​Running Effective Machine Learning Teams: Common Issues, Challenges & Solutions | DataCouncil NYC'18

🔗 Running Effective Machine Learning Teams: Common Issues, Challenges & Solutions | DataCouncil NYC'18
ABOUT THE TALK: Despite significant progress in the deep learning space, implementing scalable machine learning pipelines still presents critical challenges....

​TensorFlow high-level APIs: Part 3 - Building and refining your models

🔗 TensorFlow high-level APIs: Part 3 - Building and refining your models
Welcome to Part 3 of our mini-series on TensorFlow high-level APIs! In this 3 part mini-series, TensorFlow Engineering Manager Karmel Allison runs us through...

🎥 lec23 Deep Learning
👁 1 раз ⏳ 4463 сек.

Kaggle YouTube-8M 2: классификация видео

🎥 Kaggle YouTube-8M 2: классификация видео — Глеб Стеркин, Владимир Алиев
👁 1 раз ⏳ 1272 сек.
Глеб Стеркин и Владимир Алиев вместе со своей командой заняли 4 место в конкурсе Kaggle The 2nd YouTube-8M Video Understanding Challenge. Как и в прошлом году стояла задача в классификации большого объёма видео, но в этот раз с ограничениями на размер модели. В видео участники рассказывают про использованные модели, многоуровневый подход с нейронными сетями и градиентным бустингом, сравнивают различные подходы.

Слайды: https://gh.mltrainings.ru/presentations/SterkinAliev_KaggleYT8M2_2018.pdf

Узнать о теку

My First Adventures in NLP
https://towardsdatascience.com/my-first-adventures-in-nlp-631faa6aadd4?source=collection_home---4------3---------------------

​Machine Learning Cheatsheet.
Brief visual explanations of machine learning concepts with diagrams, code examples and links to resources for learning more.

🔗 Machine Learning Cheatsheet — ML Cheatsheet documentation

Kubernetes for Beginners

🎥 Kubernetes for Beginners
👁 1 раз ⏳ 665 сек.
Kubernetes is one of the highest velocity open source projects in history. Its a tool that enables developers to manage 'containerized' apps in the cloud easily. In this tutorial video, I'll deploy an image classifier app built in python to the cloud using Kubernetes. It's a 3 step process, and along the way I'll explain key concepts surrounding Docker, Google Cloud, and scalability. Enjoy!

Code for this video:
https://github.com/llSourcell/kubernetes

Please Subscribe! And Like. And comment. Thats what

🎥 Процесс решения задач глубокого машинного обучения
👁 3 раз ⏳ 683 сек.
Обобщенный процесс решения задачи глубокого машинного обучения:

1. Определение задачи и создание набора данных.
2. Выбор меры успеха.
3. Выбор протокола оценки.
4. Предварительная подготовка данных.
5. Разработка модели, более совершенной, чем базовый случай.
6. Масштабирование по вертикали: разработка модели с переобучением. Поиск границы между недообучением и переобучением.
7. Регуляризация модели и настройка гиперпараметров.

Источник: http://datascientist.one/sxema-resheniya-zadach-deep-learning/

​AWS re:Invent 2018: Machine Learning for the Enterprise, Sony Interactive Entertainment (ENT232-R1)

🔗 AWS re:Invent 2018: Machine Learning for the Enterprise, Sony Interactive Entertainment (ENT232-R1)
Machine learning is powering innovation across industries, including media & entertainment, healthcare, finance, and many more. In this session, representati...

​How Machine Learning can contribute to the day to day work

🔗 How Machine Learning can contribute to the day to day work
In this session you will: - Discover what Machine Learning really is through specific examples from real life - Understand other options to automate operatio...

​A Gentle Introduction to the Rectified Linear Activation Function for Deep Learning Neural Networks

🔗 A Gentle Introduction to the Rectified Linear Activation Function for Deep Learning Neural Networks
In a neural network, the activation function is responsible for transforming the summed weighted input from the node into the activation of the node or output for that input. The rectified linear activation function is a piecewise linear function that will output the input directly if is positive, otherwise, it will output zero. It has …

​Understanding Generative Adversarial Networks (GANs)

🔗 Understanding Generative Adversarial Networks (GANs)
Building, step by step, the reasoning that leads to GANs.

​Программист из Красноярска создал мобильное приложение на основе нейросетей и покоряет рынки России, США и Германии. NGS.RU расспросил предпринимателя об особенностях IT-бизнеса за рубежом, рынке труда в Соединённых Штатах и возможности монетизации идей. https://ngs24.ru/news/more/65698631/?from=window_2

🔗 Как программист из Красноярска сделал приложение для модников и открыл офис в США
Однажды программист из Красноярска Андрей Корхов съездил в Кремниевую долину в США и увлекся там изучением искусственного интеллекта.

​Free dataset for cardio rhythm classification
https://irhythm.github.io/cardiol_test_set/

🔗 Bare - Start Bootstrap Template

Optimize Data Science Models with Feature Engineering
https://towardsdatascience.com/optimize-data-science-models-with-feature-engineering-cluster-analysis-metrics-development-and-4be15489667a?source=collection_home---4------2---------------------

https://habr.com/company/plarium/blog/435534/

Data Science: книги для начального уровня

#machinelearning #neuralnets #deeplearning #машинноеобучение

Наш телеграмм канал - https://t.me/ai_machinelearning_big_data

​​​Generalization in Deep Networks: The Role of Distance from Initialization

Why it's important to take into account the initialization to explain generalization.

ArXiV: https://arxiv.org/abs/1901.01672

#DL #NN

🔗 Generalization in Deep Networks: The Role of Distance from Initialization
Why does training deep neural networks using stochastic gradient descent (SGD) result in a generalization error that does not worsen with the number of parameters in the network? To answer this question, we advocate a notion of effective model capacity that is dependent on {\em a given random initialization of the network} and not just the training algorithm and the data distribution. We provide empirical evidences that demonstrate that the model capacity of SGD-trained deep networks is in fact restricted through implicit regularization of {\em the $\ell_2$ distance from the initialization}. We also provide theoretical arguments that further highlight the need for initialization-dependent notions of model capacity. We leave as open questions how and why distance from initialization is regularized, and whether it is sufficient to explain generalization.

🎥 Лекция 14 | Основы математической статистики | Михаил Лифшиц | Лекториум
👁 1 раз ⏳ 4967 сек.
Лекция 14 | Курс: Основы математической статистики | Лектор: Михаил Лифшиц | Организатор: Математическая лаборатория имени П.Л.Чебышева СПбГУ

Смотрите это видео на Лекториуме: https://www.lektorium.tv/node/33800

Другие лекции по курсу «Основы математической статистики» доступны для просмотра по ссылке: https://www.lektorium.tv/node/33005

Подписывайтесь на канал: https://www.lektorium.tv/ZJA
Следите за новостями:
https://vk.com/openlektorium
https://www.facebook.com/openlektorium

​Machine Learning Engineer Roles And Responsibilities | ML Engineer Skills | ML Training | Edureka

🔗 Machine Learning Engineer Roles And Responsibilities | ML Engineer Skills | ML Training | Edureka
( Machine Learning Engineer Masters Program: https://www.edureka.co/masters-program/machine-learning-engineer-training ) This video will provide you with det...

​machine learning tutorial for beginners

🔗 machine learning tutorial for beginners
machine learning tutorial for beginners using ml.net C# for more such videos visit http://www.questpond.com