«Опыт запуска Discover для 90 млн пользователей: пять рекомендаций ML-разработчикам»

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

🎥 «Опыт запуска Discover для 90 млн пользователей: пять рекомендаций ML-разработчикам»
👁 1 раз ⏳ 2984 сек.
«Опыт запуска Discover для 90 млн пользователей: пять рекомендаций ML-разработчикам», Андрей Законов, vk.com

О докладе

Важна не только модель: правильно формулируем задачи и выбираем метрики.
Разные способы оптимизировать свои решения под нагрузки.
Правильно оцениваем эксперименты: изучаем графики и работаем с обратной связью.

Слайды: https://bit.ly/2E7raQG

Школа программистов: Поиск – дополнительные главы и ML

🎥 Школа программистов: Поиск – дополнительные главы и ML
👁 1 раз ⏳ 5106 сек.
Лекцию читает Георгий Даньщин, руководитель команды разработки.
О чем будем говорить:
1. Модели документа в поиске.
2. Текстовое ранжирование.
3. Машинное обучение в задаче ранжирования.
4. Оценка качества поисковой системы.
5. A/B-тестирование.

🎥 Data Management for AI and Machine Learning: Putting Dataware to Work
👁 1 раз ⏳ 2867 сек.
When it comes to building a successful AI or machine learning system, data is as important as algorithm or model code. And it isn’t just volume of data or data quality that matters - although both are very important. You also need efficient ways to manage data at scale, particularly for the special needs of machine learning, such as data versioning for training models, a reliable event-by-event history, and a way to archive exactly the data seen by a model in production.

Please join me to talk about these

​Как превратить спутниковые снимки в карты. Компьютерное зрение в Яндексе

Наш телеграмм канал - https://t.me/ai_machinelearning_big_data
Один из главных источников данных для сервиса Яндекс.Карты — спутниковые снимки. Чтобы с картой было удобно работать, на снимках многоугольниками размечаются объекты: леса, водоёмы, улицы, дома и т. п. Обычно разметкой занимаются специалисты-картографы. Мы решили помочь им и научить компьютер добавлять многоугольники домов без участия людей.

За операции с изображениями отвечает область ИТ, которая называется компьютерным зрением. Последние несколько лет большую часть задач из этой области очень удачно решают, применяя нейронные сети. О нашем опыте применения нейронных сетей в картографировании мы и расскажем сегодня читателям Хабра.
#Алгоритмы,
#Искусственныйинтеллект,
#Машинноеобучение,
#Обработкаизображений
https://habr.com/ru/company/yandex/blog/431108/

🔗 Как превратить спутниковые снимки в карты. Компьютерное зрение в Яндексе
Один из главных источников данных для сервиса Яндекс.Карты — спутниковые снимки. Чтобы с картой было удобно работать, на снимках многоугольниками размечаются объ...

​Sentiment Classification with Natural Language Processing on LSTM

https://blog.usejournal.com/sentiment-classification-with-natural-language-processing-on-lstm-4dc0497c1f19

🔗 Sentiment Classification with Natural Language Processing on LSTM
So Latent Semantic Analysis (LSA) is a theory and method for extracting and representing the contextual-usage meaning of words by…

​В Москве протестируют беспилотный трамвай. Мы поговорили с разработчиками автопилота
На днях «Ведомости» рассказали, что скоро в Москве начнут тестировать беспилотный трамвай. Сейчас его испытывают в депо, но через пару месяцев планируют запустить на маршруте №17 — пока без пассажиров и с водителем в кабине.

На следующем этапе водитель тоже продолжит контролировать трамвай. Система будет только фиксировать срабатывания, но на управление трамваем сможет повлиять только в двух случаях — затормозит, если увидит на путях посторонний объект, и снизит скорость, если водитель слишком разгонится в плохих погодных условиях.

Скорее всего, полностью беспилотным трамвай станет только через несколько лет. Как пишут «Ведомости», к 2021-2022 годам.

Разработка идет на базе модели «Витязь М», которую выпускает «ПК Транспортные системы», а самим автопилотом занимается компания Cognitive Technologies. Руководитель ее департамента разработки беспилотных транспортных средств Юрий Минкин рассказал нам о проекте подробнее.
https://habr.com/ru/post/440258/

🔗 В Москве протестируют беспилотный трамвай. Мы поговорили с разработчиками автопилота
На днях «Ведомости» рассказали, что скоро в Москве начнут тестировать беспилотный трамвай. Сейчас его испытывают в депо, но через пару месяцев планируют запуст...

​MIT 6.S191: Deep Learning Limitations and New Frontiers

🔗 MIT 6.S191: Deep Learning Limitations and New Frontiers
MIT Introduction to Deep Learning 6.S191: Lecture 6 *New 2019 Edition* Deep Learning Limitations and New Frontiers Lecturer: Ava Soleimany January 2019 For a...

​Книга «Прагматичный ИИ. Машинное обучение и облачные технологии»

Как программисты, так и просто неравнодушные технари найдут тут для себя полезную информацию. Примеры кода даны на Python. Здесь рассматривается множество столь продвинутых тем, как использование облачных платформ (например, AWS, GCP и Azure), а также приемы машинного обучения и реализация ИИ. Джедаи, свободно ориентирующиеся в Python, облачных вычислениях и ML, также найдут для себя много полезных идей, которые смогут сразу применить в своей текущей работе.

Предлагаем ознакомиться с отрывком из книги «Создание интеллектуального бота Slack в AWS»
https://habr.com/ru/company/piter/blog/439990/

🔗 Книга «Прагматичный ИИ. Машинное обучение и облачные технологии»
Привет, Хаброжители! Эта книга Ноя Гифта предназначена для всех, кого интересуют ИИ, машинное обучение, облачные вычисления, а также любое сочетание данных тем.

​Machine learning analysis of chaos and vice versa - Edward Ott, University of Maryland

🔗 Machine learning analysis of chaos and vice versa - Edward Ott, University of Maryland
About the talk In this talk we first consider the situation where one is interested in gaining understanding of general dynamical properties of a chaotically...

​Пример простой нейросети на С/C++

#Искусственныйинтеллект,
#Машинноеобучение

Решил поделиться простым и ёмким на мой взгляд решением нейронной сети на С++.

Почему эта информация должна быть интересна?

Ответ: я старался в минимальном наборе запрограммировать работу многослойного перцептрона, да так, чтобы его можно было настраивать как душе угодно всего в нескольких строчках кода, а реализация основных алгоритмов работы на «С» позволит с лёгкостью переносить на «С» ориентированные языки(в прочем и на любые другие) без использования сторонних библиотек!

Прошу взглянуть на то, что из этого вышло

Про предназначение нейронных сетей я вам рассказывать не буду, надеюсь вас не забанили в google и вы сможете найти интересующую вас информацию(назначение, возможности, области применения и так далее).

Исходный код вы найдёте в конце статьи, а пока по порядку.

Начнём разбор

1) Архитектура и технические подробности

— многослойный перцептрон с возможностью конфигурации любого количества слоев с заданной шириной. Ниже представлен

пример конфигурации
Обратите внимание, что установка ширины входа и выхода для каждого слоя выполняется по определённому правилу — вход текущего слоя = выходу предыдущего. Исключением является входной слой.

Таким образом, вы имеете возможность настраивать любую конфигурацию вручную или по заданному правилу перед компиляцией или после компиляции считывать данные из source файлов.

https://habr.com/ru/post/440162/

🔗 Пример простой нейросети на С/C++
Всем привет. Решил поделиться простым и ёмким на мой взгляд решением нейронной сети на С++. Почему эта информация должна быть интересна? Ответ: я старался в...

​Как отличить хороший ремонт от плохого, или как мы в SRG сделали из Томита-парсера многопоточную Java-библиотеку

Машинное обучение
В этой статье речь пойдет о том, как мы интегрировали разработанный Яндексом Томита-парсер в нашу систему, превратили его в динамическую библиотеку, подружили с Java, сделали многопоточной и решили с её помощью задачу классификации текста для оценки недвижимости.

🔗 Как отличить хороший ремонт от плохого, или как мы в SRG сделали из Томита-парсера многопоточную Jav
В этой статье речь пойдет о том, как мы интегрировали разработанный Яндексом Томита-парсер в нашу систему, превратили его в динамическую библиотеку, подружили с...

​A Gentle Introduction to the Challenge of Training Deep Learning Neural Network Models

https://machinelearningmastery.com/a-gentle-introduction-to-the-challenge-of-training-deep-learning-neural-network-models/

🔗 A Gentle Introduction to the Challenge of Training Deep Learning Neural Network Models
Deep learning neural networks learn a mapping function from inputs to outputs. This is achieved by updating the weights of the network in response to the errors the model makes on the training dataset. Updates are made to continually reduce this error until either a good enough model is found or the learning process gets …

​Kaggle Days 2019 in Paris

Kaggle Days are the first global offline events series for Data Scientists and Kagglers. Such a great event provides an opportunity to both create and build the data science community. First-ever event called Kaggle Days in Warsaw succeeded in 2018. Over 100 participants learned from Kaggle Grandmasters in lively presentations and workshops. For many, the highlight was the first-ever Kaggle offline competition, a daylong challenge right on-site.

https://towardsdatascience.com/kaggle-days-2019-in-paris-8e2844c86198?source=collection_home---4------1---------------------

🔗 Kaggle Days 2019 in Paris – Towards Data Science
Kaggle Days are the first global offline events series for Data Scientists and Kagglers. Such a great event provides an opportunity to…

​Modern Deep Learning Techniques Applied to Natural Language Processing
https://nlpoverview.com/index.html#disqus_thread

🔗 Modern Deep Learning Techniques Applied to Natural Language Processing by Authors

Feature Maps: емкий и понятный подход к представлению программного обеспечения

https://www.youtube.com/watch?v=U5j9namMSFc

🎥 Feature Maps: емкий и понятный подход к представлению программного обеспечения
👁 1 раз ⏳ 3674 сек.
Шаблоны проектирования -- очень распространенный инструмент, используемый в разработке программного обеспечения. Они помогают решать часто встречающиеся задачи хорошо зарекомендовавшим себя образом. На семинаре мы рассмотрим статью, авторы которой предлагают новый способ представления программного кода под названием Feature Maps. Этот подход может быть применен для обнаружения используемых в коде шаблонов проектирования, а также является гибким и понятным представлением программного кода. Авторы статьи обуч

Получение картинок высокого качества с помощью GAN

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

🎥 Получение картинок высокого качества с помощью GAN
👁 1 раз ⏳ 1967 сек.
На семинаре мы обсудим недавнюю статью "Large Scale GAN Training for High Fidelity Natural Image Synthesis", авторы которой совершили довольно серьезный прорыв в области генерации изображений с помощью генеративных сетей GAN. Авторы вводят так называемый "truncation trick", который позволяет сдвигать модель или в сторону качества или в сторону разнообразия получившихся изображений за счет ограничения латентного пространства. В итоге по метрикам Inception и Frechet Inception удалось более чем в два раза улуч

Перенос знаний между решениями различных видов задач в policy gradient методах
https://www.youtube.com/watch?v=vvqPU5Vew48

🎥 Перенос знаний между решениями различных видов задач в policy gradient методах
👁 1 раз ⏳ 1389 сек.
Возможность к обобщению - одна из важных задач в машинном обучении. В обучении с подкреплением она часто встречается в виде задаче об обучении многозадачного агента, который должен не только научиться решать несколько различных задач, но и уметь переносить свой опыт на другие задачи.

На семинаре мы поговорим об одном из подходов к переиспользованию знаний агента, а так же разберем одну из первых статей, в которой предлагается и теоретически обосновывается способ переноса знаний между средами, имеющими разл

​Машинное обучение 1. Введение, kNN

🔗 Машинное обучение 1. Введение, kNN

​Understanding Machine Learning

🔗 Understanding Machine Learning

But what is a Neural Network?
Наш телеграмм канал - https://t.me/ai_machinelearning_big_data
| Chapter 1, deep learning
Gradient descent, how neural networks learn | Chapter 2, deep learning
What is backpropagation really doing? | Chapter 3, deep learning
Backpropagation calculus | Appendix to deep learning chapter 3

https://vk.com/video-16108331_456254714?list=f8a96b44cea3d5a7cd
https://vk.com/video-16108331_456254716?list=354776479b35c98c26
https://vk.com/video-16108331_456254715?list=1273228992bf60d89b
https://vk.com/video-16108331_456254713?list=1597252df93689a589

🎥 1. But what is a Neural Network Chapter 1, deep learning
👁 13290 раз ⏳ 1152 сек.


🎥 2. Gradient descent, how neural networks learn Chapter 2, deep learning
👁 168 раз ⏳ 1260 сек.


🎥 3. What is backpropagation really doing Chapter 3, deep learning
👁 92 раз ⏳ 833 сек.


🎥 4. Backpropagation calculus Appendix to deep learning chapter 3
👁 119 раз ⏳ 617 сек.