​Neural networks taught to "read minds" in real time

🔗 Neural networks taught to "read minds" in real time
As part of the NeuroNet NTI Assistive Neurotechnology project, employees of the Neurobotics Group of Companies and the Moscow Institute of Physics and Technology have trained neural networks to recreate images of the electrical activity of the brain. Earlier, no such experiments were performed on EEG material (other scientists used fMRI or analyzed signals directly from neurons). In the future, this discovery will create a new type of device for post-stroke rehabilitation.

https://www.biorxiv.org/content/10.1101/787101v2

#AI #ML #DL

​Deploying your first Deep Learning Model: MNIST in production environment

🔗 Deploying your first Deep Learning Model: MNIST in production environment
How you can deploy your MNIST model to production environment

#video #c_sharp

Нейронная сеть C#

- Искусственный интеллект и нейронные сети C#. Машинное обучение для начинающих. Простая нейросеть.
- Искусственный интеллект C#. Обучение нейронных сетей. Алгоритм обратного распространения ошибки
- Нейронные сети C#. Нормализация и масштабирование данных. Обучение по Dataset.
- Искусственный интеллект C#. Компьютерное зрение и распознавание образов нейронной сетью
- Искусственный интеллект и нейронные сети C#. Информационная система медицинской организации

🎥 Искусственный интеллект и нейронные сети C#. Машинное обучение для начинающих. Простая нейросеть.
👁 17 раз ⏳ 8928 сек.
Мы изучим основные понятия и теорию необходимые для создания нейронных сетей, поймем главный принцип работы искусственного интеллекта и приступим к...

🎥 Искусственный интеллект C#. Обучение нейронных сетей. Алгоритм обратного распространения ошибки
👁 2 раз ⏳ 7803 сек.
Основной задачей при разработке искусственного интеллекта является обучение нейронной сети. Это наиболее затратный процесс и для его успешного выпо...

🎥 Нейронные сети C#. Нормализация и масштабирование данных. Обучение по Dataset.
👁 3 раз ⏳ 7635 сек.
Использую информацию по историческим данным (dataset - датасет) мы научимся с определенной вероятностью прогнозировать наличие сердечных заболевани...

🎥 Искусственный интеллект C#. Компьютерное зрение и распознавание образов нейронной сетью
👁 3 раз ⏳ 8198 сек.
На основе большого количества изображений о клетках малярии мы научимся реализовывать простые механизмы компьютерного зрения и распознавания образо...

🎥 Искусственный интеллект и нейронные сети C#. Информационная система медицинской организации
👁 2 раз ⏳ 8488 сек.
Завершаем разработку простой медицинской информационной системы, которую мы реализовали с помощью языка программирования C# и алгоритмов машинного ...

​Data Science’s Most Misunderstood Hero

🔗 Data Science’s Most Misunderstood Hero
Why treating analytics like a second-class citizen will hurt you

​Choosing a Machine Learning Model

🔗 Choosing a Machine Learning Model
Ever wonder how we can apply machine learning algorithms to a problem in order to analyze, visualize, discover trends & find correlations…

🎥 Regression and Python in Tensorflow: Part 2
👁 1 раз ⏳ 1277 сек.
General Description:
In this series of videos, we will be using the TensorFlow Python module to perform regression on the MPG (miles-per-gallon) dataset.

The intent of this video series is to predict the MPG of a car given a number of attributes of the car, i.e. horsepower, number of cylinders, year of production, etc.

This video is part of a series on Machine Learning in Python. The link to the playlist may be accessed here:
http://bit.ly/lp_mlearn

This video is inspired by the wonderful Tensorflow tuto

​Keras Custom Training Loop

🔗 Keras Custom Training Loop
How to build a custom training loop in Keras at a lower level of abstraction, K.function, get_updates usage and other stuff under the hood

​Restoring ancient text using deep learning: a case study on Greek epigraphy

https://deepmind.com/research/publications/Restoring-ancient-text-using-deep-learning-a-case-study-on-Greek-epigraphy

🔗 DeepMind: What if solving one problem could unlock solutions to thousands more?
We research and build safe AI systems that learn how to solve problems and advance scientific discovery for all. Explore our work: deepmind.com/research

​Чипы для ML — рассказываем о новинках
Говорим о новых архитектурах как крупных мировых производителей, так и стартапов — waferscale-чипах, тензорных процессорах и устройствах на базе графов.

Подборка по теме:

Инструменты для разработчиков ПО: открытые фреймворки и библиотеки МО

🔗 Чипы для ML — рассказываем о новинках
Говорим о новых архитектурах как крупных мировых производителей, так и стартапов — waferscale-чипах, тензорных процессорах и устройствах на базе графов. Подборк...

​Machine Learning and Data Science Applications in Industry

https://github.com/firmai/industry-machine-learning/blob/master/README.md

🔗 firmai/industry-machine-learning
A curated list of applied machine learning and data science notebooks and libraries across different industries. - firmai/industry-machine-learning

​Uncertainty Quantification in Deep Learning

https://www.inovex.de/blog/uncertainty-quantification-deep-learning/

🔗 Uncertainty Quantification in Deep Learning
Artificial Intelligence—and machine learning in particular—have come a long way since their early beginnings. The widespread availability and affordability of powerful computing resources have enabled the development of complex models like Deep Neural Networks (DNNs). Research has come up with spectacular results in fields like computer vision, speech recognition or game strategies, where Deep Learning

​A Gentle Introduction to Cross-Entropy for Machine Learning

🔗 A Gentle Introduction to Cross-Entropy for Machine Learning
Cross-entropy is commonly used in machine learning as a loss function. Cross-entropy is a measure from the field of information theory, building upon entropy and generally calculating the difference between two probability distributions. It is closely related to but is different from KL divergence that calculates the relative entropy between two probability distributions, whereas cross-entropy …

​Autonomous Distributed Networks: The unfulfilled libertarian dream of breaking free from regulations

🔗 Autonomous Distributed Networks: The unfulfilled libertarian dream of breaking free from regulations
Keywords: Blockchain, Distributed Ledger Technology, Decentralised Governance, Regulatory Compliance, Autonomous Distributed Networks…

​Стохастический градиентный спуск(SGD) для логарифмической функции потерь(LogLoss) в задаче бинарной классификации
Предыдущая часть(про линейную регрессию, градиентный спуск и про то, как оно всё работает) — habr.com/ru/post/471458

В этой статье я покажу решение задачи классификации сначала, что называется, «ручками», без сторонних библиотек для SGD, LogLoss'а и вычисления градиентов, а затем с помощью библиотеки PyTorch.

🔗 Стохастический градиентный спуск(SGD) для логарифмической функции потерь(LogLoss) в задаче бинарной классификации
Предыдущая часть(про линейную регрессию, градиентный спуск и про то, как оно всё работает) — habr.com/ru/post/471458 В этой статье я покажу решение задачи класс...

​Grokking Quantum Computing — A Quirky Guide for Curious People

🔗 Grokking Quantum Computing — A Quirky Guide for Curious People
Learn the theory behind quantum computers and understand the challenges of building such a machine!

​https://towardsdatascience.com/emotion-recognition-using-graph-convolutional-networks-9f22f04b244e

🔗 Emotion Recognition Using Graph Convolutional Networks
Classifying Conversations using Graphs

​📝 Data Structures and Algorithms in Python.pdf - 💾6 923 998

​Billion-scale semi-supervised learning for state-of-the-art image and video classification

🔗 Billion-scale semi-supervised learning for state-of-the-art image and video classification
Facebook AI is developing alternative ways to train our AI systems so that we can do more with less labeled training data overall. Learn how our “semi-weak supervision” method is delivering state-of-the-art performance for highly efficient, production-ready models.

​Что такое коэффициент скорости обучения и как он улучшает характеристики глубокого обучения?
Данная статья представляет собой мою попытку выразить свой взгляд на следующие аспекты:

Что такое коэффициент скорости обучения и каково его значение?
Как подбирать данный коэффициент при обучении моделей?
Почему необходимо менять коэффициент скорости обучения в процессе тренировки моделей?
Как поступать с коэффициентом скорости обучения, когда используется предварительно обученная модель?

Бо́льшая часть данного поста базируется на материалах, подготовленных авторами fast.ai: [1], [2], [5] и [3], — представляя собой сжатую и предназначенную для максимально быстрого понимания сути вопроса версию их работы. Для ознакомления с деталями рекомендуется переходить по ссылкам, данным ниже.

🔗 Что такое коэффициент скорости обучения и как он улучшает характеристики глубокого обучения?
Данная статья представляет собой мою попытку выразить свой взгляд на следующие аспекты: Что такое коэффициент скорости обучения и каково его значение? Как под...