​Zero-shot transfer across 93 languages: Open-sourcing enhanced LASER library



To accelerate the transfer of natural language processing (NLP) applications to many more languages, we have significantly expanded and enhanced our LASER (Language-Agnostic SEntence Representations) toolkit. We are now open-sourcing our work, making LASER the first successful exploration of massively multilingual sentence representations to be shared publicly with the NLP community. The toolkit now works with more than 90 languages, written in 28 different alphabets. LASER achieves these results by embedding all languages jointly in a single shared space (rather than having a separate model for each). We are now making the multilingual encoder and PyTorch code freely available, along with a multilingual test set for more than 100 languages.

🔗 LASER natural language processing toolkit - Facebook Code
Our natural language processing toolkit, LASER, performs zero-shot cross-lingual transfer with more than 90 languages and is now open source.

🎥 2019, Installing TensorFlow, Keras, & Python 3.7 in Windows
👁 1 раз ⏳ 1254 сек.
Updated for 2019! This video walks you through a complete Python 3.7 and TensorFlow install. You will be shown the difference between Anaconda and Miniconda, and how to create a 3.6 environment inside of Anaconda for TensorFlow. Also discusses some of the ramifications coming with TensorFlow 2.0.

You can find the instructions here (from the video): https://github.com/jeffheaton/t81_558_deep_learning/blob/master/t81_558_class01_intro_python.ipynb

Please subscribe and comment!

Follow me:

YouTube: http

​Learn Machine learning with Python | Random Forest | Part 4 | Eduonix

🔗 Learn Machine learning with Python | Random Forest | Part 4 | Eduonix
In the last video, we went in detail about interpreting models and how to visualize them and a revision on decision trees. Here in this video, you will learn...

🎥 L1/4 Linear Algebra
👁 2 раз ⏳ 1162 сек.
Dive into Deep Learning
UC Berkeley, STAT 157

Slides are at
http://courses.d2l.ai
The book is at
http://www.d2l.ai

Linear Algebra

​Google Researchers Have a New Alternative to Traditional Neural Networks
Say hello to the capsule network.

https://www.technologyreview.com/the-download/609297/google-researchers-have-a-new-alternative-to-traditional-neural-networks/

🔗 Google Researchers Have a New Alternative to Traditional Neural Networks
Say hello to the capsule network.

2019-01-26 Илья Сиганов. CycleGAN или превращение людей в аниме.

🎥 2019-01-26 Илья Сиганов. CycleGAN или превращение людей в аниме.
👁 2 раз ⏳ 2940 сек.
“Генерировать котиков из кривых скетчей? Нет? А может перекрасить всех лошадей в зебр? Не достаточно? Хм, а может превратить зиму в лето? ИЛИ МОЖЕТ ПРЕВРАЩАТЬ ЛЮДЕЙ В АНИМЕ???

Говорят нынешние нейросети и не такое могут! Но как это стало вообще возможно? А дело в том, что как-то раз ребята из исследовательской лабы Беркли обратились в шоу «Нейросеть на прокачку» и там им предложили встроить одну GAN модель в другую GAN модель. И после этого завер…..

На лекции я вам расскажу, как работает CycleGAN и на что

Learning to Drive Smoothly in Minutes
https://towardsdatascience.com/learning-to-drive-smoothly-in-minutes-450a7cdb35f4?source=collection_home---4------2---------------------

​None of These Faces Are Real

🔗 None of These Faces Are Real
The paper "A Style-Based Generator Architecture for Generative Adversarial Networks" and its video available here:
https://arxiv.org/abs/1812.04948
https://www.youtube.com/watch?v=kSLJriaOumA

Pick up cool perks on our Patreon page:
› https://www.patreon.com/TwoMinutePapers

We would like to thank our generous Patreon supporters who make Two Minute Papers possible:
313V, Alex Haro, Andrew Melnychuk, Angelos Evripiotis, Anthony Vdovitchenko, Brian Gilman, Christian Ahlin, Christoph Jadanowski, Dennis Abts, E

​The best of GAN papers in the year 2018

https://dtransposed.github.io/blog/Best-of-GANs-2018-(Part-2-out-of-2).html

🔗 The best of GAN papers in the year 2018 part 2
The cover image by courtesy of Juli Odomo.

https://habr.com/ru/post/437684/

Верховный алгоритм — предвзятый конспект

#machinelearning #neuralnets #deeplearning #машинноеобучение

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

​Lecture 4 Machine Learning for MIR

🔗 Lecture 4 Machine Learning for MIR

​Generative Adversarial Networks — Learning to Create

🔗 Generative Adversarial Networks — Learning to Create
A peek into the design, training, loss functions and arithmetic behind GANs

2019-01-26 Классификация паттернов белков.

🎥 2019-01-26 Классификация паттернов белков.
👁 2 раз ⏳ 1831 сек.
Недавно на платформе kaggle.com проходило соревнование по классификации паттернов белка Human Protein Atlas Image Classification. Наш особый докладчик расскажет вам про то, как проходят соревнования по машинному обучению. Как он решил задачу с классификацией медицинских изображений белка, какие хаки он применял, какие новые знания он получил. А также он расскажет, что такое шаффл на лидерборде и сколько нужно видеокарт для счастья.

2019-01-26 Николай Линкер. Как работают GAN модели.

🎥 2019-01-26 Николай Линкер. Как работают GAN модели.
👁 1 раз ⏳ 2901 сек.
“Я расскажу, как устроены состязательные нейросети (GANы), почему они могут быть использованы для генерации изображений, какие трудности с ними возникают, как сделать плавное перетекание одного изображения в другое. Это доклад базового уровня.”

Запись трансляции ML тренировки 26.01.19 | Kaggle Draw Doodle, Human Protein, PLAsTiCC

🎥 Запись трансляции ML тренировки 26.01.19 | Kaggle Draw Doodle, Human Protein, PLAsTiCC
👁 1 раз ⏳ 6074 сек.
Дмитрий Буслов — Классификация паттернов белков (Kaggle Human Protein Atlas Image Classification)
Роман Власов — Классификация рукописных рисунков (Kaggle Quick, Draw! Doodle Recognition Challenge)
Сергей Злобин — Классификация космических объектов (Kaggle PLAsTiCC Astronomical Classification)
Каждые две недели в Яндексе проходят тренировки по машинному обучению. Эти встречи помогают участникам конкурсов в сфере анализа данных пообщаться и обменяться опытом.С докладами выступают успешные участники последних

​https://habr.com/ru/post/435884/

Принцип работы импульсного металлодетектора
Одним из популярных вариантов конструктивного исполнения устройств для металлопоиска является импульсный (pulse induction (PI)) металлодетектор- неприхотливый и надежный аппарат (хорошая глубина обнаружения, устойчивость к повышенной минерализации грунта, способность работать в соленой воде), имеющий различные сферы применения — от военного дела (традиционные пользователи «импульсников») до поиска золота (особенно популярно это хобби в Австралии).
Но и у него есть существенный недостаток — большие сложности с дискриминацией, т.е. определением типа мишени, например, узнать — из цветного металла она или из черного, или отличить противопехотную мину в пластиковом корпусе от кучки металлического мусора? Какая же причина этой проблемы?
Рассмотрим принцип работы импульсного металлодетектора.

🔗 Металлопоиск и… нейросеть
Принцип работы импульсного металлодетектора Одним из популярных вариантов конструктивного исполнения устройств для металлопоиска является импульсный (pulse...

Соревнования на Kaggle по распознаванию рукописных цифр | Проекты по глубоким нейронным сетям

🎥 Соревнования на Kaggle по распознаванию рукописных цифр | Проекты по глубоким нейронным сетям
👁 1 раз ⏳ 1607 сек.
Демонстрация участия в соревновании на Kaggle по распознаванию рукописных цифр MNIST
Учебный курс "Программирование глубоких нейронных сетей на Python" - https://www.asozykin.ru/courses/nnpython

Kaggle - это самый популярный сайт для специалистов по машинному обучению и Data Science. На сайте размещаются соревнования по машинному обучению, наборы данных, примеры кода (kernels) и дискуссии по машинному обучению.

Работодатели часто смотрят профиль соискателя на Kaggle, поэтому важно участвовать в соревнован

Анализ семантики кода с помощью нейронных сетей

🎥 Анализ семантики кода с помощью нейронных сетей
👁 1 раз ⏳ 1858 сек.
В связи с последними успехами методов глубокого обучения, основанных на векторном представлении объектов (слов, предложений), многие исследователи пробовали применять аналогичные методы к исходному коду. При этом в большинстве работ осуществляли векторное представление синтаксического дерева, при этом эффективность таких методов для анализа семантики не высока.

На семинаре мы обсудим новый метод анализа семантики кода, основанном на промежуточном представлении (Intermediate Representation, IR) кода, которо

​Deconvolution and Checkerboard Artifacts

When we look very closely at images generated by neural networks, we often see a strange checkerboard pattern of artifacts. It’s more obvious in some cases than others, but a large fraction of recent models exhibit this behavior.

https://distill.pub/2016/deconv-checkerboard/

🔗 Deconvolution and Checkerboard Artifacts
When we look very closely at images generated by neural networks, we often see a strange checkerboard pattern of artifacts.

Deconvolution and Checkerboard Artifacts

When we look very closely at images generated by neural networks, we often see a strange checkerboard pattern of artifacts. It’s more obvious in some cases than others, but a large fraction of recent models exhibit this behavior.

https://distill.pub/2016/deconv-checkerboard/