​New fast.ai course: A Code-First Introduction to Natural Language Processing

https://www.fast.ai/2019/07/08/fastai-nlp/

Github: https://github.com/fastai/course-nlp

Videos: https://www.youtube.com/playlist?list=PLtmWHNX-gukKocXQOkQjuVxglSDYWsSh9

🔗 Home
Making neural nets uncool again

​Improve data quality by using the pandas library and Python
Technical background (Data Series, Data Frames) and step-by-step tutorial for a real world example.
https://towardsdatascience.com/improve-data-quality-by-using-the-pandas-library-and-python-34fda752a6b5?source=collection_home---4------3-----------------------

🔗 Improve data quality by using the pandas library and Python
Technical background (Data Series, Data Frames) and step-by-step tutorial for a real world example.

Google AI - Vision API Python Tutorial (Part 2): Configuration and Setup
https://www.youtube.com/watch?v=wfyDiLMGqDM

🎥 Google AI - Vision API Python Tutorial (Part 2): Configuration and Setup
👁 1 раз ⏳ 738 сек.
Buy Me a Coffee? https://www.paypal.me/jiejenn/5
Your donation will support me to continue to make more tutorial videos!

In this tutorial we will

1. Create a Google Service Account.
2. Enable Google Vision API service.
3. Download Token JSON file to your PC.
4. Create a Python Virtual Environment.
5. Install Google Cloud Python libraries and Vision API library.
6. Create GOOGLE_APPLICATION_CREDENTIALS environment variable
7. Write our first Python script to construct the Vision API

​Vanilla Deep Q Networks
Deep Q Learning Explained
https://towardsdatascience.com/dqn-part-1-vanilla-deep-q-networks-6eb4a00febfb

🔗 Vanilla Deep Q Networks - Towards Data Science
Deep Q Learning Explained

​Surprising Sorting Tips for Data Scientists
Python, Numpy, Pandas, PyTorch, TensorFlow & SQL
https://towardsdatascience.com/surprising-sorting-tips-for-data-scientists-9c360776d7e

🔗 Surprising Sorting Tips for Data Scientists - Towards Data Science
Python, Numpy, Pandas, PyTorch, TensorFlow & SQL

Курс Байесовские методы в машинном обучении
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🎥 Байесовские методы в машинном обучении. Лекция 1
👁 1 раз ⏳ 5449 сек.
Лектор: профессор Ветров Дмитрий Петрович

🎥 Байесовские методы в машинном обучении. Лекция 2
👁 1 раз ⏳ 3658 сек.
Лектор: профессор Ветров Дмитрий Петрович

🎥 Байесовские методы в машинном обучении. Лекция 3
👁 1 раз ⏳ 4232 сек.
Лектор: профессор Ветров Дмитрий Петрович

🎥 Байесовские методы в машинном обучении. Лекция 4
👁 1 раз ⏳ 5100 сек.
Лектор: профессор Ветров Дмитрий Петрович

🎥 Байесовские методы в машинном обучении. Лекция 5
👁 1 раз ⏳ 4723 сек.
Лектор: профессор Ветров Дмитрий Петрович

🎥 Байесовские методы в машинном обучении. Лекция 7
👁 1 раз ⏳ 5027 сек.
Лектор: профессор Ветров Дмитрий Петрович

🎥 Байесовские методы в машинном обучении. Лекция 6
👁 1 раз ⏳ 5159 сек.
Лектор: профессор Ветров Дмитрий Петрович

🎥 Байесовские методы в машинном обучении. Лекция 8
👁 1 раз ⏳ 5012 сек.
Лектор: профессор Ветров Дмитрий Петрович

🎥 Байесовские методы в машинном обучении. Лекция 9
👁 1 раз ⏳ 4674 сек.
Лектор: профессор Ветров Дмитрий Петрович

🎥 Байесовские методы в машинном обучении. Лекция 10
👁 1 раз ⏳ 4962 сек.
Лектор: профессор Ветров Дмитрий Петрович

​Построение анимационного линейного графика скользящего среднего в R. Получение данных через NBA API

Продолжим анализировать баскетбольные данные с помощью R.

В отличие от прошлой статьи, носившей исключительно развлекательный характер, графики, которые будут построены в данной заметке, могут быть интересны с точки зрения анализа игры команды походу сезона.

А строить мы будем графики скользящего среднего для трёх видов рейтинга команд НБА: атакующего, оборонительного и net-рейтинга (т.е. разницы между первыми двумя). В двух словах о них. Атакующий и оборонительный рейтинги — это количество очков, набранных/пропущенных командой за 100 владений. NET рейтинг — это их разница также на сто владений. Кому интересно узнать о них более подробно, могут прочитать глоссарий на сайте basketball-reference. Там есть формула расчёта, которую я тоже реализовал с помощью R, но так пока и не опубликовал статью об этом.
#DataMining #R #Визуализацияданных
https://habr.com/ru/post/459142/

🔗 Построение анимационного линейного графика скользящего среднего в R. Получение данных через NBA API
Продолжим анализировать баскетбольные данные с помощью R. В отличие от прошлой статьи, носившей исключительно развлекательный характер, графики, которые будут по...

​Dopamine: a research framework for fast prototyping of reinforcement learning algorithms

https://github.com/google/dopamine
#deeplearning

🔗 google/dopamine
Dopamine is a research framework for fast prototyping of reinforcement learning algorithms. - google/dopamine

Евгений Разинков. Лекция 9. Математические основы AdaBoost (курс "Машинное обучение", весна 2019)
#Машинноеобучение
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

https://www.youtube.com/watch?v=G8ChabpYN3g

🎥 Евгений Разинков. Лекция 9. Математические основы AdaBoost (курс "Машинное обучение", весна 2019)
👁 1 раз ⏳ 4760 сек.
Лекция посвящена математическим основам алгоритма AdaBoost.
Рассмотрены следующие вопросы:
- Целевая функция алгоритма AdaBoost
- Вывод целевой функции для обучения очередного слабого классификатора
- Вывод формулы вычисления веса для слабого классификатора
- Вывод формулы обновления весов элементов обучающей выборки.

Евгений Разинков -- к.ф.-м.н., руководитель отдела машинного обучения и компьютерного зрения Группы компаний FIX, ассистент кафедры системного анализа и ИТ института ВМиИТ Казанского федераль

​Batch-Shaped Channel Gated Networks

Authors: Babak Ehteshami Bejnordi, Tijmen Blankevoort, Max Welling

Abstract: We present a method for gating deep-learning architectures on a fine-grained level. Individual convolutional maps are turned on/off conditionally on features in the network. This method allows us to train neural networks with a large capacity, but lower inference time than the full network.
https://arxiv.org/abs/1907.06627

https://www.groundai.com/project/batch-shaped-channel-gated-networks/

🔗 Batch-Shaped Channel Gated Networks
We present a method for gating deep-learning architectures on a fine-grained level. Individual convolutional maps are turned on/off conditionally on features in the network. This method allows us to train neural networks with a large capacity, but lower inference time than the full network. To achieve this, we introduce a new residual block architecture that gates convolutional channels in a fine-grained manner. We also introduce a generally applicable tool "batch-shaping" that matches the marginal aggregate posteriors of features in a neural network to a pre-specified prior distribution. We use this novel technique to force gates to be more conditional on …

​Virtual Characters Learn To Work Out…and Undergo Surgery

🔗 Virtual Characters Learn To Work Out…and Undergo Surgery
📝 The paper "Scalable Muscle-actuated Human Simulation and Control" is available here: http://mrl.snu.ac.kr/research/ProjectScalable/Page.htm ❤️ 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,

​Очень часто человек, разбирающийся в статистике, машинном обучении и программировании, не может найти достойную работу. Почему? Возможно у него нет корректно составленного портфолио, демонстрирующего его профессионализм и потенциал.

Как грамотно составить портфолио Data Scientist'а и выгодно преподнести свои навыки работодателю? Читайте в статье.

https://clc.to/a8yi1A

🔗 Как сделать портфолио исследователя данных - SkillFactory
Как сделать портфолио Data Scientist? Как правильно оформить партфолио для Data Scientist? SkillFactory

Implementing Deep Learning Papers - Deep Deterministic Policy Gradients (using Python)
https://www.youtube.com/watch?v=GJJc1t0rtSU

🎥 Implementing Deep Learning Papers - Deep Deterministic Policy Gradients (using Python)
👁 1 раз ⏳ 10631 сек.
In this intermediate deep learning tutorial, you will learn how to go from reading a paper on deep deterministic policy gradients to implementing the concepts in Tensorflow. This process can be applied to any deep learning paper, not just deep reinforcement learning.

In the second part, you will learn how to code a deep deterministic policy gradient (DDPG) agent using Python and PyTorch, to beat the continuous lunar lander environment (a classic machine learning problem).

DDPG combines the best of Deep Q

​Interactive Data Visualization
Creating interactive plots and widgets for Data Visualization using Python libraries such as: Plotly, Bokeh, nbinteract
https://towardsdatascience.com/interactive-data-visualization-167ae26016e8?source=collection_home---4------0-----------------------

🔗 Interactive Data Visualization - Towards Data Science
Creating interactive plots and widgets for Data Visualization using Python libraries such as: Plotly, Bokeh, nbinteract, etc...

​Audio AI: isolating instruments from stereo music using Convolutional Neural Networks
hacking music towards the democratization of derivative content
https://towardsdatascience.com/audio-ai-isolating-instruments-from-stereo-music-using-convolutional-neural-networks-584ababf69de?source=collection_home---4------0-----------------------

🔗 Audio AI: isolating instruments from stereo music using Convolutional Neural Networks
hacking music towards the democratization of derivative content

#TensorFlow Extended (TFX): Machine Learning Pipelines

🎥 TensorFlow Extended (TFX): Machine Learning Pipelines
👁 1 раз ⏳ 2734 сек.
Speaker: Martin Andrews

Event: Google I/O Recap 2019 Singapore AI - From Model to Device by BigDataX

Event Page: https://www.meetup.com/BigDataX/events/262196916/

Produced by Engineers.SG

Help us caption & translate this video!

https://amara.org/v/qDUx/

Webinar-Introduction to Deep Learning and Neural Networks | Great Learning
https://www.youtube.com/watch?v=3k1RAwxzOdM

🎥 Webinar-Introduction to Deep Learning and Neural Networks | Great Learning
👁 1 раз ⏳ 5001 сек.
Polish your concept of Deep Learning and Neural Networks with this basic session. This session is for all those who are looking for a quick overview of the concepts of this topic. In this session concepts like Linear Algebra, Vectors, Optimization, Basics of Neural Networks, etc are discussed along with examples at a conceptual level.

​Artificial Stupidity: бот, который мне не помог

Искусственный интеллект
Привет Хабр! После прочтения пары дайджестов про полезные сервисы на базе искусственного интеллекта я решил попробовать такой сервис по автоматизированному поиску работы, где с вами общается бот-ассистент. Встречайте: newton.ai. Через полчаса я был зол.
https://habr.com/ru/post/460251

🔗 Artificial Stupidity: бот, который мне не помог
Привет Хабр! После прочтения пары дайджестов про полезные сервисы на базе искусственного интеллекта я решил попробовать такой сервис по автоматизированному поиск...

​how weak supervision can train deep learning models using unlabeled cardiac MRI sequences/videos

Key idea: use Snorkel to transform cardiologist domain knowledge into labeling functions —simple rules which capture information about our task— to take advantage of the massive scale of unlabeled imaging data available in biobank.

This lets us rapidly build training sets for classification tasks such as bicuspid aortic valve, where a Snorkel-based approach improved our end model F1 performance by 64%.

This lets us rapidly build training sets for classification tasks such as bicuspid aortic valve, where a Snorkel-based approach improved our end model F1 performance by 64%.
https://www.nature.com/articles/s41467-019-11012-3

🔗 Weakly supervised classification of aortic valve malformations using unlabeled cardiac MRI sequences
The availability of labelled training data is one of the practical obstacles towards wide application of machine learning models in medicine. Here the authors develop a weakly supervised deep learning model for the classification of aortic malformations using unlabelled cardiac MRI sequences from the UK biobank.

​Video classification with Keras and Deep Learning

https://www.pyimagesearch.com/2019/07/15/video-classification-with-keras-and-deep-learning/

🔗 Video classification with Keras and Deep Learning - PyImageSearch
In this tutorial, you will learn how to perform video classification using Keras, Python, and Deep Learning.