​8 Things You Need to Know about Surveillance

https://www.fast.ai/2019/08/07/surveillance

🔗 8 Things You Need to Know about Surveillance
8 important truths about surveillance

​Алгоритм DeepMind подготовит прорыв в биологии

Стартап DeepMind прославился благодаря алгоритмам, которые победили шахматных гроссмейстеров и чемпионов по го. Теперь основатель и генеральный директор Денис Хассабис намерен использовать ресурсы для решения сложных научных задач. Первой станет предсказание структур белков после их самосборки.

В живых организмах белки выполняют множество функций, включая ферментативную. Одна из самых интригующих особенностей этих молекул — их способность к самосборке. Исследователи надеются, что понимание этого процесса позволит создавать синтетические аналоги белков с заданными свойствами. Однако проблема в том, что для простого перебора всех возможных конфигураций среднего по сложности белка потребуется время, превышающее возраст Вселенной. Так что ученым нужна помощь.

Команда DeepMind решила создать алгоритм, который помог бы ученым прогнозировать структуру белка на основе последовательности его аминокислот.

Как отмечает Wired, на создание ИИ для такой работы ушло около двух лет. Алгоритм, получивший названий AlphaFold, быстро подтвердил возложенные на него надежды. В ходе соревнования, проведенного в 2018 году, он обошел несколько команд ученых в способности предсказывать структуру белка. При этом результаты ИИ были лучше для всех 90 предложенных белков.

Особенно хорошо AlphaFold справился с последовательностями, смоделированными с нуля. Из 43 образцов он дал наиболее точный прогноз для 25. Для сравнения, лучший результат команды людей — 3.
Для DeepMind достижения AlphaFold означают, что искусственный интеллект может быть успешным не только в играх, но и в реальной жизни. Теперь глава компании уверен, что технология поможет решать и другие фундаментальные вопросы биологии. Правда, далеко не все области этой науки так же хорошо заточены под компьютерное моделирование, как вопрос структуры белков.

​Ten quick tips for effective dimensionality
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006907

🔗 Ten quick tips for effective dimensionality reduction

​Ten quick tips for effective dimensionality
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006907

🔗 Ten quick tips for effective dimensionality reduction

Тренировка по машинному обучению 10 августа 2019

https://www.youtube.com/watch?v=nhDU7U8DAXs

🎥 Тренировка по машинному обучению 10 августа 2019
👁 1 раз ⏳ 7699 сек.
(eng below) Тренировка по машинному обучению – это открытый митап, на который мы приглашаем участников соревнований по анализу данных, чтобы познакомиться, рассказать про задачи, обменяться опытом участия и пообщаться.

С докладами выступают успешные участники последних соревнований на Kaggle и других платформах — рассказывают о своих решениях: какие техники и методы использовали они сами, а какие помогли их конкурентам.

В программе 10 августа:

Юрий Болконский, Геннадий Штех, Николай Прокопцев — Kaggle Ji

​Распознавание лиц в городах: безопасность vs приватность

Камеры видеонаблюдения в российских городах будут использовать для поиска должников. Сейчас такая практика действует в Москве, но в будущем распространится на всю страну, сообщил руководитель федеральной службы судебных приставов России Дмитрий Аристов.
https://habr.com/ru/post/462893/

🔗 Распознавание лиц в городах: безопасность vs приватность
Камеры видеонаблюдения в российских городах будут использовать для поиска должников. Сейчас такая практика действует в Москве, но в будущем распространится на вс...

🎥 Python Flappy Bird AI Tutorial (with NEAT) - Creating the Bird
👁 3 раз ⏳ 775 сек.
Lean how to program an AI to play the game of flappy bird using python and the module neat python. We will start by building a version of flappy bird using pygame and end by implementing the evolutionary neat algorithm to play the game.

Get a free $20 credit when you sign up at this link: https://www.linode.com/techwithtim
Thanks to Linode for sponsoring this video!

Image Download: https://techwithtim.net/wp-content/uploads/2019/08/imgs.zip
Code: https://github.com/techwithtim/NEAT-Flappy-Bird

Enroll in

​Image Filters in Python
I am currently working on a computer vision project and I wanted to look into image pre-processing to help improve the machine learning

https://medium.com/@m4nv1r5/image-filters-in-python-26ee938e57d2?source=topic_page---------0------------------1

🔗 Image Filters in Python
I am currently working on a computer vision project and I wanted to look into image pre-processing to help improve the machine learning…

​How gamers rate video games compared to gaming websites.

🔗 How gamers rate video games compared to gaming websites.
An insight on how gamers view games differently from websites

​Learn to Pay Attention! Trainable Visual Attention in CNNs

https://towardsdatascience.com/learn-to-pay-attention-trainable-visual-attention-in-cnns-87e2869f89f1

🔗 Learn to Pay Attention! Trainable Visual Attention in CNNs
When training an image model, we want the model to be able to focus on important parts of the image. One way of accomplishing this is…

Data Visualization GUIs с Dash и Python
Из данного видеокурса вы узнаете как создать интерфейсы визуализации интерактивных данных на основе браузера с Python и Dash.

Наш телеграм канал - tglink.me/ai_machinelearning_big_data
1. Введение
2. Интерактивный пользовательский интерфейс
3. Динамический график на основе пользовательского ввода
4. Живые графики с событиями
5. Пример данных датчика транспортного средства Пример приложения
6. Анализ тональности в Python с помощью TextBlob и VADER Sentiment (+ Dash)
7. Потоковые твиты и тональности
8. Чтение из нашей базы данных тональности
9. Диаграмма тональности

🎥 Intro - Data Visualization GUIs with Dash and Python p.1
👁 1 раз ⏳ 1045 сек.
How to create browser-based interactive data visualization interfaces with Python and Dash

Text tutorials and sample code: https://pythonprogrammi...

🎥 Interactive User Interface - Data Visualization GUIs with Dash and Python p.2
👁 1 раз ⏳ 497 сек.
Welcome to part two of the Dash tutorial series for making interactive data visualization user interfaces with Python. In this tutorial, we're goin...

🎥 Dynamic Graph based on User Input - Data Visualization GUIs with Dash and Python p.3
👁 1 раз ⏳ 991 сек.
Welcome to part three of the web-based data visualization with Dash tutorial series. Up to this point, we've learned how to make a simple graph and...

🎥 Live Graphs with Events - Data Visualization GUIs with Dash and Python p.4
👁 1 раз ⏳ 1086 сек.
How to create live graphs in Python with Dash, the browser-based data visualization application framework.

Text tutorials and sample code: https:/...

🎥 Vehicle sensor data App Example - Data Visualization GUIs with Dash and Python p.5
👁 1 раз ⏳ 1502 сек.
Welcome to part five of the data visualization apps in Python with Dash tutorial series. In this part, we're going to cover how to make the vehicle...

🎥 Sentiment Analysis in Python with TextBlob and VADER Sentiment (also Dash p.6)
👁 1 раз ⏳ 1405 сек.
What's going on everyone and welcome to a quick tutorial on doing sentiment analysis with Python. Today, I am going to be looking into two of the m...

🎥 Streaming Tweets and Sentiment - Data Visualization GUIs with Dash and Python p.7
👁 1 раз ⏳ 876 сек.
Hello and welcome to another tutorial with sentiment analysis, this time we're going to save our tweets, sentiment, and some other features to a da...

🎥 Reading from our sentiment database - Data Visualization GUIs with Dash and Python p.8
👁 1 раз ⏳ 317 сек.
Hello and welcome to part 3 of our sentiment analysis visualization application project with Dash. Leading up to this part, we learned how to calcu...

🎥 Live Twitter Sentiment Graph - Data Visualization GUIs with Dash and Python p.9
👁 1 раз ⏳ 609 сек.
Welcome to part 4 of our sentiment analysis application with Dash and Python. Next, we're going to tie everything together up to this point to crea...

​Большим данным большой биллинг: о BigData в телекоме
Big Data,

В 2008 BigData была новым термином и модным трендом. В 2019 BigData – это объект продажи, источник прибыли и повод для новых законопроектов.

Осенью прошлого года российское правительство инициировало законопроект о регулировании больших данных. Запрещается идентифицировать по информации людей, но разрешается делать это по запросу федеральных органов. Обработка BigData для третьих лиц – только после уведомления Роскомнадзора. Под закон попадают компании, в распоряжении которых больше 100 тысяч сетевых адресов. И, конечно, куда без реестров – предполагается создание такового со списком операторов БД. И если до этого BigData не всеми воспринималась всерьез, то теперь с ней придется считаться.

Не могу обойти стороной БД и я, как директор компании-разработчика биллинга, который эту самую BigData обрабатывает. Поразмышляю о больших данных через призму операторов связи, через чьи биллинговые системы ежедневно проходят потоки информации о тысячах абонентов.
https://habr.com/ru/post/463179/

🔗 Большим данным большой биллинг: о BigData в телекоме
В 2008 BigData была новым термином и модным трендом. В 2019 BigData – это объект продажи, источник прибыли и повод для новых законопроектов. Осенью прошлого год...

​Визуализация зависимостей и наследований между моделями машинного обучения

Несколько месяцев назад я столкнулся с проблемой, моя модель построенная на алгоритмах машинного обучения просто на просто не работала. Я долго думал над тем, как решить эту проблему и в какой-то момент осознал что мои знания очень ограничены, а идеи скудны. Я знаю пару десятков моделей, и это очень малая часть тех работ которые могут быть очень полезны.

Первая мысль которая пришла в голову это то что, если я буду знать и пойму больше моделей, мои качества как исследователя и инженера в целом, возрастут. Эта идея подтолкнула меня к изучению статей с последних конференций по машинному обучению. Структурировать такую информацию довольно сложно, и необходимо записывать зависимости и связи между методами. Я не хотел представлять зависимости в виде таблицы или списка, а хотелось что-то более естественное. В итоге, я понял что иметь для себя трехмерный граф с ребрами между моделями и их компонентами, выглядит довольно интересно.

Например, архитектурно GAN [1] состоит из генератора (GEN) и дискриминатора (DIS), Состязательный Автокодировщик (AAE) [2] состоит из Автокодировщика (AE) [3] и DIS,. Каждый компонент является отдельной вершиной в данном графе, поэтому для AAE у нас будет ребро с AE и DIS.

Шаг за шагом, я анализировал статьи, выписывал из каких методов они состоят, в какой предметной области они применяются, на каких данных они тестировались, и так далее. В процессе работы я понял сколько очень интересных решений остаются неизвестными, и не находят своего применения.
#Машинноеобучение
#Искусственныйинтеллект
https://habr.com/ru/post/463175/

🔗 Визуализация зависимостей и наследований между моделями машинного обучения
Несколько месяцев назад я столкнулся с проблемой, моя модель построенная на алгоритмах машинного обучения просто на просто не работала. Я долго думал над тем,...

Machine Learning Engineer reacts to State of AI Report 2019

https://www.youtube.com/watch?v=mOWA_1r_NUA

🎥 Machine Learning Engineer reacts to State of AI Report 2019
👁 1 раз ⏳ 3211 сек.
Machine learning engineer, Daniel Bourke, reviews the State of AI Report 2019 edition. The State of AI reports covers some of the most significant breakthroughs in artificial intelligence over the last year.

Special thanks to Ian and Nathan for crafting such a well-made report.

State of AI Report - https://www.stateof.ai

Timestamps:
1. Research and technical breakthroughs: 05:39
2. Talent - 34:26
3. Industry - 38:24
4. Politics - 46:30
5. China - 48:20
6. Predictions - 49:13
7. Conclusion - 51:57

Menti

​Bayesian Feature Pyramid Networks for Automatic Multi-Label Segmentation of Chest X-rays and Assessment of Cardio-Thoratic Ratio
https://arxiv.org/abs/1908.02924

🔗 Bayesian Feature Pyramid Networks for Automatic Multi-Label Segmentation of Chest X-rays and Assessm
Cardiothoratic ratio (CTR) estimated from chest radiographs is a marker indicative of cardiomegaly, the presence of which is in the criteria for heart failure diagnosis. Existing methods for automatic assessment of CTR are driven by Deep Learning-based segmentation. However, these techniques produce only point estimates of CTR but clinical decision making typically assumes the uncertainty. In this paper, we propose a novel method for chest X-ray segmentation and CTR assessment in an automatic manner. In contrast to the previous art, we, for the first time, propose to estimate CTR with uncertainty bounds. Our method is based on Deep Convolutional Neural Network with Feature Pyramid Network (FPN) decoder. We propose two modifications of FPN: replace the batch normalization with instance normalization and inject the dropout which allows to obtain the Monte-Carlo estimates of the segmentation maps at test time. Finally, using the predicted segmentation mask samples, we estimate CTR with uncertainty. In our experi

​benedekrozemberczki/awesome-graph-classification

🔗 benedekrozemberczki/awesome-graph-classification
A collection of important graph embedding, classification and representation learning papers with implementations. - benedekrozemberczki/awesome-graph-classification

​Learn to Pay Attention! Trainable Visual Attention in CNNs
When training an image model, we want the model to be able to focus on important parts of the image.
https://towardsdatascience.com/learn-to-pay-attention-trainable-visual-attention-in-cnns-87e2869f89f1?source=collection_home---4------2-----------------------

🔗 Learn to Pay Attention! Trainable Visual Attention in CNNs
When training an image model, we want the model to be able to focus on important parts of the image. One way of accomplishing this is…

​Multiprotocol Label Switching(MPLS) Explained
This blog is divided into two subparts, in the first part we will understand what exactly is MPLS
https://towardsdatascience.com/multiprotocol-label-switching-mpls-explained-aac04f3c6e94?source=collection_home---4------5-----------------------

🔗 Multiprotocol Label Switching(MPLS) Explained
This blog is divided into two subparts, in the first part we will understand what exactly is MPLS and in the second we will see how we can…

🎥 Data Science Fundamentals: Data Cleaning in Python
👁 1 раз ⏳ 2084 сек.
This is the third video in my Data Science Fundamentals series. In it I walk through the most important data cleaning techniques using pandas. Data cleaning is extremely important process in data science. There is an old adage in data science "garbage in garbage out", if we don't provide clean data to our models, we will get poor results. Data cleaning is essential in becoming a great data scientist. This video will show you how to clean data by removing and/or imputing null values, cleaning and standardizi

​Geospatial Indexing with Uber’s H3
Hexagon power!
https://towardsdatascience.com/geospatial-indexing-with-ubers-h3-766399b690c?source=collection_home---4------5-----------------------

🔗 Geospatial Indexing with Uber’s H3
Hexagon power!