​Why Data Scientists Must Speak the Language of Python

🔗 Why Data Scientists Must Speak the Language of Python
Since the year 1950, the world has seen the emergence of more than a few programming langauge. Be it JAVA, C, C++, Python or C#, every…

​Understanding Word2vec Embedding in Practice

🔗 Understanding Word2vec Embedding in Practice
Word embedding, vector space model, Gensim

​Julia и дистрибутивная семантика

С момента выхода прошлой публикации в мире языка Julia произошло много интересного:

Она заняла все первые места в плане роста вспомогательных пакетов. За это я и люблю статистику — главное выбрать удобную единицу измерения, например проценты как в приведенном ресурсе
Вышла версия 1.3.0 — из самых масштабных нововведений там модернизация менеджера пакетов и появление многопоточного параллелизма
Джулия заручается поддержкой Nvidia
Американский департамент перспективных исследований в области энергетики выделил кучу денег на решение задач оптимизации

В то же время заметен рост интереса со стороны разработчиков, что выражается обильными бенчмаркингами:

Международное энергетическое агенство проверяет пакеты реализующие многомерную оптимизацию
Датасаянтисты тестят работу с GPU
Ни капли не предвзятые ребята сравнивают интеграторы для дифуров
А энтузиасты сравнивают языки на базовых задачах.

Мы же просто радуемся новым и удобным инструментам и продолжаем их изучать. Сегодняшний вечер будет посвящен текстовому анализу, поиску скрытого смысла в выступлениях президентов и генерации текста в духе Шекспира и джулиа-программиста, а на сладкое — скормим рекуррентной сети 40000 пирожков.

🔗 Julia и дистрибутивная семантика
С момента выхода прошлой публикации в мире языка Julia произошло много интересного: Она заняла все первые места в плане роста вспомогательных пакетов. За это я...

​PeopleBlending: создаём Science Art с помощью когнитивных сервисов и небольшого количества креативности
Я верю в то, что не только красота спасёт мир, но ещё и междисциплинарность. Поскольку моя дочь любит искусство, а я люблю программировать — я часто присматриваюсь к пересечению этих областей, которое можно назвать генеративным искусством (generative art), и которое является частью Science Art. В этой статье я хочу поделиться результатами одного креативного эксперимента по рисованию портрета, из которого родилась техника Cognitive People Blending:

Glass Girl, 2019
Vickie Rotator, 2019

Эти портреты создавались из нескольких фотографий, наложенных друг на друга таким образом, чтобы глаза совпадали — при этом основные черты лица подчеркиваются, фон размывается, и получается любопытный смешанный портрет. Такое безусловно можно сделать в PhotoShop, но это мучительно, и не оставляет места для быстрых экспериментов с разными фотографиями. Ниже я покажу, как такие портреты можно создавать автоматически с помощью когнитивных сервисов Microsoft и небольшого количества креативности. Вы сможете найти весь рассматриваемый мною код в этом репозитории, и сразу начать использовать его с помощью Azure Notebooks. Если вдруг Вы создадите шедевры в этом жанре — пожалуйста, ссылайтесь на Cognitive People Blending.

🔗 PeopleBlending: создаём Science Art с помощью когнитивных сервисов и небольшого количества креативности
Я верю в то, что не только красота спасёт мир, но ещё и междисциплинарность. Поскольку моя дочь любит искусство, а я люблю программировать — я часто присматриваю...

​Python for Scientists

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Python for Scientists (en).pdf - 💾10 091 133

​What's Hidden in a Randomly Weighted Neural Network?

🔗 What's Hidden in a Randomly Weighted Neural Network?
This video explores the Edge-Popup algorithm to find a subnetwork within a randomly initialized dense network that can perform surprisingly well on ImageNet classification. This algorithm finds a subnetwork within Wide ResNet-50 that outperforms ResNet-34 when the weights in ResNet-34 have been optimized with SGD and the subnetwork of Wide ResNet-50 has not been trained at all! Paper: https://arxiv.org/pdf/1911.13299.pdf Other interesting papers referenced in the video: Rigging the Lottery: https://arxiv.or

​Kaggle Severstal: Steel Defect Detection — Павел Якубовский, Илья Добрынин

🔗 Kaggle Severstal: Steel Defect Detection — Павел Якубовский, Илья Добрынин
Павел Якубовский и Илья Добрынин рассказывают про соревнование Kaggle Severstal: Steel Defect Detection. Команда заработала золотую медаль. Из этого видео вы сможете узнать: - Что такое Synchronous Kernel Only - Как распознать шейкап на старте - Как заансамблить 100500 моделей и уложиться в час Узнать о текущих соревнованиях можно на сайте http://mltrainings.ru/ Узнать о новых тренировках и видео можно из групп: ВКонтакте https://vk.com/mltrainings Facebook https://www.facebook.com/mltrainings.moscow

​Apple is attending the 33rd Conference and Workshop on Neural Information Processing Systems (NeurIPS) this December. The conference, of which Apple is a Diamond Sponsor, will take place in Vancouver, Canada from December 8th to 14th.

https://machinelearning.apple.com/2019/12/02/apple-at-neurips-2019.html

🔗 Apple at NeurIPS 2019 - Apple
Apple Machine Learning Journal publishes posts written by Apple engineers about their work using machine learning technologies to help build innovative products for millions of people around the world.

​Data visualization with Python Using Seaborn and Plotly_ GDP per Capita & Life Expectency Dataset

🔗 Data visualization with Python Using Seaborn and Plotly_ GDP per Capita & Life Expectency Dataset
when social and economy science speak in harmony with data science.

Программирование на языке Python для сбора и анализа данных

Лекция №1: Первое знакомство
Лекция №2: Списки и цикл for
Лекция №3: Ввод-вывод списков и проверка условий
Лекция №4: Функции
Лекция №5: Словари, списковые включения
Лекция №6. Сортировка. Форматирование строк
Лекция №7: Указатели. Множества. Строки. Файлы
Лекция №8. Извлечение данных из веб-страниц
Лекция №9: Работа с открытыми API с помощью XML
Лекция №10. JSON и API. Управление браузером в RoboBrowser и Selenium

#video #python

🎥 Лекция №1: первое знакомство
👁 1 раз ⏳ 2902 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №1: первое знакомство.
...

🎥 Лекция №2: Списки и цикл for
👁 1 раз ⏳ 4009 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №2: Списки и цикл for, ...

🎥 Лекция №3: ввод-вывод списков и проверка условий
👁 1 раз ⏳ 4227 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №3: ввод-вывод списков ...

🎥 Лекция №4: функции
👁 1 раз ⏳ 4247 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №4: функции, 24 октября...

🎥 Лекция №5: словари, списковые включения
👁 1 раз ⏳ 2632 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №5: Словари. Списковые ...

🎥 Лекция №6. Сортировка. Форматирование строк
👁 1 раз ⏳ 3229 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №6: Сортировка. Формати...

🎥 Лекция №7: Указатели. Множества. Строки. Файлы
👁 1 раз ⏳ 3848 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №7: Указатели. Множест...

🎥 Лекция 8. Извлечение данных из веб-страниц
👁 1 раз ⏳ 3044 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №8: Извлечение данных ...

🎥 Лекция №9: Работа с открытыми API с помощью XML
👁 1 раз ⏳ 1458 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №9: Работа с открытыми ...

🎥 Лекция №10. JSON и API. Управление браузером в RoboBrowser и Selenium
👁 1 раз ⏳ 3341 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №10: JSON и API. Управл...

​Self-Supervised Learning of Pretext-Invariant Representations

https://arxiv.org/abs/1912.01991

🔗 Self-Supervised Learning of Pretext-Invariant Representations
The goal of self-supervised learning from images is to construct image representations that are semantically meaningful via pretext tasks that do not require semantic annotations for a large training set of images. Many pretext tasks lead to representations that are covariant with image transformations. We argue that, instead, semantic representations ought to be invariant under such transformations. Specifically, we develop Pretext-Invariant Representation Learning (PIRL, pronounced as "pearl") that learns invariant representations based on pretext tasks. We use PIRL with a commonly used pretext task that involves solving jigsaw puzzles. We find that PIRL substantially improves the semantic quality of the learned image representations. Our approach sets a new state-of-the-art in self-supervised learning from images on several popular benchmarks for self-supervised learning. Despite being unsupervised, PIRL outperforms supervised pre-training in learning image representations for object detection. A

🎥 Applications of machine learning in monitoring, verification and identification, by Robert Trafford
👁 1 раз ⏳ 754 сек.
2019 New Shape Forum: Weapons Governance - Day 1 - Lighting pitch 4 - Robert Trafford (Forensic Architecture). Applications of machine learning in monitoring, verification and identification.

🎥 TMPA-2019: Machine Learning and Value Generation in Software Development: A Survey
👁 1 раз ⏳ 976 сек.
Machine Learning and Value Generation in Software Development: A Survey

Barakat Akinsanya, Luiz Araujo, Mariia Charikova, Susanna Gimaeva, Alexandr Grichshenko, Adil Khan, Manuel Mazzara, Ozioma Okonicha and Daniil Shilintsev

International Conference on Software Testing, Machine Learning and Complex Process Analysis (TMPA-2019)
7-9 November 2019, Tbilisi

Presentation: https://speakerdeck.com/exactpro/machine-learning-and-value-generation-in-software-development-a-survey

TMPA Conference website https:/

🎥 Eugene Vorobeychik: Adversarial Machine Learning: from Models to Practice
👁 1 раз ⏳ 3084 сек.
Adversarial Machine Learning: from Models to Practice

Machine learning (ML) techniques are increasingly used in a broad array of high-stakes applications, including cybersecurity and autonomous driving. However, ML models are often susceptible to adversarial example attacks, in which an adversary makes changes to the input in order to cause misclassification; for example, an adversary may modify malware in order for it to bypass ML-based malware detectors. A conventional approach to evaluate ML robustness

​How to Use Out-of-Fold Predictions in Machine Learning

🔗 How to Use Out-of-Fold Predictions in Machine Learning
Machine learning algorithms are typically evaluated using resampling techniques such as k-fold cross-validation. During the k-fold cross-validation process, predictions are made on test sets comprised of data not used to train the model. These predictions are referred to as out-of-fold predictions, a type of out-of-sample predictions. Out-of-fold predictions play an important role in machine learning …

​Mapping the tech world with topic modelling

🔗 Mapping the tech world with topic modelling
We analyse 200k tech news articles with the popular topic modelling algorithm LDA

​Почему нам везде хочется видеть золотое сечение? Попытка (неудачная) эволюционного анализа при помощи нейросетей на C++
Недавно я задался вопросом: связано ли как-то наше желание везде видеть золотое сечение с какими-то сугубо культурными вещами, или же в этом скрыта какая-то более глубокая закономерность, связанная с устройством нашего мозга? Чтобы разобраться в этом вопросе, я решил сделать несколько вещей:

Сформулировать конкретную гипотезу относительно данной закономерности. Я решил, что лучше всего подойдёт предположение, что наш мозг использует систему счисления, основанную на разложении чисел на степени золотого сечения, так как некоторые её особенности очень близки работе примитивных нейросетей: дело в том, что степени золотого сечения более высокого порядка можно разложить бесконечным числом способов в суммы степеней менее высокого порядка и даже отрицательных степеней. Таким образом, более высокая степень как бы «возбуждается» от нескольких низших степеней, тем самым проявляя то самое сходство с нейросетью.
Описать конкретный способ её проверки: я выбрал мат. моделирование эволюции мозга посредством случайных изменений в простейшей возможной нейросети — матрице линейного оператора.
Составить критерии подтверждения гипотезы. Моим критерием было то, что система счисления, основанная на золотом сечении, реализуется на нейросетевом движке при тех же объёмах информации с меньшим числом ошибок, чем двоичная.

Так как речь идёт о программировании, опишу поподробнее второй и третий пункты.

🔗 Почему нам везде хочется видеть золотое сечение? Попытка (неудачная) эволюционного анализа при помощи нейросетей на C++
Недавно я задался вопросом: связано ли как-то наше желание везде видеть золотое сечение с какими-то сугубо культурными вещами, или же в этом скрыта какая-то боле...

🎥 Unsupervised Learning | Clustering and Association Algorithms in Machine Learning | @edureka!
👁 2 раз ⏳ 1399 сек.
*** Machine Learning Training with Python: https://www.edureka.co/machine-learning-certification-training ***
This Edureka video on 'Unsupervised Learning' goes over the basics of Machine Learning, What is Unsupervised Learning in detail, its importance, types and algorithms, various applications and some of the major advantages and disadvantages that Unsupervised Learning poses. Below are the Topics Covered in this Machine Learning Tutorial Video:

0:46 - Agenda
1:26 - Overview of Machine Learning
3:27

​Как промышленный Интернет вещей трансформирует экономику предприятия

Промышленный Интернет вещей (Industrial Internet of Things, сокращенно IIoT) – это глобальная сеть подключенных к Интернету физических объектов, которые оснащены датчиками, сенсорами и устройствами передачи данных.

Главные особенности Промышленного Интернета вещей:

Устройства, которые вошли в сеть и взаимодействуют друг с другом;
Способ подключения – M2M – то есть машины – для – машин, без участия человека;
Работа с большим объемом данных. Применение технологий Big Data.

Полученные данные являются основой для анализа, составления бизнес-модели и повышения эффективности производства.

🔗 Как промышленный Интернет вещей трансформирует экономику предприятия
Промышленный Интернет вещей (Industrial Internet of Things, сокращенно IIoT) – это глобальная сеть подключенных к Интернету физических объектов, которые оснаще...