🎥 Машинное обучение. Лекция 1
👁 4 раз ⏳ 5108 сек.
Распознавание и синтез речи, мультимодальная биометрия
http://www.speechpro.ru/
STC ML School 2019 19.07

​Робот, который поедет за вашей улыбкой. Делаем дешевую тележку для изучения ROS.Часть 1-я, железная

Начав изучать ROS (Robotic operation system), сначала поражаешься, как тут «все сложно», от количества информации про топики, ноды,actions голова идет кругом. И, первое желание — вернуться в управлении роботом на старые добрые скрипты. Но нет. Каждый взрослый мужчина должен собрать для мужчины поменьше что-то, что бы ездило, мигало, пищало. В качестве платформы была выбрана ROS, так как все же это следующий шаг в развитии роботов в мире бездушных ардуино. Предлагается собрать ROS «тележку», которая будет не только дешевая, но и функциональная: сможет поехать по линии на полу, вашим котом, вашим телом :)
https://habr.com/ru/post/460755/

🔗 Робот, который поедет за вашей улыбкой. Делаем дешевую тележку для изучения ROS.Часть 1-я, железная
Начав изучать ROS (Robotic operation system), сначала поражаешься, как тут «все сложно», от количества информации про топики, ноды,actions голова идет кругом. И,...

​huggingface/pytorch-transformers

🔗 huggingface/pytorch-transformers
👾 A library of state-of-the-art pretrained models for Natural Language Processing (NLP) - huggingface/pytorch-transformers

​R Squared Interpretation | R Squared Linear Regression

🔗 R Squared Interpretation | R Squared Linear Regression
How to calculate and interpret R Squared. An example which covers the meaning of the R Squared score in relation to linear regression.

​Creating a License Plate Reading iOS Application Using OCR Technologies and CoreData
Full tutorial using different libraries — TesseractOCRiOS, SwiftOCR, and Google MLVision | Can we beat Google?

🔗 Creating a License Plate Reading iOS Application Using OCR Technologies and CoreData
Full tutorial using different libraries — TesseractOCRiOS, SwiftOCR, and Google MLVision | Can we beat Google?

​Нейросети и глубокое обучение, глава 3, ч.3: как выбрать гиперпараметры нейросети?

До сих пор я не объяснял, как я выбираю значения гиперпараметров – скорость обучения η, параметр регуляризации λ, и так далее. Я просто выдавал неплохо работающие значения. На практике же, когда вы используете нейросеть для атаки на проблему, может быть сложно найти хорошие гиперпараметры. Представьте, к примеру, что нам только что рассказали о задаче MNIST, и мы начали работать над ней, ничего не зная по поводу величин подходящих гиперпараметров. Допустим, что нам случайно повезло, и в первых экспериментах мы выбрали многие гиперпараметры так, как уже делали в этой главе: 30 скрытых нейронов, размер мини-пакета 10, обучение за 30 эпох и использование перекрёстной энтропии. Однако мы выбрали скорость обучения η=10,0, и параметр регуляризации λ=1000,0. И вот, что я увидел при таком прогоне
Машинное обучение,
Искусственный интеллект
https://habr.com/ru/post/460711/

🔗 Нейросети и глубокое обучение, глава 3, ч.3: как выбрать гиперпараметры нейросети?
До сих пор я не объяснял, как я выбираю значения гиперпараметров – скорость обучения η, параметр регуляризации λ, и так далее. Я просто выдавал неплохо работающи...

​Machine Learning for Content Moderation — Introduction
An overview of machine learning systems for online content moderation

🔗 Machine Learning for Content Moderation — Introduction
An overview of machine learning systems for online content moderation

​How to deal with Uncertainty in the era of Deep Learning
TensorFlow introduces Probabilistic Modeling in the Deep Learning Community
https://towardsdatascience.com/how-to-deal-with-uncertainty-in-the-era-of-deep-learning-977decdf84b5?source=collection_home---4------0-----------------------

🔗 How to deal with Uncertainty in the era of Deep Learning
TensorFlow introduces Probabilistic Modeling in the Deep Learning Community

#OracleAmbassador #Agile #DataScience
Experience Innovation: Four Exciting AI, Machine Learning and Predictive Analytics Use Cases
https://www.youtube.com/watch?v=0x4uUNHP3os

🎥 Experience Innovation: Four Exciting AI, Machine Learning and Predictive Analytics Use Cases
👁 1 раз ⏳ 4391 сек.
#OracleAmbassador @Oracle #Agile #DataScience #DigitalTransformation

Join our #Broadcast Now!

Experience #Innovation: Four Exciting #AI, #MachineLearning and Predictive #Analytics Use Cases

​Построение системы автоматического машинного обучения (SDSJ AutoML 2018) – Антон Кленицкий

🔗 Построение системы автоматического машинного обучения (SDSJ AutoML 2018) – Антон Кленицкий
Антон Кленицкий рассказывает про опыт участия в SDSJ AutoML 2018, где он занял второе место. Задача соревнования заключалась в построении системы автоматического машинного обучения. Из видео вы сможете узнать: - Подробнее о задачах соревнования: 3 задачи на регрессию и 5 задач на классификацию - Почему было тяжело валидироваться - Детали решения второго места Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и видео можно из групп: ВКонтакте https://vk.com/mlt

​Новая технология Microsoft позволяет 3D-копии реального человека говорить на любом языке

Похоже на то, что в ближайшем будущем не будет большой проблемой, если два человека говорят на разных языках. Конечно, знание дополнительного языка — это большой плюс, но случается так, что нужно обсудить срочный вопрос, по работе, например, а собеседник на твоем языке не говорит.

Около недели назад представитель корпорации Джулия Вайт продемонстрировала на конференции новую технологию. Она позволяет не только формировать довольно реалистичную голограмму (в виртуальной реальности), но и дает этой голограмме знание определенного языка, причем голос — тональность, громкость, тембр и другие параметры берется у оригинала голограммы. Таким образом, собеседник видит перед собой виртуальную копию другого человека, причем эта копия говорит на нужном языке.
Искусственный интеллект
https://habr.com/ru/company/madrobots/blog/460959/

🔗 Новая технология Microsoft позволяет 3D-копии реального человека говорить на любом языке
Похоже на то, что в ближайшем будущем не будет большой проблемой, если два человека говорят на разных языках. Конечно, знание дополнительного языка — это больш...

​Mid-price Prediction Based on Machine Learning Methods with Technical and Quantitative Indicators

https://arxiv.org/abs/1907.09452

🔗 Mid-price Prediction Based on Machine Learning Methods with Technical and Quantitative Indicators
Stock price prediction is a challenging task, but machine learning methods have recently been used successfully for this purpose. In this paper, we extract over 270 hand-crafted features (factors) inspired by technical and quantitative analysis and tested their validity on short-term mid-price movement prediction. We focus on a wrapper feature selection method using entropy, least-mean squares, and linear discriminant analysis. We also build a new quantitative feature based on adaptive logistic regression for online learning, which is constantly selected first among the majority of the proposed feature selection methods. This study examines the best combination of features using high frequency limit order book data from Nasdaq Nordic. Our results suggest that sorting methods and classifiers can be used in such a way that one can reach the best performance with a combination of only very few advanced hand-crafted features.

​🔥24 июля в 20:00 мск приглашаем на День открытых дверей курса «Математика для Data Science»: https://otus.pw/Fghn/
Старт курса уже 30 июля - успейте пройти вступительный тест: https://otus.pw/XLae/

На бесплатном вебинаре:
- вы познакомитесь с преподавателем курса Пётром Лукьянченко - преподавателем ВШЭ по высшей математике (работал в Lamoda на должности Team Lead Analytics);
- сможете задать любые вопросы по Data Science;
узнаете подробнее о хардкорной программе курса, формате обучения и выпускном проекте;
- расскажем о карьерных перспективах и компаниях (NVIDIA, Лаборатория Касперского, OZON, СберТех, Газпромбанк, Тинькофф, МТС, Avito и другие), которые уже ждут выпускников курса «Математика для Data Science» на собеседования.

Вебинар рассчитан на всех, кто хочет развиваться в сфере Data Science.
Регистрируйтесь сейчас - напомним в день вебинара!

🔗 Математика для Data Science | OTUS
Профессиональные онлайн курсы для разработчиков


🎥 Untitled
👁 86 раз ⏳ 52 сек.

​Коммуницируй это: как доносить информацию потребителю в цифровом веке

Будущее здесь
Когда к нам в «ЛАНИТ Digital» приходят с вопросом, какой канал выбрать для продвижения в Интернете, мы не спешим с ответом. Ученые из Калифорнии посчитали, что в среднем человек потребляет 34 Гб информации в сутки. Как сделать так, чтобы в этом океане ваш контент не дрейфовал неприкаянным, а встретился, причем своевременно, со своим потенциальным потребителем, поговорим в этой статье.
Машинное обучение,
Искусственный интеллект
https://habr.com/ru/company/lanit/blog/460073/

🔗 Коммуницируй это: как доносить информацию потребителю в цифровом веке
Когда к нам в «ЛАНИТ Digital» приходят с вопросом, какой канал выбрать для продвижения в Интернете, мы не спешим с ответом. Ученые из Калифорнии посчитали, что в...

Обработка изображений

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
00 - Обработка изображений. О курсе
01 - Обработка изображений. Цифровое изображение. Чтение, запись, работа с пикселями
02 - Обработка изображений. Арифметические операции. Каналы. Вычисление яркости изображения
03 - Обработка изображений. Сопоставление фотографий Прокудина-Горского
04 - Обработка изображений. Линейная коррекция контраста
05 - Обработка изображений. Коррекция контраста цветного изображения
06 - Обработка изображений. Баланс белого. Модель «серого мира»
07 - Обработка изображений. Выравнивание гистограммы
08 - Обработка изображений. Операция свертки. Линейные фильтры
09 - Обработка изображений. Медианный фильтр

🎥 00 - Обработка изображений. О курсе
👁 1 раз ⏳ 256 сек.
Лектор: Влад Шахуро

Курс начального уровня учит обработке изображений с помощью языка программирования Python. В курсе рассматриваются: устройство...

🎥 01 - Обработка изображений. Цифровое изображение. Чтение, запись, работа с пикселями
👁 1 раз ⏳ 1050 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 02 - Обработка изображений. Арифметические операции. Каналы. Вычисление яркости изображения
👁 1 раз ⏳ 1062 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 03 - Обработка изображений. Сопоставление фотографий Прокудина-Горского
👁 1 раз ⏳ 782 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 04 - Обработка изображений. Линейная коррекция контраста
👁 1 раз ⏳ 992 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 05 - Обработка изображений. Коррекция контраста цветного изображения
👁 1 раз ⏳ 327 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 06 - Обработка изображений. Баланс белого. Модель «серого мира»
👁 1 раз ⏳ 512 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 07 - Обработка изображений. Выравнивание гистограммы
👁 1 раз ⏳ 531 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 08 - Обработка изображений. Операция свертки. Линейные фильтры
👁 1 раз ⏳ 2489 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

🎥 09 - Обработка изображений. Медианный фильтр
👁 1 раз ⏳ 955 сек.
Лектор: Влад Шахуро

https://stepik.org/1280

​Деплоим ML проект, используя Flask как REST API, и делаем доступным через приложение на Flutter

Введение

Машинное обучение уже везде и, пожалуй, почти невозможно найти софт, не использующий его прямо или косвенно. Давайте создадим небольшое приложение, способное загружать изображения на сервер для последующего распознавания с помощью ML. А после сделаем их доступными через мобильное приложение с текстовым поиском по содержимому.

Мы будем использовать Flask для нашего REST API, Flutter для мобильного приложения и Keras для машинного обучения. В качестве базы данных для хранения информации о содержимом изображений используем MongoDB, а для получения информации возьмём уже натренированную модель ResNet50. При необходимости мы сможем заменить модель, используя методы save_model() и load_model(), доступные в Keras. Последний потребует около 100 Мб при первоначальной загрузке модели. Почитать о других доступных моделях можно в документации.
Python,
Программирование
Машинное обучение
https://habr.com/ru/post/460995

🔗 Деплоим ML проект, используя Flask как REST API, и делаем доступным через приложение на Flutter
Введение Машинное обучение уже везде и, пожалуй, почти невозможно найти софт, не использующий его прямо или косвенно. Давайте создадим небольшое приложение, спо...

​Plotly.py 4.0 is here: Offline Only, Express First, Displayable Anywhere

https://medium.com/@plotlygraphs/plotly-py-4-0-is-here-offline-only-express-first-displayable-anywhere-fc444e5659ee

🔗 Plotly.py 4.0 is here: Offline Only, Express First, Displayable Anywhere
Plotly.py is the library that powers graphs and maps for Dash. Version 4.0 of Plotly.py (also known as the plotlymodule) is now available…

​Visual Text Correction — Can we detect and fix an inaccuracy in a video caption?
Videos, images, and sentences are mediums that can express the same semantics.

🔗 Visual Text Correction — Can we detect and fix an inaccuracy in a video caption?
Videos, images, and sentences are mediums that can express the same semantics. One can imagine a picture by reading a sentence or can…

​Rules-of-thumb for building a Neural Network
In this article, we will get a starting point to build an initial Neural Network.
https://towardsdatascience.com/17-rules-of-thumb-for-building-a-neural-network-93356f9930af?source=collection_home---4------1-----------------------

🔗 Rules-of-thumb for building a Neural Network
In this article, we will get a starting point to build an initial Neural Network. We will learn the thumb-rules, e.g. the number of hidden…

​Network of Networks — A Neural-Symbolic Approach to Inverse-Graphics
One of the first ideas many people have once they get acquainted with deep learning and neural networks is, “what if we make a network
https://towardsdatascience.com/network-of-networks-a-neural-symbolic-approach-to-inverse-graphics-acf3998ab3d?source=collection_home---4------0-----------------------

🔗 Network of Networks — A Neural-Symbolic Approach to Inverse-Graphics
One of the first ideas many people have once they get acquainted with deep learning and neural networks is, “what if we make a network of…