​Data Souls IDRND Anti-spoofing Challenge — Роман Власов

🔗 Data Souls IDRND Anti-spoofing Challenge — Роман Власов
Роман Власов рассказывает про опыт участия в соревновании IDRND Anti-spoofing Challenge на платформе Data Souls, в котором он занял первое место. Согласно задаче бинарной классифицации, по rgb картинке нужно было определить, реальное ли это изображение лица человека или это лицо человека в маске, фотография фотографии лица и т.д. Из видео вы сможете узнать: - Описание данных, формата и задачи соревнования - Какие модели использовались, детали решения первого места - Подходы к решению третьего места Узнать

​Data Science + Design Thinking: Perfect Blend to Achieve The Best User Experience - Michael Radwin

🔗 Data Science + Design Thinking: Perfect Blend to Achieve The Best User Experience - Michael Radwin
As data scientists, we invest much of our time on the business problem, the data, the statistics, the algorithm and the model. But we can’t afford to overlook one very important component: the customer! A great AI/ML model with a poorly designed user experience is ultimately is going to fail. The world’s best data products are born from a perfect blend of data science and an amazing user experience. Design thinking is a methodology for creative problem solving developed at the Stanford University d.school

​Deep Learning Analysis Using Large Model Support
Optimize your Machine Learning model memory consumption with IBM Large Model Support.

🔗 Deep Learning Analysis Using Large Model Support
Optimize your Machine Learning model memory consumption with IBM Large Model Support.

​deeplearning.ai TensorFlow Specialization is now available on Coursera !!
https://www.coursera.org/specializations/tensorflow-in-practice/

🔗 TensorFlow in Practice | Coursera
Learn TensorFlow in Practice from deeplearning.ai. Discover the tools software developers use to build scalable AI-powered algorithms in TensorFlow, a popular open-source machine learning framework. In this four-course Specialization, you’ll ...

​This AI Learns About Movement By Watching Frozen People

🔗 This AI Learns About Movement By Watching Frozen People
📝 The paper "Learning the Depths of Moving People by Watching Frozen People" is available here: https://mannequin-depth.github.io/ ❤️ 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, Dennis Abts

​Ты ничего не знаешь про фудтех

Зачем ходить в ресторан, если любую еду вкусной и горячей могут доставить тебе до двери дома или офиса? Глобальный рынок общественного питания делится на два больших лагеря: офлайн рестораны и доставка еды. Кажется, что первые терпят поражение и проигрывают битву за клиентов. Но не торопитесь с выводами.

Под катом вы найдёте про «buzzwords» в фудтехе: smart-технологии, big data и искусственный интеллект.

https://habr.com/ru/company/dodopizzaio/blog/461859/

🔗 Ты ничего не знаешь про фудтех
Зачем ходить в ресторан, если любую еду вкусной и горячей могут доставить тебе до двери дома или офиса? Глобальный рынок общественного питания делится на два бол...

​Активное обучение ранжированию

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
Этим постом я открываю серию, где мы с коллегами расскажем, как используется ML у нас в Поиске Mail.ru. Сегодня я объясню, как устроено ранжирование и как мы используем информацию о взаимодействии пользователей с нашей поисковой системой, чтобы сделать поисковик лучше.

Задача ранжирования

Что подразумевается под задачей ранжирования? Представим, что в обучающей выборке есть какое-то множество запросов, для которых известен порядок документов по релевантности. Например, вы знаете, какой документ самый релевантный, какой второй по релевантности и т.д. И вам нужно восстановить такой порядок для всей генеральной совокупности. То есть для всех запросов из генеральной совокупности на первое место поставить самый релевантный документ, а на последнее — самый нерелевантный.

Давайте посмотрим, как такие задачи решаются в больших поисковых системах.
https://habr.com/ru/company/mailru/blog/461927/

🔗 Активное обучение ранжированию
Этим постом я открываю серию, где мы с коллегами расскажем, как используется ML у нас в Поиске Mail.ru. Сегодня я объясню, как устроено ранжирование и как мы исп...

​Data Version Control (DVC): версионирование данных и воспроизводимость экспериментов

Эта статья — своеобразный мастер-класс «DVC для автоматизации ML экспериментов и версионирования данных», который прошел 18 июня на митапе ML REPA (Machine Learning REPA:
Reproducibility, Experiments and Pipelines Automation) на площадке нашего банка.

Тут я расскажу об особенностях внутренней работы DVC и способах применения его в проектах.

Примеры кода, используемые в статье доступны здесь. Код тестировался на MacOS и Linux (Ubuntu).
#Машинноеобучение
https://habr.com/ru/company/raiffeisenbank/blog/461803/

🔗 Data Version Control (DVC): версионирование данных и воспроизводимость экспериментов
Эта статья — своеобразный мастер-класс «DVC для автоматизации ML экспериментов и версионирования данных», который прошел 18 июня на митапе ML REPA (Machine Learn...

​Как распознать картинки и тексты на телефоне с помощью ML Kit

Два года назад Сундар Пичаи, глава Google, рассказал о том, что компания из mobile-first становится AI-first и фокусируется на машинном обучении. Год спустя вышел Machine Learning Kit — набор инструментов, с которым можно эффективно использовать ML на iOS и Android.

Об ML Kit очень много говорят в США, но на русском языке информации почти нет. А так как мы используем его для некоторых задач в Яндекс.Деньгах, я решил поделиться опытом и показать на примерах, как с его помощью можно делать интересные вещи.

Меня зовут Юра, последний год я работаю в команде Яндекс.Денег над мобильным кошельком. Мы поговорим про машинное обучение в мобайле.
https://habr.com/ru/company/yamoney/blog/461867/

🔗 Как распознать картинки и тексты на телефоне с помощью ML Kit
Два года назад Сундар Пичаи, глава Google, рассказал о том, что компания из mobile-first становится AI-first и фокусируется на машинном обучении. Год спустя выш...

RAAIS 2019 - Brendan McMahan, Senior Staff Research Scientist at Google

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

🎥 RAAIS 2019 - Brendan McMahan, Senior Staff Research Scientist at Google
👁 1 раз ⏳ 1516 сек.
Brendan McMahan, Senior Staff Research Scientist at Google

Brendan McMahan is a Senior Staff Research Scientist at Google, where he leads efforts on decentralized and privacy-preserving machine learning. The team that he co-founded has pioneered the concept of federated learning and continues to push the boundaries of what is possible when working with decentralized data using privacy-preserving techniques. Brendan joined Google in 2007 and previously received his Ph.D. in computer science from Carnegie M

​Что является критерием завершенности задачи, над которой работал программист? Достаточно ли просто написать код и положить его в репозиторий? Ответы на эти вопросы можно найти в этой статье

🔗 Поделия в разработке ПО
Что является критерием завершенности задачи, над которой работал программист?

Building Neural Network Models That Can Reason

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
https://www.youtube.com/watch?v=-2JRiv3Mycs

🎥 Building Neural Network Models That Can Reason
👁 1 раз ⏳ 4796 сек.
Deep learning has had enormous success on perceptual tasks but still struggles in providing a model for inference. To address this gap, we have been developing networks that support memory, attention, composition, and reasoning. Our MACnet and NSM designs provide a strong prior for explicitly iterative reasoning, enabling them to learn explainable, structured reasoning, as well as achieve good generalization from a modest amount of data. The Neural State Machine (NSM) design also emphasizes the use of a mor

​Бесплатный марафон «Big Data и супергерои: ваш первый опыт анализа данных»

Вы когда-нибудь мечтали стать супергероем, который обладает крутыми способностями и борется со злом? Мы поможем в этом! Запишитесь на бесплатный марафон, станьте супергероем и поймайте злодеев с помощью инструментов Data Science.
https://habr.com/ru/company/netologyru/blog/462107/

🔗 Бесплатный марафон «Big Data и супергерои: ваш первый опыт анализа данных»
Вы когда-нибудь мечтали стать супергероем, который обладает крутыми способностями и борется со злом? Мы поможем в этом! Запишитесь на бесплатный марафон, станьте...

​On Mutual Information Maximization for Representation Learning

Authors: Michael Tschannen, Josip Djolonga, Paul K. Rubenstein, Sylvain Gelly, Mario Lucic

Abstract: Many recent methods for unsupervised or self-supervised representation learning train feature extractors by maximizing an estimate of the mutual information (MI) between different views of the data. This comes with several immediate problems
https://arxiv.org/abs/1907.13625

🔗 On Mutual Information Maximization for Representation Learning
Many recent methods for unsupervised or self-supervised representation learning train feature extractors by maximizing an estimate of the mutual information (MI) between different views of the data. This comes with several immediate problems: For example, MI is notoriously hard to estimate, and using it as an objective for representation learning may lead to highly entangled representations due to its invariance under arbitrary invertible transformations. Nevertheless, these methods have been repeatedly shown to excel in practice. In this paper we argue, and provide empirical evidence, that the success of these methods might be only loosely attributed to the properties of MI, and that they strongly depend on the inductive bias in both the choice of feature extractor architectures and the parametrization of the employed MI estimators. Finally, we establish a connection to deep metric learning and argue that this interpretation may be a plausible explanation for the success of the recently introduced methods.

Хотите знать о разработках, которые могут кардинально изменить привычный нам мир?

Технологические конкурсы Up Great - это соревнования, в которых команды инженеров и ученых создают решения для преодоления технологических барьеров в различных отраслях. Награда присуждается тем, кто смог достичь абсолютного показателя и продемонстрировать понятное повторяемое решение. Среди направлений конкурсов: беспилотный транспорт, компьютерное зрение, водородная энергетика. А впереди – новые вызовы и новые конкурсы!

Присоединяйтесь к сообществу Up Great - следите за новостями наших конкурсов, принимайте в них участие и находите здесь единомышленников!

https://vk.com/upgreatone

​Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Pratik_Dzhoshi_-_Iskusstvenny_intellekt_s_primerami_na_Python_2019.pdf - 💾72 984 400

​Kaggle Coffee Chat: Alex Hanna | Kaggle

🔗 Kaggle Coffee Chat: Alex Hanna | Kaggle
This week Rachael is joined by Alex Hanna, a program manager working in ML Fairness at Google. Together they talk about bias in machine learning models, sociotechnical systems, and some of the current approaches to evaluating and mitigating unfairness. SUBSCRIBE: https://www.youtube.com/c/kaggle?sub_confirmation=1&utm_medium=youtube&utm_source=channel&utm_campaign=yt-sub About Kaggle: Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data scien

​Как мы внедрили ML в приложение с почти 50 миллионами

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
Привет, Хабр! Меня зовут Николай, и я занимаюсь построением и внедрением моделей машинного обучения в Сбербанке. Сегодня расскажу о разработке рекомендательной системы для платежей и переводов в приложении на ваших смартфонах.

Дизайн главного экрана мобильного приложения с рекомендациями

У нас было 2 сотни тысяч возможных вариантов платежей, 55 миллионов клиентов, 5 различных банковских источников, полсолонки разработчиков и гора банковской активности, алгоритмов и всего такого, всех цветов, а ещё литр рандомных сидов, ящик гиперпараметров, пол-литра поправочных коэффициентов и две дюжины библиотек. Не то чтобы это всё было нужно в работе, но раз начал улучшать жизнь клиентов, то иди в своём увлечении до конца. Под катом история о сражении за UX, о правильной постановке задачи, о борьбе с размерностью данных, о вкладе в open-source и наших результатах.
https://habr.com/ru/company/sberbank/blog/461747/

🔗 Как мы внедрили ML в приложение с почти 50 миллионами пользователей. Опыт Сбера
Привет, Хабр! Меня зовут Николай, и я занимаюсь построением и внедрением моделей машинного обучения в Сбербанке. Сегодня расскажу о разработке рекомендательной с...

Квантовые тензорные сети
https://www.youtube.com/watch?v=eYRPoeDPTzw

🎥 Квантовые тензорные сети — Сергей Филиппов / ПостНаука
👁 1 раз ⏳ 839 сек.
Физик Сергей Филиппов о понятии матрицы, сжатии памяти для хранения информации и разнице в квантовых и механических подходах

"Матрица — это таблица со столбцами и строками. Представьте, что у вас есть кубическая таблица, то есть помимо двух столбцов и строчек, двух измерений, есть еще другое измерение, третье. Тогда у вас получится трехмерная таблица. Эта таблица будет описываться тремя индексами: один показывает номер столбца, другой номер строки, а третий глубину, на которую мы с вами продвинулись".

По

​Towards Automated Infographic Design: Deep Learning-based Auto-Extraction of Extensible Timeline

Authors: Zhutian Chen, Yun Wang, Qianwen Wang, Yong Wang, Huamin Qu

Abstract: …an extensible timeline template from a bitmap image. Our approach adopts a deconstruction and reconstruction paradigm. At the deconstruction stage, we propose a multi-task deep neural network that simultaneously parses two kinds of information from a bitmap timeline
https://arxiv.org/abs/1907.13550

🔗 Towards Automated Infographic Design: Deep Learning-based Auto-Extraction of Extensible Timeline
Designers need to consider not only perceptual effectiveness but also visual styles when creating an infographic. This process can be difficult and time consuming for professional designers, not to mention non-expert users, leading to the demand for automated infographics design. As a first step, we focus on timeline infographics, which have been widely used for centuries. We contribute an end-to-end approach that automatically extracts an extensible timeline template from a bitmap image. Our approach adopts a deconstruction and reconstruction paradigm. At the deconstruction stage, we propose a multi-task deep neural network that simultaneously parses two kinds of information from a bitmap timeline: 1) the global information, i.e., the representation, scale, layout, and orientation of the timeline, and 2) the local information, i.e., the location, category, and pixels of each visual element on the timeline. At the reconstruction stage, we propose a pipeline with three techniques, i.e., Non-Maximum Merging, Re