast.

Links to the articles in this episode:

IBM Gets Green Light For AI-Managed Traffic Lights
https://www.tech

🎥 The Future of Machine Learning is Tiny - Pete Warden (Google)
👁 1 раз ⏳ 192 сек.
There are over 250 billion embedded devices active in the world, and the number shipped is growing by 20% every year. They are gathering massive amounts of sensor data, far more than can ever be transmitted or processed in the cloud.

On-device machine learning gives us the ability to turn this wasted data into actionable information, and will enable a massive number of new applications over the next few years. Pete Warden digs into why embedded machine learning is so important, how to implement it on exist