​Reservoir Computing Models for Patient-Adaptable ECG Monitoring in arxiv.org/abs/1907.09504

🔗 Reservoir Computing Models for Patient-Adaptable ECG Monitoring in Wearable Devices
The reservoir computing paradigm is employed to classify heartbeat anomalies online based on electrocardiogram signals. Inspired by the principles of information processing in the brain, reservoir computing provides a framework to design, train, and analyze recurrent neural networks (RNNs) for processing time-dependent information. Due to its computational efficiency and the fact that training amounts to a simple linear regression, this supervised learning algorithm has been variously considered as a strategy to implement useful computations not only on digital computers but also on emerging unconventional hardware platforms such as neuromorphic microchips. Here, this biological-inspired learning framework is exploited to devise an accurate patient-adaptive model that has the potential to be integrated into wearable cardiac events monitoring devices. The proposed patient-customized model was trained and tested on ECG recordings selected from the MIT-BIH arrhythmia database. Restrictive inclusion criteria were

​Predicting vs. Explaining
And Why Data Science Needs More “Half-Bayesians”
https://towardsdatascience.com/predicting-vs-explaining-69b516f90796?source=collection_home---4------0-----------------------

🔗 Predicting vs. Explaining
And Why Data Science Needs More “Half-Bayesians”

Image Captioning with Keras and TensorFlow (10.4)

🎥 Image Captioning with Keras and TensorFlow (10.4)
👁 1 раз ⏳ 1616 сек.
Using multi-image recognition and natural language processing it is possible to create a neural network that can write captions for images. This video shows how to create and train an image captioning neural network for Keras. Transfer learning is used to greatly reduce training time. Makes use of glove and InceptionV3.

Code for This Video:
https://github.com/jeffheaton/t81_558_deep_learning/blob/master/t81_558_class_10_4_captioning.ipynb

Course Homepage: https://sites.wustl.edu/jeffheaton/t81-558/

F

Как повысить безопасность с помощью больших данных от сбора до анализа с помощью машинного обучения
https://www.youtube.com/watch?v=yh3jQvmEoVQ

🎥 Как повысить безопасность с помощью больших данных от сбора до анализа с помощью машинного обучения
👁 1 раз ⏳ 2787 сек.

​Introducing TensorFlow Addons

https://medium.com/tensorflow/introducing-tensorflow-addons-6131a50a3dcf

🔗 Introducing TensorFlow Addons
Posted by: Sean Morgan (Two Six Labs), Yan Facai (Alibaba), Moritz Kröger (RWTH Aachen University), Tzu-Wei Sung (National Taiwan…

​DL соревнования — гуси, пайплайны, кулстори – Артур Кузин

🔗 DL соревнования — гуси, пайплайны, кулстори – Артур Кузин
Артур Кузин рассказывает про переход и профессиональное развитие в Data Science. А также несколько кулстори и рекомендации начинающим дата сайентистам. Из видео вы сможете узнать: - С чего начать, если хочешь стать дата сайентистом - Зачем участвовать в соревнованиях и почему это весело - Про атрибуты хорошего пайплайна - Интересные кейсы из соревнований *Доклад с тренировки в 2018 году Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и видео можно из групп:

​HUGE2: a Highly Untangled Generative-model Engine for Edge-computing
https://arxiv.org/abs/1907.11210

🔗 HUGE2: a Highly Untangled Generative-model Engine for Edge-computing
As a type of prominent studies in deep learning, generative models have been widely investigated in research recently. Two research branches of the deep learning models, the Generative Networks (GANs, VAE) and the Semantic Segmentation, rely highly on the upsampling operations, especially the transposed convolution and the dilated convolution. However, these two types of convolutions are intrinsically different from standard convolution regarding the insertion of zeros in input feature maps or in kernels respectively. This distinct nature severely degrades the performance of the existing deep learning engine or frameworks, such as Darknet, Tensorflow, and PyTorch, which are mainly developed for the standard convolution. Another trend in deep learning realm is to deploy the model onto edge/ embedded devices, in which the memory resource is scarce. In this work, we propose a Highly Untangled Generative-model Engine for Edge-computing or HUGE2 for accelerating these two special convolutions on the edge-computing

Artificial Intelligence with #Python | Artificial Intelligence Tutorial using Python | Edureka
https://www.youtube.com/watch?v=7O60HOZRLng

🎥 Artificial Intelligence with Python | Artificial Intelligence Tutorial using Python | Edureka
👁 1 раз ⏳ 6144 сек.
* Machine Learning Engineer Masters Program: https://www.edureka.co/masters-program/machine-learning-engineer-training *
This Edureka video on "Artificial Intelligence With Python" will provide you with a comprehensive and detailed knowledge of Artificial Intelligence concepts with hands-on examples.


Python Course: https://www.youtube.com/watch?v=vaysJAMDaZw
Statistics and Probability Tutorial: https://www.youtube.com/watch?v=XcLO4f1i4Yo
Check out the entire Machine Learning Playlist: https://bit.ly/2NG9t

ML на службе threat hunter

🎥 ML на службе threat hunter
👁 1 раз ⏳ 2868 сек.
Тема: Технический доклад

Спикеры: Алексей Тараненко

Рассказ о том, как машинное обучение помогает аналитику кибербезопасности и офицеру по расследованиям инцидентов в их повседневной работе. Докладчик поделится опытом использования ML в Microsoft. Покажет примеры расследований инцидентов ИБ с помощью Azure Notebook.

​Image Panorama Stitching with OpenCV
Image stitching is one of the most successful applications in Computer Vision.

https://towardsdatascience.com/image-panorama-stitching-with-opencv-2402bde6b46c?source=collection_home---4------0-----------------------

🔗 Image Panorama Stitching with OpenCV
Image stitching is one of the most successful applications in Computer Vision. Nowadays, it is hard to find a cell phone or an image…

​Распознавание эмоций с помощью сверточной нейронной сети
Блог компании Voximplant,

Распознавание эмоций всегда было захватывающей задачей для ученых. В последнее время я работаю над экспериментальным SER-проектом (Speech Emotion Recognition), чтобы понять потенциал этой технологии – для этого я отобрал наиболее популярные репозитории на Github и сделал их основой моего проекта.

Прежде чем мы начнем разбираться в проекте, неплохо будет вспомнить, какие узкие места есть у SER.
Программирование,
Машинное обучение,
Искусственный интеллект,
https://habr.com/ru/company/Voximplant/blog/461435/

🔗 Распознавание эмоций с помощью сверточной нейронной сети
Распознавание эмоций всегда было захватывающей задачей для ученых. В последнее время я работаю над экспериментальным SER-проектом (Speech Emotion Recognition),...

​Differentiable Programming — Inverse Graphics AutoEncoder
Let’s consider handwritten character recognition using MNIST (EMNIST).

https://towardsdatascience.com/differentiable-programming-inverse-graphics-autoencoder-e1b0fabe67bf?source=collection_home---4------3-----------------------

🔗 Differentiable Programming — Inverse Graphics AutoEncoder
Let’s consider handwritten character recognition using MNIST (EMNIST).

​How to Communicate Clearly About Machine Learning.
Your choice of words matters.
https://towardsdatascience.com/how-to-communicate-clearly-about-machine-learning-8731e4d1cd4c?source=collection_home---4------1-----------------------

🔗 How to Communicate Clearly About Machine Learning.
Your choice of words matters.

​Predicting vs. Explaining
And Why Data Science Needs More “Half-Bayesians”
https://towardsdatascience.com/predicting-vs-explaining-69b516f90796?source=collection_home---4------0-----------------------

🔗 Predicting vs. Explaining
And Why Data Science Needs More “Half-Bayesians”

PyTorch Tutorial - Deep Learning Using PyTorch - Learn PyTorch from Basics to Advanced

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

https://www.youtube.com/watch?v=LeCZyHE5vlk

🎥 PyTorch Tutorial - Deep Learning Using PyTorch - Learn PyTorch from Basics to Advanced
👁 1 раз ⏳ 5602 сек.
Learn PyTorch from the very basics to advanced models like Generative Adverserial Networks and Image Captioning
A Complete Machine Learning Project Walk-Through in Python
☞ https://morioh.com/p/b56ae6b04ffc

Deep Learning With TensorFlow 2.0
☞ https://morioh.com/p/d669c3deea75

Introduction to PyTorch and Machine Learning
☞ https://morioh.com/p/296b2e812203

Machine Learning A-Z™: Hands-On Python & R In Data Science
☞ http://learnstartup.net/p/SJw1YoTMg

Deep Learning A-Z™: Hands-On Artificial Neural Networ

​Eidetic 3D LSTM: A Model for Video Prediction and Beyond

https://openreview.net/forum?id=B1lKS2AqtX

Git : https://github.com/metrofun/E3D-LSTM

🔗 Eidetic 3D LSTM: A Model for Video Prediction and Beyond
Spatiotemporal predictive learning, though long considered to be a promising self-supervised feature learning method, seldom shows its effectiveness beyond future video prediction. The reason is...

​How to screw up a Computer Vision project
https://medium.com/@pjgrizel/how-to-screw-up-a-computer-vision-project-166dfcc44a5f

🔗 How to screw up a Computer Vision project
Statistics (are they accurate at all?) tell that 85% of AI projects do not deliver. That leaves only 15% real successes, and they are good…

Deep convolutional neural networks for uncertainty propagation in random fields
The development of a reliable and robust surrogate model is often constrained by the dimensionality of the problem. For a system with high-dimensional inputs/outputs (I/O), conventional approaches usually use a low-dimensional manifold to describe the high-dimensional system, where the I/O data is first reduced to more manageable dimensions and then the condensed representation is used for surrogate modeling. In this study, we present a new solution scheme for this type of problems based on a deep learning approach.
https://arxiv.org/abs/1907.11198

Машинное обучение (2019) (Часть 1)

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
01 - Задачи и модели машинного обучения
02 - Проблемы машинного обучения
03 - Представление данных для машинного обучения. Признаки объектов
04 - Основные понятия математической статистики. Часть 1
05 - Основные понятия математической статистики. Часть 2
06 - Постановка проблемы и простейшие способы ее решения
07 - Восстановление данных с помощью метрики
08 - Замечание об использовании метрики
09 - Использование коэффициента корреляции для восстановления данных
10 - Применение метрик и КК в рекомендательных системах

🎥 01 - Машинное обучение. Задачи и модели машинного обучения
👁 1 раз ⏳ 484 сек.
Лектор: Артём Шевляков

https://stepik.org/8057

🎥 02 - Машинное обучение. Проблемы машинного обучения
👁 1 раз ⏳ 333 сек.
Лектор: Артём Шевляков

https://stepik.org/8057

🎥 03 - Машинное обучение. Представление данных для машинного обучения. Признаки объектов
👁 1 раз ⏳ 389 сек.
Лектор: Артём Шевляков

https://stepik.org/8057

🎥 04 - Машинное обучение. Основные понятия математической статистики. Часть 1
👁 1 раз ⏳ 427 сек.
Лектор: Артём Шевляков

https://stepik.org/8057

🎥 05 - Машинное обучение. Основные понятия математической статистики. Часть 2
👁 1 раз ⏳ 405 сек.
Лектор: Артём Шевляков

https://stepik.org/8057

🎥 06 - Машинное обучение. Постановка проблемы и простейшие способы ее решения
👁 1 раз ⏳ 336 сек.
Лектор: Артём Шевляков

https://stepik.org/8057

🎥 07 - Машинное обучение. Восстановление данных с помощью метрики
👁 1 раз ⏳ 768 сек.
Лектор: Артём Шевляков

https://stepik.org/8057

🎥 08 - Машинное обучение. Замечание об использовании метрики
👁 1 раз ⏳ 397 сек.
Лектор: Артём Шевляков

https://stepik.org/8057

🎥 09 - Машинное обучение. Использование коэффициента корреляции для восстановления данных
👁 1 раз ⏳ 269 сек.
Лектор: Артём Шевляков

https://stepik.org/8057

🎥 10 - Машинное обучение. Применение метрик и КК в рекомендательных системах
👁 1 раз ⏳ 369 сек.
Лектор: Артём Шевляков

https://stepik.org/8057

Лекции по анализу данных от Технострим
tglink.me/pythonl - наш телеграм канал
1 - Анализ данных. Введение в python
2 - Анализ данных. Advanced Python
3 - Анализ данных. Библиотеки Python
4 - Анализ данных. Визуализация, анализ датасета EDA
5 - Анализ данных. R и библиотеки
6 - Анализ данных. Введение в статистику
7 - Анализ данных. Статистическое оценивание
8 - Анализ данных. Параметрические статистические тесты
9 - Анализ данных. Непараметрические тесты
10 - Анализ данных. Множественная проверка гипотез
https://vk.com/video-16108331_456263704?list=5e96c39aeb208bec64
https://vk.com/video-16108331_456263705?list=1d38209df3d26fba3e
https://vk.com/video-16108331_456263706?list=57fbed9df30695f358
https://vk.com/video-16108331_456263707?list=0f1da65f04176ec8f3
https://vk.com/video-16108331_456263708?list=246551a44e7050d2b1
https://vk.com/video-16108331_456263709?list=69a241025a7619b6d7
https://vk.com/video-16108331_456263710?list=57cbebdbfdae471afc
https://vk.com/video-16108331_456263711?list=d5f7331db4927b6405
https://vk.com/video-16108331_456263712?list=7ba545f2462cb93c47
https://vk.com/video-16108331_456263713?list=3d967e2ec1bdf288e6

🎥 1 - Анализ данных. Введение в python
👁 1 раз ⏳ 7114 сек.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова
Курс "Введение в анализ данных"
Источник: https://www.youtube.com/channel/UCmqEpAsQMcsYaeef4qgECvQ

🎥 2 - Анализ данных. Advanced Python
👁 1 раз ⏳ 4828 сек.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова
Курс "Введение в анализ данных"
Источник: https://www.youtube.com/channel/UCmqEpAsQMcsYaeef4qgECvQ

🎥 3 - Анализ данных. Библиотеки Python
👁 1 раз ⏳ 4752 сек.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова
Курс "Введение в анализ данных"
Источник: https://www.youtube.com/channel/UCmqEpAsQMcsYaeef4qgECvQ

🎥 4 - Анализ данных. Визуализация, анализ датасета EDA
👁 1 раз ⏳ 8094 сек.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова
Курс "Введение в анализ данных"
Источник: https://www.youtube.com/channel/UCmqEpAsQMcsYaeef4qgECvQ

🎥 5 - Анализ данных. R и библиотеки
👁 1 раз ⏳ 5092 сек.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова
Курс "Введение в анализ данных"
Источник: https://www.youtube.com/channel/UCmqEpAsQMcsYaeef4qgECvQ

🎥 6 - Анализ данных. Введение в статистику
👁 1 раз ⏳ 7046 сек.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова
Курс "Введение в анализ данных"
Источник: https://www.youtube.com/channel/UCmqEpAsQMcsYaeef4qgECvQ

🎥 7 - Анализ данных. Статистическое оценивание
👁 1 раз ⏳ 5088 сек.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова
Курс "Введение в анализ данных"
Источник: https://www.youtube.com/channel/UCmqEpAsQMcsYaeef4qgECvQ

🎥 8 - Анализ данных. Параметрические статистические тесты
👁 1 раз ⏳ 5274 сек.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова
Курс "Введение в анализ данных"
Источник: https://www.youtube.com/channel/UCmqEpAsQMcsYaeef4qgECvQ

🎥 9 - Анализ данных. Непараметрические тесты
👁 1 раз ⏳ 6229 сек.


🎥 10 - Анализ данных. Множественная проверка гипотез
👁 1 раз ⏳ 4536 сек.