​Как работает PageRank: реализация на языке R через линейную алгебру и power-метод

В данном небольшом тексте я познакомлю вас с методом расчета PageRank © (далее буду называть его ПР) на простых, понятных примерах, на языке R. Алгоритм является интеллектуальным достоянием Google, но, ввиду его полезности для задач анализа данных, применяется много в каких задачах, которые можно свести к поиску больших узлов на графе и ранжированию их по значимости.

🔗 Как работает PageRank: реализация на языке R через линейную алгебру и power-метод
Привет, хабровчане! Меня зовут Алексей. На этот раз я вещаю с рабочего места в ИТАР-ТАСС. В данном небольшом тексте я познакомлю вас с методом расчета PageRan...

🎥 Smelling Source Code Using Deep Learning
👁 1 раз ⏳ 2176 сек.
by Tushar Sharma

At: FOSDEM 2019
https://video.fosdem.org/2019/H.2213/ml_on_code_smelling_source.webm


Poor quality code contributes to increasing technical debt and makes the software difficult to extend and maintain. Code smells capture such poor code quality practices. Traditionally, the software engineering community identifies code smells in deterministic ways by using metrics and pre-defined rules/heuristics. Creating a deterministic tool for a specific language is an expensive and arduous task sinc

​Machine Learning Models: Linear Regression

🔗 Linear Regression from Scratch – Isaiah Nields – Medium
An article about my personal experience implementing linear regression from scratch.

​Beginning Deep Learning classifications in the gastrointestinal tract with Fast.ai

https://medium.com/@JamesDietle/beginning-deep-learning-classifications-in-the-gastrointestinal-tract-with-fast-ai-7a97e3924b96

🔗 fast.ai · Making neural nets uncool again

​K-Means Clustering
Making Sense of Text Data using Unsupervised Learning

https://towardsdatascience.com/k-means-clustering-8e1e64c1561c?source=collection_home---4------1---------------------

🔗 K-Means Clustering – Towards Data Science
Making Sense of Text Data using Unsupervised Learning

​AnzoGraph: A W3C Standards-Based Graph Database
An interview with Barry Zane of Cambridge Semantics

🔗 AnzoGraph: A W3C Standards-Based Graph Database – Towards Data Science
An interview with Barry Zane of Cambridge Semantics

​На каком железе анализировать огромный вал информации?
https://habr.com/ru/company/ru_mts/blog/439498/

🔗 На каком железе анализировать огромный вал информации?
Мы – Big Data в МТС и это наш первый пост. Сегодня расскажем о том, какие технологии позволяют нам хранить и обрабатывать большие данные так, чтобы всегда хватал...

​Как геокодировать миллион точек на Spark по-быстрому?
#BigData,

В моем предыдущем проекте перед нами встала задача провести обратное геокодирование для множества пар географических координат. Обратное геокодирование — это процедура, которая паре широта-долгота ставит в соответствие адрес или название объекта на карте, к которому принадлежит или близка заданная координатами точка. То есть, берем координаты, скажем такие: @55.7602485,37.6170409, и получаем результат либо «Россия, Центральный федеральный округ, Москва, Театральная площадь, дом такой-то», либо например «Большой театр».

Если на входе адрес или название, а на выходе координаты, то эта операция — прямое геокодирование, об этом мы, надеюсь, поговорим позже.

В качестве исходных данных у нас на входе было примерно 100 или 200 тысяч точек, которые лежали в кластере Hadoop в виде таблицы Hive. Это чтобы был понятен масштаб задачи.

В качестве инструмента обработки в конце концов был выбран Spark, хотя в процессе мы попробовали как MapReduce, так и Apache Crunch. Но это отдельная история, возможно заслуживающая своего поста.

🔗 Как геокодировать миллион точек на Spark по-быстрому?
В моем предыдущем проекте перед нами встала задача провести обратное геокодирование для множества пар географических координат. Обратное геокодирование — это про...

​Playground Prediction Competition
Don't Overfit! II
A Fistful of Samples

🔗 Don't Overfit! II
A Fistful of Samples

​Запись трансляции Kubernetes meetup в офисе Яндекса

🔗 Запись трансляции Kubernetes meetup в офисе Яндекса
Докладчики расскажут о разработке операторов в Kubernetes и стратегии развития контейнерных сервисов в Яндекс.Облаке, а также обсудят причины поразительного ...

​Machine Learning Blink 1.3 (cross-validation)

🔗 Machine Learning Blink 1.3 (cross-validation)
Introduction to Machine Learning Why cross-validation? For more details, check out the book "Machine Learning Refined": http://mlrefined.wixsite.com/home-page

​Machine Learning backend митап в Funcorp

🔗 Machine Learning backend митап в Funcorp
Machine Learning backend митап в Funcorp

DeepMind StarCraft II Demonstration

🎥 DeepMind StarCraft II Demonstration
👁 475 раз ⏳ 8545 сек.
Join Artosis, RottterdaM and a cast of special guests for a unique StarCraft II showcase live from DeepMind in London, in partnership with Blizzard.

Data Science от Академии яндекса
1) Чем отличаются data analyst, data engineer и data scientist
2) Карьера в data science: типичные ошибки на собеседовании
3) Дискуссия «Тренды data science»
4) От исследований к продакшену: TDD, CRISP DM, контроль версий 5) Как в YouDo машинное обучение катится в продакшен
6) Крафтим артефакты: о воспроизводимости и трекинге
7) Подходы для CV в проде: внедрить нельзя выпилить
8) Применение машинного обучения в страховании
9) Deep learning в рекомендательных системах
10) Практический RL: кнуты и пряники

🎥 074. Чем отличаются data analyst, data engineer и data scientist – Алексей Натёкин
👁 93 раз ⏳ 1205 сек.
- Как войти в сообщество data science?
- О различиях data scientist, data analyst, data engineer, кто из них чем занимается?
- В чём отличия между ...

🎥 075. Карьера в data science: типичные ошибки на собеседовании – Валерий Бабушкин
👁 37 раз ⏳ 1103 сек.
- Как найти работу в Data Science, если у тебя еще нет рабочего опыта?
- Стоит ли тратить время на kaggle?
- Какой путь должен пройти дата саентоло...

🎥 076. Дискуссия «Тренды data science»
👁 26 раз ⏳ 3548 сек.
- Кто и как диктует моду в data science?
- Какие прикладные задачи из области machine learning на данный момент самые актуальные? Какие не получает...

🎥 077. От исследований к продакшену: TDD, CRISP DM, контроль версий – Арсений Анисимович
👁 10 раз ⏳ 958 сек.
- Как организовать эффективное взаимодействие бизнеса, разработчиков и DS?
- Как версионировать данные и возможно ли это?
- Существует ли test driv...

🎥 078. Как в YouDo машинное обучение катится в продакшен – Адам Елдаров
👁 9 раз ⏳ 1471 сек.
- Как деплоить, скейлить и управлять жизненным циклом ML моделей?
- Как настроить процесс дообучения и переобучения модели?
- Как выстраивать масшт...

🎥 079. Крафтим артефакты: о воспроизводимости и трекинге зависимостей – Михаил Трофимов
👁 4 раз ⏳ 874 сек.
- Как организовать методологию экспериментов с данными?
- Зачем нужна воспроизводимость экспериментов и моделей?
- Как ее добиться?


* 21 октября ...

🎥 080. Kaggle подходы для CV в проде: внедрить нельзя выпилить – Арсений Кравченко vs Артур Кузин
👁 5 раз ⏳ 1494 сек.
В ходе дискуссии рассмариваются сильные и слабые стороны кэгглеров с точки зрения переноса их навыков в продакшен. Также будет произведено сравнени...

🎥 081. Применение машинного обучения в страховании – Фрэнк Шихалиев
👁 8 раз ⏳ 1291 сек.
Страховая отрасль всегда была достаточно консервативна, к тому же в финансовом секторе в России банки опередили страхование по развитию на десятиле...

🎥 082. Deep learning в рекомендательных системах – Андрей Зимовнов
👁 15 раз ⏳ 1757 сек.
- Deep learning в рекомендательных системах
- Collaborative Filtering (CF) в большой рекомендательной системе

* 21 октября 2018 г. в московском оф...

🎥 083. Практический RL: кнуты и пряники – Сергей Колесников
👁 6 раз ⏳ 1421 сек.
- Как начать изучать RL?
- Есть ли RL без DL?
- Соревнования по RL: полезно ли участвовать?
- Практика DRL в проде, есть ли какие успешные кейсы?
-...

🎥 005. Как работает ClickHouse, лекция в ШАД
👁 1 раз ⏳ 6991 сек.

​Interesting paper for game developers. it can be used to bug fix games just by watching user gameplay, or for example make them harder/simpler without breaking balance.
https://www.cc.gatech.edu/~riedl/pubs/ijcai17.pdf

🔗

​Dog Breed Classification using CNNs

https://medium.com/@denizdoruknuholu/dog-breed-classification-using-cnns-f042fbe0f333?source=topic_page---------1------------------1

🔗 Dog Breed Classification using CNNs – Deniz Doruk Nuhoglu – Medium
In today’s post, I will be showing you how to be make an exceptionally FUN application that detects whether a picture has a human or a dog…

​The Other Type of Machine Learning
A brief introduction to Reinforcement Learning

🔗 The Other Type of Machine Learning – Genevieve Hayes – Medium
A brief introduction to Reinforcement Learning

🎥 AI: The end of deep learning?
👁 3 раз ⏳ 1539 сек.
Patrick Ehlen, Chief Scientist at Loop AI Labs Cognitive Computing, explains what is the next frontier to better approximate human capacity with quantum mechanics.

Event: DIGILITY 2018
26-27 September 2018, Cologne, Germany

Speakers:
Cindy Chin, Artificial Intelligence and Machine Learning (AI + ML) program curator of the DIGILITY Conference and Expo
Patrick Ehlen, Chief Scientist at Loop AI Labs Cognitive Computing

​Dropout on convolutional layers is weird
Why dropout on convolutional layers is fundamentally different from dropout on fully-connected layers.

https://medium.com/@jcreinhold/dropout-on-convolutional-layers-is-weird-5c6ab14f19b2?source=topic_page---------1------------------1

🔗 Dropout on convolutional layers is weird – Jacob Reinhold – Medium
Why dropout on convolutional layers is fundamentally different from dropout on fully-connected layers.