​Video Understanding Using Temporal Cycle-Consistency Learning

http://ai.googleblog.com/2019/08/video-understanding-using-temporal.html

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 Video Understanding Using Temporal Cycle-Consistency Learning
Posted by Debidatta Dwibedi, Research Associate, Google Research In the last few years there has been great progress in the field of vid...

​How We Construct a Virtual Being’s Brain with Deep Learning
3 video demos showcasing TwentyBN’s deep learning technology for human behavior understanding
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

https://towardsdatascience.com/how-we-construct-a-virtual-beings-brain-with-deep-learning-8f8e5eafe3a9?source=topic_page---------0------------------1

🔗 How We Construct a Virtual Being’s Brain with Deep Learning
3 video demos showcasing TwentyBN’s deep learning technology for human behavior understanding

​TORCHSCRIPT
TorchScript is a way to create serializable and optimizable models from PyTorch code. Any TorchScript program can be saved from a Python process and loaded in a process where there is no Python dependency.

We provide tools to incrementally transition a model from a pure Python program to a TorchScript program that can be run independently from Python, such as in a standalone C++ program. This makes it possible to train models in PyTorch using familiar tools in Python and then export the model via TorchScript to a production environment where Python programs may be disadvantageous. for performance and multi-threading reasons.
https://pytorch.org/docs/stable/jit.html

🔗 TorchScript — PyTorch master documentation

​🔥 New Releases: PyTorch 1.2, torchtext 0.4, torchaudio 0.3, and torchvision 0.4

Since the release of PyTorch 1.0, we’ve seen the community expand to add new tools, contribute to a growing set of models available in the PyTorch Hub, and continually increase usage in both research and production.

From a core perspective, PyTorch has continued to add features to support both research and production usage, including the ability to bridge these two worlds via TorchScript. Today, we are excited to announce that we have four new releases including PyTorch 1.2, torchvision 0.4, torchaudio 0.3, and torchtext 0.4. You can get started now with any of these releases at pytorch.org.
tglink.me/ai_machinelearning_big_data

https://pytorch.org/blog/pytorch-1.2-and-domain-api-release/

🔗 PyTorch
An open source deep learning platform that provides a seamless path from research prototyping to production deployment.

​Simultaneous Semantic Segmentation and Outlier Detection in Presence of Domain Shift
arxiv.org/abs/1908.01098

🔗 Simultaneous Semantic Segmentation and Outlier Detection in Presence of Domain Shift
Recent success on realistic road driving datasets has increased interest in exploring robust performance in real-world applications. One of the major unsolved problems is to identify image content which can not be reliably recognized with a given inference engine. We therefore study approaches to recover a dense outlier map alongside the primary task with a single forward pass, by relying on shared convolutional features. We consider semantic segmentation as the primary task and perform extensive validation on WildDash val (inliers), LSUN val (outliers), and pasted objects from Pascal VOC 2007 (outliers). We achieve the best validation performance by training to discriminate inliers from pasted ImageNet-1k content, even though ImageNet-1k contains many road-driving pixels, and, at least nominally, fails to account for the full diversity of the visual world. The proposed two-head model performs comparably to the C-way multi-class model trained to predict uniform distribution in outliers, while outperforming se

​How to manage impostor syndrome in data science
What if they find out you’re clueless?
https://towardsdatascience.com/how-to-manage-impostor-syndrome-in-data-science-ad814809f068?source=collection_home---4------0-----------------------

🔗 How to manage impostor syndrome in data science
What if they find out you’re clueless?

​LVIS: A DATASET FOR LARGE VOCABULARY INSTANCE SEGMENTATION
https://www.lvisdataset.org/

🔗 LVIS
A new dataset for long tail object detection.

​Free book : Machinelearning for text

📝 machinelearning for text.pdf - 💾9 162 253

​AirTest IDE и Image Recognition — автоматизация тестирования мобильных игр на основе распознавания изображений

В предыдущей статье мы познакомились с AirTest IDE, но, на всякий случай, давайте повторим: AirTest IDE разработан компанией NetEase и предназначен для "hard-to-automate" приложений, таких как, например, игр. Собственно на них и делается основной упор разработчиками, хотя это не мешает использовать AirTest и для любых других приложений.

Сегодня же я расскажу вам об одном из 2х основных фреймворков — AirTest. AirTest — это кросс-платформенный фреймворк для автоматизации UI, основанный на принципах распознавания изображений (Image Recognition), который, как заявляют разработчики, подходит для игр и приложений. AirTest Project на GitHub содержит 4 проекта: Airtest, Poco, iOS-Tangent, multi-device-runner.

А теперь давайте перейдём к самому интересному!
https://habr.com/ru/post/462587/

🔗 AirTest IDE и Image Recognition — автоматизация тестирования мобильных игр на основе распознавания и
В предыдущей статье мы познакомились с AirTest IDE, но, на всякий случай, давайте повторим: AirTest IDE разработан компанией NetEase и предназначен для "hard-to-...

​Kaggle Airbus Ship Detection Challenge — Константин Гаврильчик, Евгений Кононенко

🔗 Kaggle Airbus Ship Detection Challenge — Константин Гаврильчик, Евгений Кононенко
Константин Гаврильчик и Евгений Кононенко рассказывают про соревнование Kaggle Airbus Ship Detection Challenge, где они заняли первое место. Задача заключалась в детектировании кораблей на спутниковых снимках. Из видео вы сможете узнать: - Про лик и почему соревнование было перезапущено - Стратегию валидации, как готовились данные для моделей - Подробности решения первого места - Какие подходы не сработали Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и

​Kaggle Live-Coding | Kaggle

🔗 Kaggle Live-Coding | Kaggle
Join Kaggle data scientist Rachael as she does data science work live. SUBSCRIBE: https://www.youtube.com/c/kaggle?sub_... About Kaggle: Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data science work. Kaggle's platform is the fastest way to get started on a new data science project. Spin up a Jupyter notebook with a single click. Build with our huge repository of free code and data. Stumped? Ask the friendly Kaggle community for help. Fo

Максим Кочуров, PyMC3 – Bayesian Statistical Modelling in Python
25 июня в Москве на площадке Цифрового Делового Пространства прошёл третий ежегодный саммит Machines Can See. Организатор мероприятия – компания VisionLabs, мировой лидер в области систем компьютерного зрения и машинного обучения.. Саммит объединяет ведущих мировых специалистов для обмена опытом и тенденциями в сфере искусственного интеллекта.
https://www.youtube.com/watch?v=ogHrgixuFzg

🎥 Научная сессия Machines Can See 2019
👁 1 раз ⏳ 27929 сек.
25 июня в Москве на площадке Цифрового Делового Пространства прошёл третий ежегодный саммит Machines Can See. Организатор мероприятия – компания VisionLabs, мировой лидер в области систем компьютерного зрения и машинного обучения.. Саммит объединяет ведущих мировых специалистов для обмена опытом и тенденциями в сфере искусственного интеллекта.

Спикеры:
• Пьетро Перона (Caltech, Amazon)
• Эрве Жегу (Facebook)
• Марк Поллефейс (ETH, Microsoft)
• Гари Брадски (Arraiy)
• Алексей Досовицкий (Google)
• Ясонас К

Максим Кочуров, PyMC3 – Bayesian Statistical Modelling in Python
https://www.youtube.com/watch?v=aJ5FZ648E2E

🎥 Максим Кочуров, PyMC3 – Bayesian Statistical Modelling in Python
👁 1 раз ⏳ 1832 сек.
Байесовская статистика в последнее время стала обсуждаться в контексте глубокого обучения. К сожалению, это скрывает главное ее преимущество по сравнению со стандартными подходами машинного обучения. В отличие от black-box моделей, байесовский подход к моделированию white-box. White-box – это и хорошо, и плохо.

От аналитика требуется полное понимание природы задачи, только тогда байесовский подход используется на полную мощность. Он позволяет учесть не только то, что «говорят нам данные», но и то, что «гов

🎥 Python Tech Webinar: Text processing, Machine Learning and Productivity boost
👁 1 раз ⏳ 7000 сек.
“Text processing and Machine Learning with Python” by Marsel Zaripov, Senior Software Engineer at EPAM Poland
“Boost your productivity with Python: from engineers by engineers” by Oleksandr Tamm, Lead Software Engineer at EPAM Poland

​"Task-Embedded Control Networks for Few-Shot Imitation Learning"
https://github.com/stepjam/TecNets

🔗 stepjam/TecNets
Official code for "Task-Embedded Control Networks for Few-Shot Imitation Learning". - stepjam/TecNets

​Analysis of an art survey using Pandas
Pandas is a Python open source library for data science that allows us to easily work with structured data, such as csv files, SQL tables
https://towardsdatascience.com/analysis-of-an-art-survey-using-pandas-ea782c0d0691?source=collection_home---4------1-----------------------

🔗 Analysis of an art survey using Pandas
Pandas is a Python open source library for data science that allows us to easily work with structured data, such as csv files, SQL tables…

​Architecting For The -ilities
6 Essential Software Qualities
https://towardsdatascience.com/architecting-for-the-ilities-6fae9d00bf6b?source=collection_home---4------0-----------------------

🔗 Architecting For The -ilities
6 Essential Software Qualities

​Learn how to make BERT smaller and faster
https://blog.rasa.com/compressing-bert-for-faster-prediction-2/

🔗 Learn how to make BERT smaller and faster
Let's look at compression methods for neural networks, such as quantization and pruning. Then, we apply one to BERT using TensorFlow Lite.

​Кластерная память с аппроксимацией

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

Разработана память с нелинейной аппроксимацией внутри кластеров данных. Кластеры предлагается выделять методом k-средних. Аппроксимацию проводить с помощью обучения ансамбля нейронных сетей. Кластерная память протестирована на примере адаптивного фильтра для преобразования цветов изображения. По результатам компьютерных экспериментов данный вид памяти показал хорошую селективную способность к обучению. На примере адаптивного фильтра удается обучить память к изменению всей цветовой палитры изображения.
#Машинное обучение
https://habr.com/ru/post/462303/

🔗 Кластерная память с аппроксимацией
Разработана память с нелинейной аппроксимацией внутри кластеров данных. Кластеры предлагается выделять методом k-средних. Аппроксимацию проводить с помощью обуч...