​Bjarne Stroustrup: C++ | Artificial Intelligence (AI) Podcast

🔗 Bjarne Stroustrup: C++ | Artificial Intelligence (AI) Podcast
Bjarne Stroustrup is the creator of C++, a programming language that after 34 years is still one of the most popular and powerful languages in the world. (Note: I accidentally said 40 in the introduction, C++ will turn 40 in 2025.) Its focus on fast, stable, robust code underlies many of the biggest systems in the world that we have come to rely on as a society. If you're watching this on YouTube, many of the critical back-end component of YouTube are written in C++. Same goes for Google, Facebook, Amazon,

​5. Углубленный Python. Часть 1. Курс "ВВЕДЕНИЕ В АНАЛИЗ ДАННЫХ" | Технострим

🔗 5. Углубленный Python. Часть 1. Курс "ВВЕДЕНИЕ В АНАЛИЗ ДАННЫХ" | Технострим
Лекция №5 "Углубленный Python. Часть 1". Курс "Введение в анализ данных" Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова Другие лекции этого курса: http://bit.ly/2P7ZUaD 📝 ПОДРОБНЕЕ О КУРСЕ: Описание и программа: http://bit.ly/2JbZnRw Короткое видео о курсе: https://youtu.be/c_jihi3MuOU Цель курса — познакомить слушателей с сферой анализа данных, основными инструментами, задачами и методами, с которыми сталкивается исследователь данных в работе. 👨‍🎓 ВМЕСТЕ С ЭТИМ КУРСОМ РЕКОМЕНДУЕМ ИЗУЧИТЬ: Курс "

​Lecture #8a: Neural Networks and Deep Learning on 11/4/2019 Mon

🔗 Lecture #8a: Neural Networks and Deep Learning on 11/4/2019 Mon
Lecture #8a: Neural Networks and Deep Learning CIS 419/519 2019C Applied Machine Learning on 11/4/2019 Mon

​Павел Петроченко, Денис Денисенко || Musket – deep learning для крестьян (программистов)

🔗 Павел Петроченко, Денис Денисенко || Musket – deep learning для крестьян (программистов)
Сказ о том, как мужики пайплайн писали. Запись доклада Павла Петроченко и Дениса Денисенко на конференции DataFest Siberia 2019, Новосибирск.

​Theoretical Deep Learning #2: PAC-bayesian bounds. Part3

🔗 Theoretical Deep Learning #2: PAC-bayesian bounds. Part3
We are dealing with PAC-bayesian bounds formulated naturally for stochastic classifiers. We discuss several methods for applying these bounds to deterministic classifiers found by gradient descent. Find all relevant info on github page: https://github.com/deepmipt/tdl2 Our open-source framework to develop and deploy conversational assistants: https://deeppavlov.ai/

​Двоичный алгоритм машинного обучения с динамической структурой

Если рассматривать сегодняшние алгоритмы машинного обучения с движением от невежества (низ) к осознанию (верх) то текущие алгоритмы похожи на прыжок. После прыжка происходит замедление скорости развития (обучающая способность) и неминуемый разворот и падение (переобучение). Все усилия сводятся к попыткам приложить как можно больше сил к прыжку, что увеличивает высоту прыжка но кардинально не меняет результатов. Прокачивая прыжки мы увеличиваем высоту, но не учимся летать. Для освоения техники «контролируемого полета» потребуется переосмыслить некоторые базовые принципы.

🔗 Двоичный алгоритм машинного обучения с динамической структурой
Если рассматривать сегодняшние алгоритмы машинного обучения с движением от невежества (низ) к осознанию (верх) то текущие алгоритмы похожи на прыжок. После пры...

​A GPT-2 style model for dialog
A State-of-the-Art Large-scale Pretrained Response generation model (DialoGPT)
code https://github.com/microsoft/DialoGPT
paper https://arxiv.org/pdf/1911.00536.pdf

🔗 microsoft/DialoGPT
Large-scale pretraining for dialogue. Contribute to microsoft/DialoGPT development by creating an account on GitHub.

​Healthcare Fraud Detection With Python

🔗 Healthcare Fraud Detection With Python
The importance of exploratory data analysis

​Gartner Hype Cycle 2019: разбор полётов
Разложили AI технологии 2019 по полочкам и бесстыдно сравнили их с прогнозом 2017 года.

🔗 Gartner Hype Cycle 2019: разбор полётов
Разложили AI технологии 2019 по полочкам и бесстыдно сравнили их с прогнозом 2017 года. Во-первых, что такое Gartner Hype Cycle? Это своего рода цикл зрелости т...

​The latest from TensorFlow
Tensorflow 2.0
Transformers library
Up to 3x training performance improvement
Addons and extensions
Tensorboard, debugging and visualization
Tensorflow Hub: pretrained models
Deploy ML anywhere: TF-extended (server), TF-lite (mobile) and TF-js (web)

https://www.youtube.com/watch?v=n56syJSLouA

🔗 The latest from TensorFlow - Megan Kacholia
Megan Kacholia outlines the latest TensorFlow product announcements and updates. You'll learn more about how Google's latest innovations provide a comprehensive ecosystem of tools for developers, enterprises, and researchers who want to push state-of-the-art machine learning and build scalable ML-powered applications. Subscribe to O'Reilly on YouTube: http://goo.gl/n3QSYi Follow O'Reilly on: Twitter: http://twitter.com/oreillymedia Facebook: http://facebook.com/OReilly Instagram: https://www.instagram.co

​Интуитивное объяснение проверки гипотез и p-значение
Привет, Хабр! Представляю вашему вниманию перевод статьи «An intuitive explanation of Hypothesis Testing and P-Values» автора Joos Korstanje.

Несколько лет назад я делал свою первую фриланс-работу по статистике для компании по доставке фруктов и овощей. Двадцать четыре часа в день поступающие продукты от фермеров до того, как были отправлены в супермаркеты, проходили через отдел по контролю за качеством. Выбор продуктов осуществлялся случайно работниками данного отдела.

В годовом отчёте они заметили, что качество в этом году ниже, чем качество в прошлом: разница составила примерно половину пункта по шкале от 1 до 10.

Потом пригласили меня. Я должен был ответить на вопрос:

🔗 Интуитивное объяснение проверки гипотез и p-значение
Привет, Хабр! Представляю вашему вниманию перевод статьи «An intuitive explanation of Hypothesis Testing and P-Values» автора Joos Korstanje. Несколько лет наза...

​Fruit identification using Arduino and TensorFlow

By Dominic Pajak and Sandeep Mistry : https://blog.arduino.cc/2019/11/07/fruit-identification-using-arduino-and-tensorflow/

#Arduino #TensorFlow #DeepLearning

🔗 Fruit identification using Arduino and TensorFlow
By Dominic Pajak and Sandeep Mistry Arduino is on a mission to make machine learning easy enough for anyone to use. The other week we announced the availability of TensorFlow Lite Micro in the Arduino Library Manager. With this, some cool ready-made ML examples such as speech recognition, simple

​Kaggle Livecoding: Data cleaning!🧹 | Kaggle

🔗 Kaggle Livecoding: Data cleaning!🧹 | Kaggle
This week it's all about the data cleaning. We'll be taking a raw survey dataset & get it ready to be used for classification. About Kaggle: Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data science work. Kaggle's platform is the fastest way to get started on a new data science project. Spin up a Jupyter notebook with a single click. Build with our huge repository of free code and data. Stumped? Ask the friendly Kaggle community for help.

​Machine Learning and Data Analysis — Inha University (Part-2)

🔗 Machine Learning and Data Analysis — Inha University (Part-2)
Chapter-2: Python Data Structure — Data Type

​Best Practices for NLP Classification in TensorFlow 2.0

🔗 Best Practices for NLP Classification in TensorFlow 2.0
Use Data Pipelines, Transfer Learning and BERT to achieve 85% accuracy in Sentiment Analysis

​OpenMemDB: A Wait-Free, In-Memory Database

🔗 OpenMemDB: A Wait-Free, In-Memory Database

🎥 The Evolution of Deep Learning Symposium featuring a research talk by Radford Neal
👁 1 раз ⏳ 3021 сек.

​Ken Burns Effect, Now In 3D!

🔗 Ken Burns Effect, Now In 3D!
❤️ Pick up cool perks on our Patreon page: https://www.patreon.com/TwoMinutePapers 📝 The paper "3D Ken Burns Effect from a Single Image" is available here: https://arxiv.org/abs/1909.05483 The paper with the Microplanet scene at the start is available here: https://users.cg.tuwien.ac.at/zsolnai/gfx/gaussian-material-synthesis/ Image credits: Ian D. Keating, Kirk Lougheed (Link: https://www.flickr.com/photos/kirklougheed/36766944501 ), Leif Skandsen, Oliver Wang, Ben Abel, Aurel Manea, Jocelyn Erskine-Kel

​HoloGAN (A new generative model) learns 3D representation from natural images

Paper: https://arxiv.org/pdf/1904.01326.pdf
Github: https://github.com/thunguyenphuoc/HoloGAN/
Dataset: http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
https://www.marktechpost.com/2019/11/04/hologan-a-new-generative-model-learns-3d-representation-from-natural-images/

🔗 thunguyenphuoc/HoloGAN
HoloGAN. Contribute to thunguyenphuoc/HoloGAN development by creating an account on GitHub.

​Большое интервью про Big Data: зачем за нами следят в соцсетях и кто продает наши данные?
Disclaimer. Специалист по Big Data, Артур Хачуян, рассказал, как соцсети могут читать наши сообщения, как наш телефон нас подслушивает, и кому все это нужно. Эта статья — расшифровка большого интервью. Есть люди, которые экономят время и любят текст, есть те, кто не может на работе или в дороге смотреть видео, но с радостью читает Хабр, есть слабослышащие, для которых звуковая дорожка недоступна или сложна для восприятия. Мы решили для всех них и вас расшифровать отличный контент. Кто всё же предпочитает видео — ссылка в конце.

Каждый день мы что-то пишем, разыскиваем и выкладываем в интернете, и каждый день кто-то следит за нами по ту сторону экрана. Специальные программы сканируют фото, лайки и тексты, чтобы продать наши данные рекламным компаниям или полиции. Можно назвать это паранойей или научной фантастикой, но телефон, круг общения, переписка или ориентация — больше не секрет.

🔗 Большое интервью про Big Data: зачем за нами следят в соцсетях и кто продает наши данные?
Disclaimer. Специалист по Big Data, Артур Хачуян, рассказал, как соцсети могут читать наши сообщения, как наш телефон нас подслушивает, и кому все это нужно. Эта...