🎥 CMU Neural Nets for NLP 2019 (6): Conditioned Generation
👁 1 раз ⏳ 4320 сек.
This lecture (by Antonios Anastasopolous) for CMU CS 11-747, Neural Networks for NLP (Spring 2019) covers:

* Encoder-Decoder Models
* Conditional Generation and Search
* Ensembling
* Evaluation
* Types of Data to Condition On

Class Site: http://phontron.com/class/nn4nlp2019/schedule/conditioned-generation.html

MIT 6.S191: Recurrent Neural Networks
https://www.youtube.com/watch?v=_h66BW-xNgk

🎥 MIT 6.S191: Recurrent Neural Networks
👁 1 раз ⏳ 2191 сек.
MIT Introduction to Deep Learning 6.S191: Lecture 2
*New 2019 Edition*
Deep Sequence Modeling with Recurrent Neural Networks
Lecturer: Ava Soleimany
January 2019


For all lectures, slides and lab materials: http://introtodeeplearning.com

​Сезон чемпионатов 2019 открыт! Стартует SNA Hackathon аля ML Boot Camp 8

Многие из читателей уже знают, что мы стараемся постоянно проводить различные IT-чемпионаты по самым разным тематикам. Только в прошлом году провели более 10 разных крупных соревнований (Russian AI Cup, ML Boot Camp, Технокубок и другие). В них приняло участие не менее 25 000 человек, а с 2011 года — более 150 000.

Если вы только сейчас узнали об этом, то поздравляем: именно с этой минуты вы стали частью большого сообщества людей, участвующих в наших соревнованиях и обменивающихся опытом друг с другом. Уже сейчас вы можете присоединиться к Telegram-группам сообществ по искусственному интеллекту, спортивному программированию, высоконагруженным проектам и администрированию, машинному обучению и анализу данных. Это поможет вам быстрее втянуться в серьёзную тусовку!

🔗 Сезон чемпионатов 2019 открыт! Стартует SNA Hackathon аля ML Boot Camp 8
Привет! Многие из читателей уже знают, что мы стараемся постоянно проводить различные IT-чемпионаты по самым разным тематикам. Только в прошлом году провели б...

Урок на основе FastAI

https://youtu.be/8j9aN8aKd9Y

🎥 Fast AI: создаем нейронную сеть быстро
👁 1 раз ⏳ 1166 сек.
В этом видео мы с нуля создадим нейронную сеть, которая будет классифицировать изображения. Мы будем использовать Google Colab, а для этого нужен лишь браузер.

​Обзор AI & ML решений в 2018 году и прогнозы на 2019 год: Часть 2 — Инструменты и библиотеки, AutoML, RL, этика в AI

https://habr.com/ru/post/439724/

🔗 Обзор AI & ML решений в 2018 году и прогнозы на 2019 год: Часть 2 — Инструменты и библиотеки, AutoML
Всем привет! Представляю вам перевод статьи Analytics Vidhya с обзором событий в области AI / ML в 2018 году и трендов 2019 года. Материал довольно большой, поэт...

​Обзор AI & ML решений в 2018 году и прогнозы на 2019 год: Часть 1 — NLP, Computer Vision

Последние несколько лет для AI энтузиастов и профессионалов в области машинного обучения прошли в погоне за мечтой. Эти технологии перестали быть нишевыми, стали мейнстримом и уже влияют на жизни миллионов людей прямо сейчас. В разных странах были созданы AI министерства [подробнее тут — прим. пер.] и выделены бюджеты чтобы не отставать в этой гонке.

То же самое справедливо и для профессионалов в области data science. Еще пару лет назад вы могли комфортно себя чувствовать, зная пару инструментов и приёмов, но это время прошло. Количество событий, произошедших за последнее время в data science и объем знаний, который требуется, чтобы идти в ногу со временем в этой области, поражают воображение.

Я решил сделать шаг назад и взглянуть на разработки в некоторых ключевых областях в сфере искусственного интеллекта с точки зрения специалистов по data science. Какие прорывы произошли? Что случилось в 2018 и чего ждать в 2019 году? Прочитайте эту статью, чтобы получить ответы!

https://habr.com/ru/post/439688/

🔗 Обзор AI & ML решений в 2018 году и прогнозы на 2019 год: Часть 1 — NLP, Computer Vision
Всем привет! Представляю вам перевод статьи Analytics Vidhya с обзором событий в области AI / ML в 2018 году и трендов 2019 года. Материал довольно большой, поэт...

​До главной российской конференции по искусственному интеллекту OpenTalks.AI осталось 3 дня!!!

Сегодня последний день льготной регистрации: http://opentalks.ai
для членов сообщества Машинное обучение, AI, нейронные сети, Big Data - спец скидка, код в комментарии.

🔗 OpenTalks.AI - Главная
Открытая конференция по Искусственному интеллекту, Москва, фев 2019

​Deep Learning Drizzle

Drench yourself in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision, and NLP by learning from these exciting lectures!!

GitHub by Marimuthu Kalimuthu

https://github.com/kmario23/deep-learning-drizzle?fbclid=IwAR0Q9BtyvfFUApwIIHoWZm6sYx1V78--aUXSpbheMAMO9Yab6vQWEiNzTCU

🔗 kmario23/deep-learning-drizzle
Drench yourself in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision, and NLP by learning from these exciting lectures!! - kmario23/deep-learning-drizzle

Applications of Deep Learning in Aerospace

🎥 Applications of Deep Learning in Aerospace... - Kishore Reddy, Amit Surana, PhD | ODSC East 2018
👁 1 раз ⏳ 4862 сек.
Recent advances in machine learning techniques such as deep learning (DL) has rejuvenated data-driven analysis in aerospace and integrated building systems. DL algorithms have been successful due to the presence of large volumes of data and its ability to learn the features during the learning process.
The performance improvement is significant from the features learnt from DL techniques as compared to the hand crafted features. This talk demonstrates using deep belief networks (DBN), deep auto encoders (DA

​CESMA: Centralized Expert Supervises Multi-Agents

Lin et al.: https://arxiv.org/abs/1902.02311

#MultiagentSystems #ArtificialIntelligence #MachineLearning #Systems #Control

🔗 CESMA: Centralized Expert Supervises Multi-Agents
We consider the reinforcement learning problem of training multiple agents in order to maximize a shared reward. In this multi-agent system, each agent seeks to maximize the reward while interacting with other agents, and they may or may not be able to communicate. Typically the agents do not have access to other agent policies and thus each agent observes a non-stationary and partially-observable environment. In order to resolve this issue, we demonstrate a novel multi-agent training framework that first turns a multi-agent problem into a single-agent problem to obtain a centralized expert that is then used to guide supervised learning for multiple independent agents with the goal of decentralizing the policy. We additionally demonstrate a way to turn the exponential growth in the joint action space into a linear growth for the centralized policy. Overall, the problem is twofold: the problem of obtaining a centralized expert, and then the problem of supervised learning to train the multi-agents. We demonstra

​ML helping not only with sales or finding cats/cars, it also useful in other areas of science
https://phys.org/news/2019-02-machine-reveals-hidden-turtle-pattern.html

🔗 Machine learning reveals hidden turtle pattern in quantum fireworks
Two years ago, physicists at the University of Chicago were greeted with fireworks—atoms shooting out in jets—when they discovered a new form of quantum behavior. But the patterns underlying the bright ...

​Суперпозиционное линейно-нелинейное моделирование мультиагентных систем методами тропической алгебры

🔗 Суперпозиционное линейно-нелинейное моделирование мультиагентных систем методами тропической алгебры
Введение в рассмотрение суперпозиционных линейно-нелинейных моделей, известных как искусственные нейронные сети, стало одним из самых значимых событий в обла...

🎥 Graph neural networks: Variations and applications
👁 11 раз ⏳ 1087 сек.
Many real-world tasks require understanding interactions between a set of entities. Examples include interacting atoms in chemical molecules, people in social networks and even syntactic interactions between tokens in program source code. Graph structured data types are a natural representation for such systems, and several architectures have been proposed for applying deep learning methods to these structured objects. I will give an overview of the research directions inside Microsoft that have explored di

Спикер — Сергей Марков, автор одной из сильнейших российских шахматных программ, специалист по методам машинного обучения и основатель портала XX2 Век.

Обсудили такие вопросы:

* Неолуддизм и неожюльвернианство: как выглядит научно-технический прогресс в искусстве и массовом сознании.
* Что говорят технологические гуру современности о проблеме безопасности ИИ.
* Угроза ИИ или угроза технологии вообще: почему важно правильно формулировать вопросыы, чтобы получать необходимые ответы?
* Убивающие машины: опыт эксплуатации.
* Перенаселение на Марсе: кто и когда вкусит запретный плод марсианских яблонь?
* Мир скреп и мир скрепок: трудно ли пройти по лезвию бритвы?
* Опасности реальные и мнимые: о чём на самом деле стоит задуматься специалистам в области ИИ?
https://vk.com/video-152111071_456239277?list=38ad897d1c1ea31217

🎥 Сергей Марков: Легенда о големе в эпоху искусственного интеллекта.
👁 22 раз ⏳ 9445 сек.
Спикер — Сергей Марков, автор одной из сильнейших российских шахматных программ, специалист по методам машинного обучения и основатель портала XX2 Век.

Обсудили такие вопросы:

* Неолуддизм и неожюльвернианство: как выглядит научно-технический прогресс в искусстве и массовом сознании.
* Что говорят технологические гуру современности о проблеме безопасности ИИ.
* Угроза ИИ или угроза технологии вообще: почему важно правильно формулировать вопросыы, чтобы получать необходимые ответы?
* Убивающие машины: опыт

​Finding Familiar Faces with a Tensorflow Object Detector, Pytorch Feature Extractor, and Spotify’s Annoy

https://towardsdatascience.com/finding-familiar-faces-with-a-tensorflow-object-detector-pytorch-feature-extractor-and-spotifys-3e78858a8148

🔗 Finding Familiar Faces with a Tensorflow Object Detector, Pytorch Feature Extractor, and Spotify’s…
In a few different posts I have put together facial recognition pipelines or something similar using object detectors and something like a…

Deep Generative Modeling

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

https://www.youtube.com/watch?v=yFBFl1cLYx8

🎥 MIT 6.S191: Deep Generative Modeling
👁 1 раз ⏳ 2624 сек.
MIT Introduction to Deep Learning 6.S191: Lecture 4
*New 2019 Edition*
Deep Generative Modeling
Lecturer: Alexander Amini
January 2019


For all lectures, slides and lab materials: http://introtodeeplearning.com

Deep Learning on Massively Parallel Processing Databases

🎥 Deep Learning on Massively Parallel Processing Databases
👁 1 раз ⏳ 1511 сек.
by Frank McQuillan

At: FOSDEM 2019
https://video.fosdem.org/2019/UA2.118/dl_parallel_db.webm


In this session we will discuss the use of massively parallel databases for deep learning, drawing on experience from running deep learning frameworks like Keras and TensorFlow with GPU acceleration using free and open source software like Greenplum Database and the Apache MADlib machine learning library. Topics will include architecture, common usage patterns, scalability results and bright opportunities for th

​CESMA: Centralized Expert Supervises Multi-Agents

Lin et al.: https://arxiv.org/abs/1902.02311

#MultiagentSystems #ArtificialIntelligence #MachineLearning #Systems #Control

🔗 CESMA: Centralized Expert Supervises Multi-Agents
We consider the reinforcement learning problem of training multiple agents in order to maximize a shared reward. In this multi-agent system, each agent seeks to maximize the reward while interacting with other agents, and they may or may not be able to communicate. Typically the agents do not have access to other agent policies and thus each agent observes a non-stationary and partially-observable environment. In order to resolve this issue, we demonstrate a novel multi-agent training framework that first turns a multi-agent problem into a single-agent problem to obtain a centralized expert that is then used to guide supervised learning for multiple independent agents with the goal of decentralizing the policy. We additionally demonstrate a way to turn the exponential growth in the joint action space into a linear growth for the centralized policy. Overall, the problem is twofold: the problem of obtaining a centralized expert, and then the problem of supervised learning to train the multi-agents. We demonstra

A Comprehensive Introduction to Different Types of Convolutions in Deep Learning

https://towardsdatascience.com/a-comprehensive-introduction-to-different-types-of-convolutions-in-deep-learning-669281e58215?source=collection_home---4------0---------------------

Нарушение лицензий при копировании кода со StackOverflow

🎥 Нарушение лицензий при копировании кода со StackOverflow
👁 1 раз ⏳ 1304 сек.
Лицензирование программного обеспечения является сложной задачей: нужно знать, правильно ли поддерживаются лицензии программного обеспечения при повторном использовании и развитии. Это мотивировало разработку Sourcerer’s Apprentice, веб-сервиса, который помогает отслеживать лицензирование переиспользованного кода. На семинаре мы рассмотрим статью, описывающую этот сервис и его применение на фрагментах кода со StackOverflow, которые, как выясняется, часто лицензируются неправильно.

Докладчик: Мария Елисеева