​The Inspection Paradox is Everywhere
The inspection paradox is a statistical illusion you’ve probably never heard of. But once you learn about it, you see it everywhere.
https://towardsdatascience.com/the-inspection-paradox-is-everywhere-2ef1c2e9d709?source=collection_home---4------0-----------------------

🔗 The Inspection Paradox is Everywhere
The inspection paradox is a statistical illusion you’ve probably never heard of. But once you learn about it, you see it everywhere.

​https://github.com/facebookresearch/FixRes
https://arxiv.org/abs/1906.06423

🔗 facebookresearch/FixRes
This repository reproduces the results of the paper: "Fixing the train-test resolution discrepancy" https://arxiv.org/abs/1906.06423 - facebookresearch/FixRes

​TuneNet: One-Shot Residual Tuning for System Identification and Sim-to-Real Robot Task Transfer

https://arxiv.org/abs/1907.11200

🔗 TuneNet: One-Shot Residual Tuning for System Identification and Sim-to-Real Robot Task Transfer
As researchers teach robots to perform more and more complex tasks, the need for realistic simulation environments is growing. Existing techniques for closing the reality gap by approximating real-world physics often require extensive real world data and/or thousands of simulation samples. This paper presents TuneNet, a new machine learning-based method to directly tune the parameters of one model to match another using an $\textit{iterative residual tuning}$ technique. TuneNet estimates the parameter difference between two models using a single observation from the target and minimal simulation, allowing rapid, accurate and sample-efficient parameter estimation. The system can be trained via supervised learning over an auto-generated simulated dataset. We show that TuneNet can perform system identification, even when the true parameter values lie well outside the distribution seen during training, and demonstrate that simulators tuned with TuneNet outperform existing techniques for predicting

​Online Machine Learning with Tensorflow.js
An end to end guide on how to create, train and test a Machine Learning model in your browser using Tensorflow.js.
https://towardsdatascience.com/online-machine-learning-with-tensorflow-js-2ae232352901?source=collection_home---4------1-----------------------

🔗 Online Machine Learning with Tensorflow.js
An end to end guide on how to create, train and test a Machine Learning model in your browser using Tensorflow.js.

​Why Real Neurons Learn Faster

A closer look into differences between natural nervous systems & artificial #NeuralNetworks

https://www.codeproject.com/Articles/1275031/Why-Real-Neurons-Learn-Faster

🔗 Why Real Neurons Learn Faster
A closer look into differences between natural nervous systems and artificial neural networks

​Reimplemented HDRNet model aka Deep Bilateral Learning for Real-Time Image Enhancements in PyTorch
https://github.com/creotiv/hdrnet-pytorch

🔗 creotiv/hdrnet-pytorch
Unofficial PyTorch implementation of 'Deep Bilateral Learning for Real-Time Image Enhancement', SIGGRAPH 2017 https://groups.csail.mit.edu/graphics/hdrnet/ - creotiv/hdrnet-pytorch

​BlurNet: Defense by Filtering the Feature Maps

Authors: Ravi Raju, Mikko Lipasti

Abstract: Recently, the field of adversarial machine learning has been garnering attention by showing that state-of-the-art deep neural networks are vulnerable to adverserial examples, stemming from small perturbations being added to the input image. Adversarial examples are generated by a malicious adversary by obtaining access
https://arxiv.org/abs/1908.02256

🔗 BlurNet: Defense by Filtering the Feature Maps
Recently, the field of adversarial machine learning has been garnering attention by showing that state-of-the-art deep neural networks are vulnerable to adverserial examples, stemming from small perturbations being added to the input image. Adversarial examples are generated by a malicious adversary by obtaining access to the model parameters, such as gradient information, to alter the input or by attacking a substitute model and transferring those malicious examples over to attack the victim model. Specifically, one of these attack algorithms, Robust Physical Perturbations ($RP_2$), generates adverserial images of stop signs with black and white stickers to achieve high targeted misclassification rates against standard-architecture traffic sign classifiers. In this paper, we propose BlurNet, a defense against the $RP_2$ attack. First, we motivate the defense with a frequency analysis of the first layer feature maps of the network on the LISA dataset by demonstrating high frequency noise i

​10 Speed Learning Techniques

🔗 10 Speed Learning Techniques
I'm going to show you a day in my life in this episode. These are the daily habits that I practice to optimize my ability to learn and thus serve you better. I consider my body an input/output machine, so in order to optimize my output (educational content), I've got to optimize the input (my physical/mental health). My job is to educate the public on how relatively complex technologies work, and this requires me to learn a lot really fast. I've learned that large gains can be made in my ability to learn ju

Deep Learning & Reinforcement Learning Summer School 2019 Recap

🎥 Deep Learning & Reinforcement Learning Summer School 2019 Recap
👁 1 раз ⏳ 3909 сек.
Deep Learning and Reinforcement Learning Summer School 2019

A recap by Lucas Souza, Numenta Research Engineer.

Numenta Research Meeting - Aug 7 2019

Discuss at https://discourse.numenta.org/t/deep-learning-reinforcement-learning-summer-school-2019-recap/6434/2

​Navigating intelligent automation
The hyping, and over-hyping of new technologies is certainly not a new phenomenon, but the rate of rise and fall has been accelerated
https://medium.com/luminovo/navigating-intelligent-automation-c0d0b2fb3e67?source=topic_page---------0------------------1

🔗 Navigating intelligent automation:
The hyping, and over-hyping of new technologies is certainly not a new phenomenon, but the rate of rise and fall has been accelerated to a…

​Must-read papers on GNN

https://github.com/thunlp/GNNPapers

🔗 thunlp/GNNPapers
Must-read papers on graph neural networks (GNN). Contribute to thunlp/GNNPapers development by creating an account on GitHub.

​Visual Product Search for Smart Retail Checkout
Doing cool things with data!
https://towardsdatascience.com/visual-product-search-for-smart-retail-checkout-eb7e1f34a351?source=collection_home---4------1-----------------------

🔗 Visual Product Search for Smart Retail Checkout
Doing cool things with data!

​Experimentation in Data Science
When AB testing doesn’t cut it

https://towardsdatascience.com/experimentation-in-data-science-90521e74ee4c?source=collection_home---4------0-----------------------

🔗 Experimentation in Data Science
When AB testing doesn’t cut it

The Main Highlights From CVPR2019 , Assaf Mushinsky Chief Scientist and Co-founder.

🎥 The Main Highlights From CVPR2019 , Assaf Mushinsky Chief Scientist and Co-founder.
👁 1 раз ⏳ 1781 сек.
The following topics:

* 2D & 3D Object Detection
* Instance and Panoptic Segmentation
* Efficient Deep Learning

​Top 10 Books to Learn Machine Learning

Here is the list of Top 10 Books

Book #1: Incognito: the Secret Lives of the Brain by David Eaglemann https://fatimekerimli.files.wordpress...

Book #2 - How Smart Machines think by Sean Gerrish (sign up to scribd for free, download the book, then cancel your trial so its free) https://www.scribd.com/document/40421...

Book #3 - The Hundred Page Machine Learning Book by Andrej Burkov https://github.com/ZakiaSalod/The-Hun...

Book #4 - Python Machine Learning 2nd Edition by Sebastian Reschka https://github.com/rasbt/python-machi...

Book #5 - Grokking Deep Learning by Andrew Trask https://github.com/ontiyonke/Free-Dee...

Book #6 - Probabilistic Programming and Bayesian Methods for Hackers by Cameron Davidson https://github.com/CamDavidsonPilon/P...

Book #7 - Doing Data Science: Straight Talk From The Frontline by Rachel Schutt https://github.com/SayantanMitra87/Da...

Book #8 - Reinforcement Learning by Sutton and Barto http://incompleteideas.net/book/bookd...

Book #9 - The Book of Why by Judea Pearl https://www.academia.edu/36682718/_Ju...

Book #10 - Quantum Machine Learning by Peter Wittek https://doc.lagout.org/Others/Data%20...

🔗

Data Science

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
✅Чем отличаются data analyst, data engineer и data scientist
✅Карьера в data science: типичные ошибки на собеседовании
✅Дискуссия «Тренды data science»
✅От исследований к продакшену: TDD, CRISP DM, контроль версий
✅Как в YouDo машинное обучение катится в продакшен
✅Крафтим артефакты: о воспроизводимости и трекинге зависимостей ✅Kaggle подходы для CV в проде: внедрить нельзя выпилить
✅Применение машинного обучения в страховании
✅Deep learning в рекомендательных системах
✅Практический RL: кнуты и пряники
https://vk.com/video-101965347_456274202?list=83f4c0a18a25a67533

🎥 074. Чем отличаются data analyst, data engineer и data scientist – Алексей Натёкин
👁 1 раз ⏳ 1205 сек.
- Как войти в сообщество data science?
- О различиях data scientist, data analyst, data engineer, кто из них чем занимается?
- В чём отличия между ...

🎥 075. Карьера в data science: типичные ошибки на собеседовании – Валерий Бабушкин
👁 3 раз ⏳ 1103 сек.
- Как найти работу в Data Science, если у тебя еще нет рабочего опыта?
- Стоит ли тратить время на kaggle?
- Какой путь должен пройти дата саентоло...

🎥 076. Дискуссия «Тренды data science»
👁 1 раз ⏳ 3548 сек.
- Кто и как диктует моду в data science?
- Какие прикладные задачи из области machine learning на данный момент самые актуальные? Какие не получает...

🎥 077. От исследований к продакшену: TDD, CRISP DM, контроль версий – Арсений Анисимович
👁 1 раз ⏳ 958 сек.
- Как организовать эффективное взаимодействие бизнеса, разработчиков и DS?
- Как версионировать данные и возможно ли это?
- Существует ли test driv...

🎥 078. Как в YouDo машинное обучение катится в продакшен – Адам Елдаров
👁 1 раз ⏳ 1471 сек.
- Как деплоить, скейлить и управлять жизненным циклом ML моделей?
- Как настроить процесс дообучения и переобучения модели?
- Как выстраивать масшт...

🎥 079. Крафтим артефакты: о воспроизводимости и трекинге зависимостей – Михаил Трофимов
👁 1 раз ⏳ 874 сек.
- Как организовать методологию экспериментов с данными?
- Зачем нужна воспроизводимость экспериментов и моделей?
- Как ее добиться?

* 21 октября ...

🎥 080. Kaggle подходы для CV в проде: внедрить нельзя выпилить – Арсений Кравченко vs Артур Кузин
👁 1 раз ⏳ 1494 сек.
В ходе дискуссии рассмариваются сильные и слабые стороны кэгглеров с точки зрения переноса их навыков в продакшен. Также будет произведено сравнени...

🎥 081. Применение машинного обучения в страховании – Фрэнк Шихалиев
👁 1 раз ⏳ 1291 сек.
Страховая отрасль всегда была достаточно консервативна, к тому же в финансовом секторе в России банки опередили страхование по развитию на десятиле...

🎥 082. Deep learning в рекомендательных системах – Андрей Зимовнов
👁 1 раз ⏳ 1757 сек.
- Deep learning в рекомендательных системах
- Collaborative Filtering (CF) в большой рекомендательной системе

* 21 октября 2018 г. в московском оф...

🎥 083. Практический RL: кнуты и пряники – Сергей Колесников
👁 1 раз ⏳ 1421 сек.
- Как начать изучать RL?
- Есть ли RL без DL?
- Соревнования по RL: полезно ли участвовать?
- Практика DRL в проде, есть ли какие успешные кейсы?
-...

🎥 Всё о Data Science / Big data и дополненная реальность / Интервью с Data Scientist
👁 1 раз ⏳ 7740 сек.
В сегодняшнем выпуске у меня в гостях Data Scientist компании Banuba - Вячеслав Архипов.
Слава провел полный экскурс в мир data sciense и анализа данных. Мы поговорили про нейронные сети, про генетические алгоритмы, про data sets, про big data, про machine learning, про deep learning, про биржевую торговлю, про augmented reality (дополненная реальность) и про многое другое.
Мощное техническое интервью с математиком!
Так что, заваривайте чаинский и приятного просмотра! 😎

Канал Славы: http://bit.ly/2YUhJiM

🎥 Никита Кричко. Методология использования машинного обучения в нагрузочном тестировании. QA Fest 2018
👁 1 раз ⏳ 2325 сек.
The talk from QA Fest conference in Kyiv, Ukraine.
Presentation: https://bit.ly/2xBtJ9Z
Fb: https://www.facebook.com/QAFest/
Website: http://qafest.com/

егодня никого не удивишь высоконагруженными системами. И мало кого в нашей индустрии удивишь отдельно выделенным человеком который занимается нагрузочным тестирование. Большинство людей думают, что они все могут автоматизировать и тесты будут запускаться автоматически. Вот только мало кто знает, что львиная доля времени уходит на анализ результатов (логов

​Risk Management via Anomaly Circumvent: Mnemonic Deep Learning for Midterm Stock Prediction. arxiv.org/abs/1908.01112

🔗 Risk Management via Anomaly Circumvent: Mnemonic Deep Learning for Midterm Stock Prediction
Midterm stock price prediction is crucial for value investments in the stock market. However, most deep learning models are essentially short-term and applying them to midterm predictions encounters large cumulative errors because they cannot avoid anomalies. In this paper, we propose a novel deep neural network Mid-LSTM for midterm stock prediction, which incorporates the market trend as hidden states. First, based on the autoregressive moving average model (ARMA), a midterm ARMA is formulated by taking into consideration both hidden states and the capital asset pricing model. Then, a midterm LSTM-based deep neural network is designed, which consists of three components: LSTM, hidden Markov model and linear regression networks. The proposed Mid-LSTM can avoid anomalies to reduce large prediction errors, and has good explanatory effects on the factors affecting stock prices. Extensive experiments on S&P 500 stocks show that (i) the proposed Mid-LSTM achieves 2-4% improvement in prediction accuracy, and (ii) in portfolio allocation investment, we achieve up to 120.16% annual return and 2.99 average Sharpe ratio.

🎥 Владимир Кубицкий. Создание алгоритмов машинного обучения в проектах ЛУН. .NET Fest 2018
👁 1 раз ⏳ 2730 сек.
The talk from .NET Fest conference in Kyiv, Ukraine.
Presentation: https://bit.ly/2DbgTUi
Fb: https://www.facebook.com/dotNETFest/
Website: http://dotnetfest.com/

Есть ли место машинному обучению в продукте по недвижимости? Я расскажу о том, как, начиная с нескольних простых эвристических модулей, которые определяли, является ли контактное лицо брокером или владельцем недвижимости, мы перешли к использованию десятков ML моделей, в результате чего смогли существенно уменьшить количество жалоб от наших клиен