​NVIDIA Shows Its Prowess in First AI Inference Benchmarks

https://blogs.nvidia.com/blog/2019/11/06/ai-inference-mlperf-benchmarks/

🔗 NVIDIA Turing, Xavier Lead in MLPerf AI Inference Benchmarks | NVIDIA Blog
MLPerf's new AI inference benchmarks gave top marks to NVIDIA Turing GPUs and Xavier SoCs.

​Визуальное представление выборов в Санкт-Петербурге — магия накрутки голосов
Привет!

В сентябре этого (2019) года прошли выборы Губернатора Санкт-Петербурга. Все данные о голосовании находятся в открытом доступе на сайте избирательной комиссии, мы не будем ничего ломать, а просто визуализируем информацию с этого сайта www.st-petersburg.vybory.izbirkom.ru в нужном для нас виде, проведем совсем несложный анализ и определим некоторые «волшебные» закономерности.

Обычно для подобных задач я использую Google Colab. Это сервис, который позволяет запускать Jupyter Notebook'и, имея доступ к GPU (NVidia Tesla K80) бесплатно, это заметно ускорит парсинг данных и их дальнейшую обработку. Мне понадобились некоторые подготовительные работы перед импортом.

%%time
!apt update
!apt upgrade
!apt install gdal-bin python-gdal python3-gdal
# Install rtree - Geopandas requirment
!apt install python3-rtree
# Install Geopandas
!pip install git+git://github.com/geopandas/geopandas.git
# Install descartes - Geopandas requirment
!pip install descartes
Далее импорты.

import requests
from bs4 import BeautifulSoup
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import geopandas as gpd
import xlrd
Описание используемых библиотек

requests — модуль для запроса на подключение к сайту

BeautifulSoup — модуль для парсинга html и xml документов; позволяет получить доступ напрямую к содержимому любых тегов в html

numpy — математический модуль с базовым и необходимым набором математических функций

pandas — библиотека для анализа данных

matplotlib.pyplot — модуль-набор методов построения

geopandas — модуль для построения карты выборов

xlrd — модуль для чтения табличных файлов

Настал момент собирать сами данные, парсим. Избирком позаботился о нашем времени и предоставил отчетность в таблицах, это удобно.

🔗 Визуальное представление выборов в Санкт-Петербурге — магия накрутки голосов
Привет! В сентябре этого (2019) года прошли выборы Губернатора Санкт-Петербурга. Все данные о голосовании находятся в открытом доступе на сайте избирательной ко...

​This Tensorflow based Python Library ‘Spleeter’ splits vocals from finished tracks

Github: https://github.com/deezer/spleeter

https://www.marktechpost.com/2019/11/10/this-tensorflow-based-python-library-spleeter-splits-vocals-from-finished-tracks/

🔗 deezer/spleeter
Deezer source separation library including pretrained models. - deezer/spleeter

​Greenplum 6: обзор новых фич

Вот уже 16 лет как открытая массивно-параллельная СУБД Greenplum помогает самым разным предприятиям принимать решения на основе анализа данных.

За это время Greenplum проник в различные сферы бизнеса, в числе которых: ритейл, финтех, телеком, промышленность, e-commerce. Горизонтальное масштабирование до сотен узлов, отказоустойчивость, открытый исходный код, полная совместимость с PostgreSQL, транзакционность и ANSI SQL — трудно представить более удачное сочетание свойств для аналитической СУБД. Начиная от громадных кластеров в мировых компаниях-гигантах, как, например, Morgan Stanley (200 узлов, 25 Пб данных) или Tinkoff (>70 узлов), и заканчивая маленькими двух-нодовыми инсталляциями в уютных стартапах — всё больше компаний выбирают Greenplum. Особенно приятно наблюдать этот тренд в России — за последние два года количество крупных отечественных компаний, использующих Greenplum, выросло втрое.

Осенью 2019 года вышел очередной мажорный релиз СУБД. В этой статье я коротко расскажу об основных новых возможностях GP 6.

🔗 Greenplum 6: обзор новых фич
Вот уже 16 лет как открытая массивно-параллельная СУБД Greenplum помогает самым разным предприятиям принимать решения на основе анализа данных. За это время Gr...

​Андрей Себрант (Яндекс): Бизнес в Эпоху Искусственного Интеллекта
Сейчас все говорят о новой революции, которую несет искусственный интеллект и машинное обучение. Умные алгоритмы проникают во все сферы жизни: от поисков бозона Хиггса, до выбора фильма на вечер. Самые передовые компании уже активно внедряют эти технологии в свои продукты и маркетинг. Персонализированные рекомендации, реклама, интерфейс сайта — все это не какая-то черная магия, а уже доступные технологии.

На отечественном рынке, без сомнения, самой передовой компанией, использующей мощь машин, является Яндекс. В своем докладе на #amoCONF директор по маркетингу сервисов Яндекс, Андрей Себрант, рассказал о наступившем будущем и возможностях, открывающихся каждой компании. Оптимизируйте ваш бизнес под тенденции будущего!

Disclaimer. Эта статья — расшифровка выступления Андрея Себранта. 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.

🔗 Андрей Себрант (Яндекс): Бизнес в Эпоху Искусственного Интеллекта
Сейчас все говорят о новой революции, которую несет искусственный интеллект и машинное обучение. Умные алгоритмы проникают во все сферы жизни: от поисков бозона...

​🔎 github.com/fchollet/ARC

📝 arxiv.org/abs/1911.01547

🔗 fchollet/ARC
The Abstraction and Reasoning Corpus. Contribute to fchollet/ARC development by creating an account on GitHub.

​Classifying Movie Reviews With Natural Language Framework

🔗 Classifying Movie Reviews With Natural Language Framework
Exploring Apple’s new built-in sentiment analysis and NLP with a Core ML Model using Rotten Tomatoes

​ido90/AyalonRoad

🔗 ido90/AyalonRoad
Traffic Analysis in Original Video Data of Ayalon Road - ido90/AyalonRoad

​WNS Analytics Wizard 2019 — Роман Пьянков

🔗 WNS Analytics Wizard 2019 — Роман Пьянков
Роман Пьянков рассказывает про соревнование WNS Analytics Wizard 2019 на индийской площадке Analytics Vidhya, в котором он занял победное первое место. Из этого видео вы сможете узнать: - Как взглянув на метрику упростить поставленную задачу - Как не используя обучающие данные войти в топ - Как правильно дообучать сети на другую задачу - Какие архитектуры использовать для распознавания действий на видео Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и виде

​1-way ANOVA from scratch — dissecting the ANOVA table with a worked example

🔗 1-way ANOVA from scratch — dissecting the ANOVA table with a worked example
What really happens in ANOVA!

​Visualizing statistical plots with Seaborn

🔗 Visualizing statistical plots with Seaborn
This is the second article on visualization. You can read the first article where I talk about the basics of visualization using…

​Five Open Source Reference Architectures Designed to Build Machine Learning at Scale

🔗 Five Open Source Reference Architectures Designed to Build Machine Learning at Scale
From Uber to Facebook, what the architectures used to power the machine learning workloads of the internet giants.

​Take your Machine Learning Models to Production with these 5 simple steps

🔗 Take your Machine Learning Models to Production with these 5 simple steps
Or why machine learning projects fail?

​Что ты такое? Как мы spoof от human отличали — да еще и победили
Недавно прошел ID R&D Voice Antispoofing Challenge, главной задачей которого было создать алгоритм, способный отличить человеческий голос (human) от синтезированной записи (spoof). Я — ML Researcher в Dasha AI и много работаю над распознаванием речи, поэтому и решил поучаствовать. Вместе с командой мы заняли первое место. Под катом я расскажу о новых крутых подходах к обработке звука, а также о сложностях и странностях, с которыми нам пришлось столкнуться.

🔗 Что ты такое? Как мы spoof от human отличали — да еще и победили
Недавно прошел ID R&D Voice Antispoofing Challenge, главной задачей которого было создать алгоритм, способный отличить человеческий голос (human) от синтезирован...

​С чего начинается создание маркетплейса. Часть первая
На сегодняшний день такой вид ИТ бизнеса, как маркетплейс, получает все большее распространение. И этому есть вполне очевидные причины. Одна из них — это очень высокая ликвидность, а также большой потенциал к последующему росту, что при грамотном подходе может принести очень впечатляющую прибыль. Именно об этом грамотном подходе я сегодня и хочу с вами поговорить.

🔗 С чего начинается создание маркетплейса. Часть первая
На сегодняшний день такой вид ИТ бизнеса, как маркетплейс, получает все большее распространение. И этому есть вполне очевидные причины. Одна из них — это очень в...

​Блиц-проверка алгоритмов машинного обучения: скорми свой набор данных библиотеке scikit-learn

Глобальная паутина изо дня в день пополняется статьями о самых популярных, наиболее употребляемых алгоритмах машинного обучения для решения различных задач. Причём основа этих статей, немного изменённая по форме в том или ином месте, кочует от одного исследователя данных к другому. При этом все эти работы объединяет один общепринятый, непреложный постулат: применение того или иного алгоритма машинного обучения зависит от размера и природы имеющихся в распоряжении данных и поставленной задачи.

Вдобавок к этому особо настоявшиеся исследователи данных, делясь своим опытом, подчёркивают: «Выбор метода оценки должен частично зависеть от ваших данных и от того, в чём, по вашему мнению, модель должна быть хороша» («Data Science: инсайдерская информация для новичков. Включая язык R», авторы Кэти О’Нил, Рэйчел Шатт).

🔗 Блиц-проверка алгоритмов машинного обучения: скорми свой набор данных библиотеке scikit-learn
Глобальная паутина изо дня в день пополняется статьями о самых популярных, наиболее употребляемых алгоритмах машинного обучения для решения различных задач. Пр...

​Free linear Algebra textbook with solutions
http://joshua.smcvt.edu/linearalgebra/#current_version

🔗 Free Linear Algebra textbook

​Worst Cases Policy Gradients
Yichuan Charlie Tang, Jian Zhang, Ruslan Salakhutdinov : https://arxiv.org/abs/1911.03618
#MachineLearning #DeepLearning #ArtificialIntelligence

🔗 Worst Cases Policy Gradients
Recent advances in deep reinforcement learning have demonstrated the capability of learning complex control policies from many types of environments. When learning policies for safety-critical applications, it is essential to be sensitive to risks and avoid catastrophic events. Towards this goal, we propose an actor-critic framework that models the uncertainty of the future and simultaneously learns a policy based on that uncertainty model. Specifically, given a distribution of the future return for any state and action, we optimize policies for varying levels of conditional Value-at-Risk. The learned policy can map the same state to different actions depending on the propensity for risk. We demonstrate the effectiveness of our approach in the domain of driving simulations, where we learn maneuvers in two scenarios. Our learned controller can dynamically select actions along a continuous axis, where safe and conservative behaviors are found at one end while riskier behaviors are found at the other. Finally, when testing with very different simulation parameters, our risk-averse policies generalize significantly better compared to other reinforcement learning approaches.

​Google vision API for image analysis with python

🔗 Google vision API for image analysis with python
Google Vision API detects objects, faces, printed and handwritten text from images using pre-trained machine learning models. You can…

​Inferring causality in time series data

🔗 Inferring causality in time series data
A concise review of the major approaches.