​Книга «Data mining. Извлечение информации из Facebook, Twitter, LinkedIn, Instagram, GitHub»

imageПривет, Хаброжители! В недрах популярных социальных сетей — Twitter, Facebook, LinkedIn и Instagram — скрыты богатейшие залежи информации. Из этой книги исследователи, аналитики и разработчики узнают, как извлекать эти уникальные данные, используя код на Python, Jupyter Notebook или контейнеры Docker. Сначала вы познакомитесь с функционалом самых популярных социальных сетей (Twitter, Facebook, LinkedIn, Instagram), веб-страниц, блогов и лент, электронной почты и GitHub. Затем приступите к анализу данных на примере Twitter. Прочитайте эту книгу, чтобы:

Узнать о современном ландшафте социальных сетей;
Научиться использовать Docker, чтобы легко оперировать кодами, приведёнными в книге;
Узнать, как адаптировать и поставлять код в открытый репозиторий GitHub;
Научиться анализировать собираемые данные с использованием возможностей Python 3;
Освоить продвинутые приемы анализа, такие как TFIDF, косинусное сходство, анализ словосочетаний, определение клика и распознавание образов;
Узнать, как создавать красивые визуализации данных с помощью Python и JavaScript.
https://habr.com/ru/company/piter/blog/466729/

🔗 Книга «Data mining. Извлечение информации из Facebook, Twitter, LinkedIn, Instagram, GitHub»
Привет, Хаброжители! В недрах популярных социальных сетей — Twitter, Facebook, LinkedIn и Instagram — скрыты богатейшие залежи информации. Из этой книги исследо...

​Несколько штрихов о работе с идентификаторами bigint в R

Каждый раз, когда начинается разговор об использовании различных БД в качестве источника данных, появляется тема идентификаторов записей, объектов или чего-либо иного. Иногда согласование протокола обмена может рассматриваться участниками несколько месяцев. int-bigint-guid, далее по кругу. Для объемных задач, с учетом того, что нативно в R нет поддержки bigint (емкость ~2^64) выбор правильного представления таких идентификаторов может оказаться критичным в части производительности. Есть ли очевидное и универсальное обходное решение? Ниже несколько практических соображений, которые могут применяться в проектах в качестве лакмусовой бумажки.

Как правило, идентификаторы будут использоваться для трех классов задач:

группировка;
фильтрация;
объединение.

Исходя из этого и оценим различные подходы.

https://habr.com/ru/post/466829/

🔗 Несколько штрихов о работе с идентификаторами bigint в R
Каждый раз, когда начинается разговор об использовании различных БД в качестве источника данных, появляется тема идентификаторов записей, объектов или чего-либо...

​Угадай меня, если сможешь: прогнозирование рейтинга фильма до его выхода

Недавно мне на глаза попался датасет на Kaggle с данными о 45 тысячах фильмов с Full MovieLens Dataset. Данные содержали не только информацию об актерах, съемочной команде, сюжете и т.п., но и оценки, выставленные фильмам пользователями ресурса (26 миллионов оценок от 270 тыс.пользователей).

Стандартная задача для таких данных — это рекомендательная система. Но мне в голову почему-то пришло прогнозирование рейтинга фильма на основе информации, доступной до его выхода. Я не знаток кинематографа, и поэтому обычно ориентируюсь на рецензии, выбирая что посмотреть из новинок. Но ведь рецензенты тоже несколько biased — они-то смотрят гораздо больше разных фильмов, чем рядовой зритель. Поэтому спрогнозировать, как оценит фильм обычная публика, показалось занятным.
https://habr.com/ru/post/466967/

🔗 Угадай меня, если сможешь: прогнозирование рейтинга фильма до его выхода
Недавно мне на глаза попался датасет на Kaggle с данными о 45 тысячах фильмов с Full MovieLens Dataset. Данные содержали не только информацию об актерах, съемочн...

​Угадай меня, если сможешь: прогнозирование рейтинга фильма до его выхода

Машинное обучение
Недавно мне на глаза попался датасет на Kaggle с данными о 45 тысячах фильмов с Full MovieLens Dataset. Данные содержали не только информацию об актерах, съемочной команде, сюжете и т.п., но и оценки, выставленные фильмам пользователями ресурса (26 миллионов оценок от 270 тыс.пользователей).

Стандартная задача для таких данных — это рекомендательная система. Но мне в голову почему-то пришло прогнозирование рейтинга фильма на основе информации, доступной до его выхода. Я не знаток кинематографа, и поэтому обычно ориентируюсь на рецензии, выбирая что посмотреть из новинок. Но ведь рецензенты тоже несколько biased — они-то смотрят гораздо больше разных фильмов, чем рядовой зритель. Поэтому спрогнозировать, как оценит фильм обычная публика, показалось занятным.
https://habr.com/ru/post/466967/

🔗 Угадай меня, если сможешь: прогнозирование рейтинга фильма до его выхода
Недавно мне на глаза попался датасет на Kaggle с данными о 45 тысячах фильмов с Full MovieLens Dataset. Данные содержали не только информацию об актерах, съемочн...

🎥 A deep dive on training data requirements for mapping with deep learning - Daniel Hogan
👁 1 раз ⏳ 2368 сек.

🎥 Introducing convolutional neural networks (ML Zero to Hero, part 3)
👁 1 раз ⏳ 333 сек.
In part three of Machine Learning Zero to Hero, AI Advocate Laurence Moroney (lmoroney@) discusses convolutional neural networks and why they are so powerful in Computer vision scenarios. A convolution is a filter that passes over an image, processes it, and extracts features that show a commonality in the image. In this video you'll see how they work, by processing an image to see if you can extract features from it!

Codelab: Introduction to Convolutions → http://bit.ly/2lGoC5f

This video is also subtitl

🎥 TEXT TO SPEECH IN PYTHON | Convert Text to Speech in Python
👁 5 раз ⏳ 686 сек.
code used in this video - https://gist.github.com/pknowledge/dc4ba582623cc3682a62d7d7a69f7887
In this video I will show How To Convert Text to Speech in Python. we are going to use gtts python package to TEXT TO SPEECH IN PYTHON. gTTS stands for Google Text-to-Speech. gTTs is a Python library and Command line tool to interface with Google Translate's text-to-speech API. it Writes text to spoken mp3 data to a file or stdout. So we are going to learn How to Use the Speech Recognition Module GTTS usinng Pytho

Towards Understanding the Importance of Shortcut Connections in Residual Networks

Authors: Tianyi Liu, Minshuo Chen, Mo Zhou, Simon S. Du, Enlu Zhou, Tuo Zhao

Abstract: Residual Network (ResNet) is undoubtedly a milestone in deep learning. ResNet is equipped with shortcut connections between layers, and exhibits efficient training using simple first order algorithms. Despite of the great empirical success, the reason behind is far from being well understood. In this paper, we study a two-layer non-overlapping convolutional ResNet.
https://arxiv.org/abs/1909.04653

​RecoTour II: neural recommendation algorithms

🔗 RecoTour II: neural recommendation algorithms
Adding Deep Learning-based recommendation algorithms to RecoTour, a tour through recommendation algorithms in python.

​Take your Python Skills to the Next Level With Fluent Python

🔗 Take your Python Skills to the Next Level With Fluent Python
You’ve been programming in Python for a while, and although you know your way around dicts, lists, tuples, sets, functions, and classes…

​The thin line between data science and data engineering

🔗 The thin line between data science and data engineering
Akshay Singh on the TDS podcast

Нейронные сети
01 - Нейронные сети. Основы линейной алгебры
02 - Нейронные сети. Перцептрон и градиентный спуск
03 - Нейронные сети. Алгоритм обратного распространения ошибки
04 - Нейронные сети. Мониторинг состояния сети
05 - Нейронные сети. Заключение
#Нейронныесети
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🎥 01 - Нейронные сети. Основы линейной алгебры
👁 1 раз ⏳ 5559 сек.
Лектор: Арсений Москвичев

1. Введение
2. Ликбез по линейной алгебре: векторы
3. Ликбез по линейной алгебре: матрицы
4. Линейная алгебра в деле

ht...

🎥 02 - Нейронные сети. Перцептрон и градиентный спуск
👁 1 раз ⏳ 7739 сек.
Лектор: Арсений Москвичев

1. Нейроны: настоящие и искусственные
2. Перцептрон
3. Перцептрон: обучение
4. Больше искусственных нейронов!
5. Градиен...

🎥 03 - Нейронные сети. Алгоритм обратного распространения ошибки
👁 1 раз ⏳ 5437 сек.
Лектор: Арсений Москвичев

1. Многослойный перцептрон
2. Алгоритм обратного распространения ошибки
3. Алгоритм обратного распространения ошибки: пр...

🎥 04 - Нейронные сети. Мониторинг состояния сети
👁 1 раз ⏳ 2796 сек.
Лектор: Арсений Москвичев

1. Мониторинг состояния сети
2. Визуализация

https://stepik.org/s/JRYrVjqo

Русскоязычный курс по алгоритмам и структурам данных. Must-have для каждого программиста.

1. О курсе
2. Базовые структуры данных
3. Очереди с приоритетом
4. Системы непересекающихся множеств
5. Хеш-таблицы
6. АВЛ-деревья
7. Дополнительные операции
8. Сплей-деревья

🎥 00 - Алгоритмы. Структуры данных. О курсе
👁 1 раз ⏳ 114 сек.
Лектор: Александр Куликов

https://stepik.org/1547

🎥 01 - Алгоритмы. Структуры данных. Базовые структуры данных
👁 1 раз ⏳ 5222 сек.
Лектор: Александр Куликов

1. Массивы
2. Списки
3. Стеки
4. Очереди
5. Деревья
6. Масси ...

🎥 02 - Алгоритмы. Структуры данных. Очереди с приоритетом
👁 1 раз ⏳ 3736 сек.
Лектор: Александр Куликов

1. Очереди с приоритетом
2. Двоичная куча
3. Полностью з ...

🎥 03 - Алгоритмы. Структуры данных. Системы непересекающихся множеств
👁 1 раз ⏳ 3553 сек.
Лектор: Александр Куликов

1. Непересекающиеся множества
2. Простейшие реализаци ...

🎥 04 - Алгоритмы. Структуры данных. Хеш-таблицы
👁 1 раз ⏳ 4783 сек.
Лектор: Александр Куликов

1. Хеширование
2. Способы разрешения коллизий
3. Вероят ...

🎥 05 - Алгоритмы. Структуры данных. АВЛ-деревья
👁 1 раз ⏳ 2483 сек.
Лектор: Александр Куликов

1. Деревья поиска
2. АВЛ-деревья

https://stepik.org/1547

🎥 06 - Алгоритмы. Структуры данных. Дополнительные операции
👁 1 раз ⏳ 2183 сек.
Лектор: Александр Куликов

1. Дополнительные операции
2. Склеивание
3. Разрезание ...

🎥 07 - Алгоритмы. Структуры данных. Сплей-деревья
👁 1 раз ⏳ 2854 сек.
Лектор: Александр Куликов

1. Сплей-дерево
2. Детали реализации
3. Анализ

https://stepik.or...

​Что почитать и посмотреть для старта в Data Science: книги, словари и курсы

Подборка ресурсов по математике, статистике и программированию для начинающих Дата Сайентистов. Ознакомьтесь с материалами, если вы планируете учиться на онлайн-курсах. Так вы опередите одногруппников, а заодно прокачаете полезный навык — изучать дополнительные материалы самостоятельно.
https://habr.com/ru/company/netologyru/blog/467011/

🔗 Что почитать и посмотреть для старта в Data Science: книги, словари и курсы
Подборка ресурсов по математике, статистике и программированию для начинающих Дата Сайентистов. Ознакомьтесь с материалами, если вы планируете учиться на онлайн-...

Data Science and Machine Learning Bootcamp with R
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🎥 Data Science and Machine Learning Bootcamp with R - Part 1
👁 1 раз ⏳ 5688 сек.
This comprehensive course is comparable to other Data Science bootcamps that usually cost thousands of dollars, but now you can learn all that info...

🎥 Data Science and Machine Learning Bootcamp with R - Part 2 // Matrices
👁 1 раз ⏳ 3003 сек.
This comprehensive course is comparable to other Data Science bootcamps that usually cost thousands of dollars, but now you can learn all that information at a fraction of the cost! With over 100 HD video lectures and detailed code notebooks for every lecture this is one of the most comprehensive course for data science and machine learning on Udemy!

We'll teach you how to program with R, how to create amazing data visualizations, and how to use Machine Learning with R! Here a just a few of the topics we w

🎥 Data Science and Machine Learning Bootcamp with R - Part 3 // Data Frames
👁 1 раз ⏳ 4147 сек.
This comprehensive course is comparable to other Data Science bootcamps that usually cost thousands of dollars, but now you can learn all that information at a fraction of the cost! With over 100 HD video lectures and detailed code notebooks for every lecture this is one of the most comprehensive course for data science and machine learning on Udemy!

We'll teach you how to program with R, how to create amazing data visualizations, and how to use Machine Learning with R! Here a just a few of the topics we w

​Meta-Learning with Implicit Gradients
https://arxiv.org/abs/1909.04630

🔗 Meta-Learning with Implicit Gradients
A core capability of intelligent systems is the ability to quickly learn new tasks by drawing on prior experience. Gradient (or optimization) based meta-learning has recently emerged as an effective approach for few-shot learning. In this formulation, meta-parameters are learned in the outer loop, while task-specific models are learned in the inner-loop, by using only a small amount of data from the current task. A key challenge in scaling these approaches is the need to differentiate through the inner loop learning process, which can impose considerable computational and memory burdens. By drawing upon implicit differentiation, we develop the implicit MAML algorithm, which depends only on the solution to the inner level optimization and not the path taken by the inner loop optimizer. This effectively decouples the meta-gradient computation from the choice of inner loop optimizer. As a result, our approach is agnostic to the choice of inner loop optimizer and can gracefully handle many gradient steps without

​Full Stack Deep Learning Bootcamp
Lectures of Day 1
https://fullstackdeeplearning.com/march2019

🔗 Full Stack Deep Learning
Hands-on program for software developers familiar with the basics of deep learning seeking to expand their skills.

🎥 Поиск биомаркеров из протеомов и других экспрессионных данных методами машинного обучения
👁 3 раз ⏳ 3193 сек.
Лектор: Елена Чуклина, ETH Zürich

🎥 Python Voice Assistant Tutorial #7 - Speaking Events (With Pyttsx3)
👁 1 раз ⏳ 672 сек.
In this tutorial we will add to our previously created functions to get our assistant to speak out events that we have on a specific day. We will be using pyttsx3 to do this.

Text-Based Tutorial: https://techwithtim.net/tutorials/voice-assistant/speaking-events/

*****
Enroll in The Fundamentals of Programming w/ Python
https://tech-with-tim.teachable.com/p/the-fundamentals-of-programming-with-python

Instagram: https://www.instagram.com/tech_with_tim
Website https://techwithtim.net
Twitter: https://twitt

​SoftTriple Loss: Deep Metric Learning Without Triplet Sampling

Authors: Qi Qian, Lei Shang, Baigui Sun, Juhua Hu, Hao Li, Rong Jin

Abstract: Distance metric learning (DML) is to learn the embeddings where examples from the same class are closer than examples from different classes. It can be cast as an optimization problem with triplet constraints. Due to the vast number of triplet constraints, a sampling strategy is essential for DML.
https://arxiv.org/abs/1909.05235

🔗 SoftTriple Loss: Deep Metric Learning Without Triplet Sampling
Distance metric learning (DML) is to learn the embeddings where examples from the same class are closer than examples from different classes. It can be cast as an optimization problem with triplet constraints. Due to the vast number of triplet constraints, a sampling strategy is essential for DML. With the tremendous success of deep learning in classifications, it has been applied for DML. When learning embeddings with deep neural networks (DNNs), only a mini-batch of data is available at each iteration. The set of triplet constraints has to be sampled within the mini-batch. Since a mini-batch cannot capture the neighbors in the original set well, it makes the learned embeddings sub-optimal. On the contrary, optimizing SoftMax loss, which is a classification loss, with DNN shows a superior performance in certain DML tasks. It inspires us to investigate the formulation of SoftMax. Our analysis shows that SoftMax loss is equivalent to a smoothed triplet loss where each class has a single center. In real-world d