​Introduction to Deep Learning Recitation 1 (AWS)

🔗 Introduction to Deep Learning Recitation 1 (AWS)

​AutoML: Automating the design of machine learning models for autonomous driving

Link: https://medium.com/waymo/automl-automating-the-design-of-machine-learning-models-for-autonomous-driving-141a5583ec2a

#Waymo #automl #DL #selfdriving #Google

🔗 AutoML: Automating the design of machine learning models for autonomous driving
Through a collaboration with Google AI researchers we’re putting cutting-edge research into practice to automatically generate neural nets.

​How I used NLP (Spacy) to screen Data Science Resumes

Example on how #notAIyet can be used to ease day-to-day job.

Link: https://towardsdatascience.com/do-the-keywords-in-your-resume-aptly-represent-what-type-of-data-scientist-you-are-59134105ba0d

#NLP #HR #DL

🔗 How I used NLP (Spacy) to screen Data Science Resumes
Do the keywords in your Resume aptly represent what type of Data Scientist you are?

​Как UEBA помогает повышать уровень кибербезопасности

Организации, которые хотят добавить расширенные аналитические возможности или возможности машинного обучения в свой арсенал ИТ-безопасности, имеют в своем распоряжении относительно новое решение: систему аналитики поведения пользователей и сущностей – User and Entity Behavior Analytics (UEBA).

🔗 Как UEBA помогает повышать уровень кибербезопасности
Организации, которые хотят добавить расширенные аналитические возможности или возможности машинного обучения в свой арсенал ИТ-безопасности, имеют в своем...

​Exploratory Design in Data Visualization

🔗 Exploratory Design in Data Visualization – Towards Data Science
Understanding and leveraging chart similarity

​Github repository of lecture series:

https://github.com/lexfridman/mit-deep-learning?fbclid=IwAR0jLFfsHt4k_7Y3QfT-leXoIhCoDlg3bzjXyBxDX01hJcJkDtKS340OaQU

🔗 lexfridman/mit-deep-learning
Tutorials, assignments, and competitions for MIT Deep Learning related courses. - lexfridman/mit-deep-learning

Exploratory Design in Data Visualization
https://towardsdatascience.com/exploratory-design-in-data-visualization-87bc60ce7f04?source=collection_home---2------0---------------------

https://habr.com/ru/post/436506/

Как без особенных усилий создать ИИ-расиста

#machinelearning #neuralnets #deeplearning #машинноеобучение

Наш телеграмм канал - https://t.me/ai_machinelearning_big_data

​Применяем data science для определения жизненного цикла клиента

Представляю вашему вниманию перевод моей статьи "Understanding the Customer Lifetime Value with Data Science".

Взаимоотношения с клиентами важны для каждой компании и играют ключевую роль в росте бизнеса. Одна из наиболее важных метрик в этой сфере — пожизненная ценность клиента (customer lifetime value, далее LTV) — предсказание чистого дохода, связанного со всеми будущими отношениями с клиентом. Чем дольше клиенты продолжают пользоваться продуктами компании, увеличивая прибыль, тем выше их LTV.

Есть много маркетинговых статей, о том, как важны LTV и сегментирование клиентов. Но, как Data Scientist’а, меня больше интересуют формулы и я хочу понимать, как модель на самом деле работает. Как предсказать LTV, используя только 3 признака? В этом посте я покажу некоторые модели, которые используются для маркетинговой сегментации клиентов и объясню математику, на которой они основаны. Здесь будет много формул, но не переживайте: все уже готово в библиотеках Python. Цель этого блога показать, как математика делает всю работу.

Beta-geometric/negative binomial модель для определения вероятности, что клиент “жив”

Рассмотрим такой пример [из онлайн-сервиса для заказа поездок (такси) по городу]: пользователь зарегистрировался 1 месяц назад, сделал 4 поездки и последняя поездка состоялась 20 дней назад. Основываясь только на этих данных, эта модель может предсказать вероятность, что клиент будет активен в течение определенного периода времени (как показано на графике), а также число транзакций в будущем (которое является основой для понимания ценности клиента в течение всей его “жизни” — взаимоотношений клиента и компании).
https://habr.com/ru/post/436236/

🔗 Применяем data science для определения жизненного цикла клиента
Привет, Хабр! Представляю вашему вниманию перевод моей статьи "Understanding the Customer Lifetime Value with Data Science". Взаимоотношения с клиентами важны...

Simple Yet Practical Analysis of ClinicalTrials.gov
https://towardsdatascience.com/simple-yet-practical-analysis-of-clinicaltrials-gov-f84b367e1e68?source=collection_home---4------5---------------------

​DEEP LEARNING WITH TENSORFLOW TUTORIAL | Introduction to TensorFlow Syntax in 20 Minutes

🔗 DEEP LEARNING WITH TENSORFLOW TUTORIAL | Introduction to TensorFlow Syntax in 20 Minutes
This tutorial will introduce TensorFlow, the second machine learning framework created by Google. ** Expand for some additional INFO and LINKS ** READ IF YOU...

​Data Lit (Music Video)

🔗 Data Lit (Music Video)
Make the data lit! This lyrics of this music video are actually educational and they serve as an introductory lecture on AI. This video also acts as a teaser...

🎥 What do neural networks learn?
👁 1 раз ⏳ 1644 сек.
Blog post: https://brohrer.github.io/what_nns_learn.html
We open the black box of neural networks and take a closer look at what they can actually learn.
This is exploration and exposition in preparation for the next End-to-End Machine Learning course on Udemy: https://www.udemy.com/courses/search/?src=ukw&q=%22Brandon+Rohrer%22

See also
How neural networks work: https://brohrer.github.io/how_neural_networks_work.html
How convolutional neural networks work: https://brohrer.github.io/how_convolutional_neura

​Valuing Life as an Asset, as a Statistic and at Gunpoint

Ever wondered, how much your life is worth? This is an article about Life as an asset evaluation. It is extremely useful for insuarance companies and as a metric to calculate compensations in case of tragic events, but it is also a key to understand, how valuable (or not) life is.

Math is beautiful.

Link: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3156911

#math #life #insurance #statistics

🔗 Valuing Life as an Asset, as a Statistic and at Gunpoint by Julien Hugonnier, Florian Pelgrin, Pascal St-Amour :: SSRN

​2.3 Billion accounts was hacked (773M unique)
https://www.troyhunt.com/the-773-million-record-collection-1-data-reach/

🔗 The 773 Million Record "Collection #1" Data Breach
Many people will land on this page after learning that their email address has appeared in a data breach I've called "Collection #1". Most of them won't have a tech background or be familiar with the concept of credential stuffing so I'm going to write this post for the masses

​Learning from Dialogue after Deployment: Feed Yourself, Chatbot!

From abstract: The self-feeding chatbot, a dialogue agent with the ability to extract new training examples from the conversations it participates in.

This is an article about chatbot which is capable of true online learning. There is also a venturebeat article on the subject, covering the perspective: «Facebook and Stanford researchers design a chatbot that learns from its mistakes».

Venturebeat: https://venturebeat.com/2019/01/17/facebook-and-stanford-researchers-design-a-chatbot-that-learns-from-its-mistakes/
ArXiV: https://arxiv.org/abs/1901.05415

#NLP #chatbot #facebook #Stanford

🔗 Facebook and Stanford researchers design a chatbot that learns from its mistakes
Chatbots rarely make great conversationalists. With the exception of perhaps Microsoft’s Xiaoice in China, which has about 40 million users and averages 23 back-and-forth exchanges, and Alibaba’s Dian Xiaomi, an automated sales agent that serves nearly 3.5 million customers a day, most can’t hold humans’ attention for much longer than 15 minutes. But that’s not tempering bot adoption any — in fact

Frieze London 2018 (Part 3): Computer Vision
https://towardsdatascience.com/frieze-london-2018-part-3-computer-vision-50314f2f4b1?source=collection_home---4------2---------------------

https://habr.com/ru/post/436636/

Как я создаю сервис рекомендаций сообществ ВКонтакте

#machinelearning #neuralnets #deeplearning #машинноеобучение

Наш телеграмм канал - https://t.me/ai_machinelearning_big_data

Intuitive Explanation of Cross Entropy
https://towardsdatascience.com/intuitive-explanation-of-cross-entropy-5d45fc9fd240?source=collection_home---4------3---------------------

​Arduino Data + Deep Learning in Python GEKKO

🔗 Arduino Data + Deep Learning in Python GEKKO
The Arduino TCLab is a hands-on application of machine learning and advanced temperature control with two heaters and two temperature sensors. The labs reinf...