​Полезненькая статья) о нюансах тестирования в парочке cucumber.js + puppeteer

🔗 Нюансы тестирования в парочке cucumber.js + puppeteer
В этой статье пойдет речь о некоторых моментах, которые сэкономят время тем, кто будет писать тесты с применением описанных в заголовке…

🎥 Python Flappy Bird AI Tutorial (with NEAT) - Finishing Touches and Testing
👁 5 раз ⏳ 1030 сек.
The final video in the Python Flappy Bird AI Tutorial series. In this video we finish up the implementation of the NEAT python algorithm and start ...

​Граф Скоринг де ля Фер или исследование на тему кредитного скоринга, в рамках расширения кругозора

Добрый день! Сегодня мы начинаем цикл статей, посвященных скорингу и использованию в оном теории графов (Т.Г.). Надеюсь, нам хватит запала, сил и терпения, т.к. тема достаточно объемная и, на наш взгляд, интересная.

Несмотря на шуточное название, мы постараемся затронуть отнюдь не шуточные темы, которые уже сейчас влияют на жизнь многих из нас, а в ближайшем будущем могут коснуться всех, без исключения.

Все шуточные аллегории, вставки и прочее призваны немного разгрузить повествование и не позволить ему свалиться в нудную лекцию. Всем, кому не зайдет наш юмор, заранее приносим извинения

А теперь к делу.

Цель данной статьи: не более, чем за 30 минут, ввести читателя в проблематику исследования, определить уровень рассмотрения проблемы, описать основную концепцию исследования и познакомить с базовыми терминами.

Термины и определения:

Скоринг – система бальной оценки объекта, основанная на численных статистических методах.
Граф – способ моделирования связей объектов. Представьте, что Вы с друзьями играете в покер и хотите смоделировать, кто кому сейчас должен. Например, «Д’Артаньян должен Атосу 10 луидоров»
https://habr.com/ru/post/464447/

🔗 Граф Скоринг де ля Фер или исследование на тему кредитного скоринга, в рамках расширения кругозора
AntipovSN and MihhaCF Часть первая, в которой Граф еще не стал Атосом, не встретил Миледи и все у него хорошо Вступление от авторов: Добрый день! Сегодня мы нач...

​Интерпретируемая модель машинного обучения. Часть 1

Всем привет. До старта курса «Machine Learning» остается чуть больше недели. В преддверии начала занятий мы подготовили полезный перевод, который будет интересен как нашим студентам, так и всем читателям блога. Начнем.

Пора избавиться от черных ящиков и укрепить веру в машинное обучение!

В своей книге “Interpretable Machine Learning” Кристоф Мольнар прекрасно выделяет суть интерпретируемости Машинного Обучения с помощью следующего примера: Представьте, что вы эксперт Data Science, и в свободное время пытаетесь спрогнозировать куда ваши друзья отправятся в отпуск летом, основываясь на их данных из facebook и twitter. Итак, если прогноз окажется верным, то ваши друзья будут считать вас волшебником, который может видеть будущее. Если прогнозы будут неверны, то это не принесет вреда ничему, кроме вашей репутации аналитика. Теперь представим, что это был не просто забавный проект, а к нему были привлечены инвестиции. Скажем, вы хотели инвестировать в недвижимость, где ваши друзья, вероятно, будут отдыхать. Что произойдёт, если предсказания модели будут неудачными? Вы потеряете деньги. Пока модель не оказывает существенного влияния, ее интерпретируемость не имеет большого значения, но когда есть финансовые или социальные последствия, связанные с предсказаниями модели, ее интерпретируемость приобретает совершенно другое значение.
https://habr.com/ru/company/otus/blog/464695/

🔗 Интерпретируемая модель машинного обучения. Часть 1
Всем привет. До старта курса «Machine Learning» остается чуть больше недели. В преддверии начала занятий мы подготовили полезный перевод, который будет интересен...

​Pamela McCorduck: Machines Who Think and the Early Days of AI | Artificial Intelligence (AI) Podcast

🔗 Pamela McCorduck: Machines Who Think and the Early Days of AI | Artificial Intelligence (AI) Podcast
Pamela McCorduck is an author who has written on the history and philosophical significance of artificial intelligence, the future of engineering, and the role of women and technology. Her books include Machines Who Think in 1979, The Fifth Generation in 1983 with Ed Feigenbaum who is considered to be the father of expert systems, the Edge of Chaos, The Futures of Women, and more. Through her literary work, she has spent a lot of time with the seminal figures of artificial intelligence, includes the foundin

🎥 OpenCV Android Studio (Android Image Processing , Android Machine Learning Library) - Learn OpenCv
👁 1 раз ⏳ 313 сек.
OpenCV is a library of programming functions mainly aimed at real-time computer vision. Originally developed by Intel, it was later supported by Willow Garage then Itseez. The library is cross-platform and free for use under the open-source BSD license.

OpenCV (Open source computer vision) can be used for developing opencv machine learning applications and opencv image processing applications.

Deep Learning basics with Python, TensorFlow

🎥 Deep Learning basics with Python, TensorFlow
👁 1 раз ⏳ 644 сек.
Deep Learning basics with Python, TensorFlow

​How to Detect Outliers in a 2D Feature Space
Outlier detection using plotting and clustering techniques to analyze the dependency of two features with Python

https://towardsdatascience.com/outlier-detection-python-cd22e6a12098?source=collection_home---4------5-----------------------

🔗 Outlier Detection for a 2D Feature Space in Python
Outlier detection using plotting and clustering techniques to analyze the dependency of two features with Python

​Mixing policy gradient and Q-learning
Policy gradient algorithms is a big family of reinforcement learning algorithms, including reinforce, A2/3C, PPO and others.
https://towardsdatascience.com/mixing-policy-gradient-and-q-learning-5819d9c69074?source=collection_home---4------0-----------------------

🔗 Mixing policy gradient and Q-learning
Policy gradient algorithms is a big family of reinforcement learning algorithms, including reinforce, A2/3C, PPO and others. Q-learning is…

​Adversarial-Based Knowledge Distillation for Multi-Model Ensemble and Noisy Data Refinement

Authors: Zhiqiang Shen, Zhankui He, Wanyun Cui, Jiahui Yu, Yutong Zheng, Chenchen Zhu, Marios Savvides

Abstract: Generic Image recognition is a fundamental and fairly important visual problem in computer vision. One of the major challenges of this task lies in the fact that single image usually has multiple objects inside while the labels are still one-hot, another one is noisy and sometimes missing labels when annotated by humans
https://arxiv.org/abs/1908.08520

🔗 Adversarial-Based Knowledge Distillation for Multi-Model Ensemble and Noisy Data Refinement
Generic Image recognition is a fundamental and fairly important visual problem in computer vision. One of the major challenges of this task lies in the fact that single image usually has multiple objects inside while the labels are still one-hot, another one is noisy and sometimes missing labels when annotated by humans. In this paper, we focus on tackling these challenges accompanying with two different image recognition problems: multi-model ensemble and noisy data recognition with a unified framework. As is well-known, usually the best performing deep neural models are ensembles of multiple base-level networks, as it can mitigate the variation or noise containing in the dataset. Unfortunately, the space required to store these many networks, and the time required to execute them at runtime, prohibit their use in applications where test sets are large (e.g., ImageNet). In this paper, we present a method for compressing large, complex trained ensembles into a single network, where the knowledge from a variet

🎥 AlphaFold: improved protein structure prediction using potentials from deep learning
👁 1 раз ⏳ 3760 сек.
Andrew Senior is a research scientist at Google DeepMind and team lead on the AlphaFold project. This talk was recorded at the University of Washington on August 19, 2019.

00:01:25 — Protein structure prediction at DeepMind
00:05:05 — Protein folding problem (overview)
00:07:45 — CASP13 (overview)
00:12:28 — CASP13 results
00:14:55 — AlphaFold system (overview)
00:18:01 — Key aspects of AlphaFold
00:21:00 — Deep learning (overview)
00:25:35 — Why machine learning for protein structure modelling?
00:26:29 —

​Protobuf for NVIDIA Jetson
How to deploy a protobuf model from AutoML Vision with Python on a NVIDIA Jetson

https://medium.com/ri-rewe-digital/protobuf-for-nvidia-jetson-e8b2c6ee47cc?source=topic_page---------0------------------1

🔗 Deploy AutoML protobuf model on NVIDIA Jetson
How to deploy a protobuf model from AutoML Vision with Python on a NVIDIA Jetson

🎥 Support vector machines (machine learning ) in R
👁 1 раз ⏳ 532 сек.
I have explained how to perform support vector machine classifier in machine learning using R

​Seeing is Believing — Mesoscopic Neural Networks for Synthetic Image Detection: an Implementation in

🔗 Seeing is Believing — Mesoscopic Neural Networks for Synthetic Image Detection: an Implementation in
Inception layer-powered intermediate detail level recognition

​📝 Rashid_Sozdaem_neyronnuyu_set.djvu - 💾2 935 222

🎥 24x7 AI - Machine Learning - Data Science Tutorials by World's Best Instructors
👁 5 раз ⏳ 42760 сек.
Collection of besr tutorials in the field of Data Science - played 24x7 - Learn Machine Learning and Artificial Intelligence whenever you can - Just tune in this live Data Science Station

​AI Learns To Animate Your Face in VR

Paper:https://research.fb.com/publications/vr-facial-animation-via-multiview-image-translation/

video: https://www.youtube.com/watch?v=hkSfHCtpnHU

🔗 Для просмотра нужно войти или зарегистрироваться
Смотрите публикации, фото и другие материалы на Facebook.


🎥 AI Learns To Animate Your Face in VR
👁 1 раз ⏳ 243 сек.
❤️ Check out Linode here and get $20 free on your account:
https://www.linode.com/papers

📝 The paper "VR Facial Animation via Multiview Image Translation" is available here:
https://research.fb.com/publications/vr-facial-animation-via-multiview-image-translation/

🙏 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 Jadanows

​Bayesian Deep Learning Benchmarks

https://github.com/OATML/bdl-benchmarks

🔗 OATML/bdl-benchmarks
Bayesian Deep Learning Benchmarks. Contribute to OATML/bdl-benchmarks development by creating an account on GitHub.

​TensorFlow with Apache Arrow Datasets

Apache Arrow enables the means for high-performance data exchange with TensorFlow that is both standardized and optimized for analytics and machine learning. The Arrow datasets from TensorFlow I/O provide a way to bring Arrow data directly into TensorFlow tf.data that will work with existing input pipelines and tf.data.Dataset APIs.

https://medium.com/tensorflow/tensorflow-with-apache-arrow-datasets-cdbcfe80a59f

🔗 TensorFlow with Apache Arrow Datasets
An Overview of Apache Arrow Datasets Plus Example To Run Keras Model Training