​These are the Easiest Data Augmentation Techniques in Natural Language Processing you can think of…

🔗 These are the Easiest Data Augmentation Techniques in Natural Language Processing you can think of…
Data augmentation is commonly used in computer vision. In vision, you can almost certainly flip, rotate, or mirror an image without risk…

​tone mapping, decolorization and downscaling
https://arxiv.org/abs/1707.09482

🔗 Deep Feature Consistent Deep Image Transformations: Downscaling, Decolorization and HDR Tone Mapping
Building on crucial insights into the determining factors of the visual integrity of an image and the property of deep convolutional neural network (CNN), we have developed the Deep Feature Consistent Deep Image Transformation (DFC-DIT) framework which unifies challenging one-to-many mapping image processing problems such as image downscaling, decolorization (colour to grayscale conversion) and high dynamic range (HDR) image tone mapping. We train one CNN as a non-linear mapper to transform an input image to an output image following what we term the deep feature consistency principle which is enforced through another pretrained and fixed deep CNN. This is the first work that uses deep learning to solve and unify these three common image processing tasks. We present experimental results to demonstrate the effectiveness of the DFC-DIT technique and its state of the art performances.

Анализ изображений и видео
Наш телеграмм канал - https://tele.click/ai_machinelearning_big_data

Лекция 1. Поиск изображений по содержанию
Лекция 2. Детектирование объектов
Лекция 3. Детектирование объектов 2
Лекция 4. Цифровой фотомонтаж
Лекция 5. Сегментация изображений
Лекция 6. Генеративные сети
Лекция 7. Генеративные сети 2
Лекция 8. Трекинг объектов
Лекция 9. Трекинг объектов часть 2

🎥 Лекция 1. Поиск изображений по содержанию (Анализ изображений и видео, часть 2)
👁 247 раз ⏳ 6522 сек.
Лекция №1 в курсе "Анализ изображений и видео, часть 2", весна 2018
Преподаватель курса: Алексей Сергеевич Артамонов
Страница лекции на сайте CS ц...

🎥 Лекция 2. Детектирование объектов (Анализ изображений и видео, часть 2, весна 2018)
👁 58 раз ⏳ 5343 сек.
Лекция №2 в курсе "Анализ изображений и видео, часть 2", весна 2018
Преподаватель курса: Алексей Сергеевич Артамонов
Страница лекции на сайте CS ц...

🎥 Лекция 3. Детектирование объектов 2 (Анализ изображений и видео, часть 2)
👁 56 раз ⏳ 3552 сек.
Лекция №3 в курсе "Анализ изображений и видео, часть 2", весна 2018
Преподаватель курса: Алексей Сергеевич Артамонов
Страница лекции на сайте CS ц...

🎥 Лекция 4. Цифровой фотомонтаж (Анализ изображений и видео, часть 2)
👁 86 раз ⏳ 5307 сек.
Лекция №4 в курсе "Анализ изображений и видео, часть 2", весна 2018
Преподаватель курса: Алексей Сергеевич Артамонов
Страница лекции на сайте CS ц...

🎥 Лекция 5. Сегментация изображений (Анализ изображений и видео, часть 2)
👁 27 раз ⏳ 4596 сек.
Лекция №5 в курсе "Анализ изображений и видео, часть 2", весна 2018
Преподаватель курса: Алексей Сергеевич Артамонов
Страница лекции на сайте CS ц...

🎥 Лекция 6. Генеративные сети (Анализ изображений и видео, часть 2)
👁 21 раз ⏳ 4805 сек.
Лекция №6 в курсе "Анализ изображений и видео, часть 2", весна 2018
Преподаватель курса: Алексей Сергеевич Артамонов
Страница лекции на сайте CS ц...

🎥 Лекция 8. Трекинг объектов (Анализ изображений и видео, часть 2)
👁 16 раз ⏳ 5681 сек.
Лекция №8 в курсе "Анализ изображений и видео, часть 2", весна 2018
Преподаватель курса: Алексей Сергеевич Артамонов
Страница лекции на сайте CS ц...

🎥 Лекция 7. Генеративные сети 2 (Анализ изображений и видео, часть 2)
👁 20 раз ⏳ 5190 сек.
Лекция №7 в курсе "Анализ изображений и видео, часть 2", весна 2018
Преподаватель курса: Алексей Сергеевич Артамонов
Страница лекции на сайте CS ц...

🎥 Лекция 9. Трекинг объектов часть 2 (Анализ изображений и видео, часть 2)
👁 24 раз ⏳ 2915 сек.
Лекция №9 в курсе "Анализ изображений и видео, часть 2", весна 2018
Преподаватель курса: Алексей Сергеевич Артамонов
Страница лекции на сайте CS ц...

🎥 Машинное обучение 2. Линейная регрессия
👁 1 раз ⏳ 4015 сек.
Лекция от 19.02.2019

Лектор: Радослав Нейчев

Снимал: Михаил Кревский
Монтировал: Александр Гришутин

​Transfer Learning with PyTorch

https://heartbeat.fritz.ai/transfer-learning-with-pytorch-cfcb69016c72?source=topic_page---------1------------------1

🔗 Transfer Learning with PyTorch – Heartbeat
When we learn something in our daily lives, similar things become very easy to learn because—we use our existing knowledge on the new task…

​Data Science на CodeFest: аромат революции

https://habr.com/ru/company/codefest/blog/441072/

🔗 Data Science на CodeFest: аромат революции
Самость, в первом приближении, параллельна. Автоматизм реально творит эгоцентризм. Идеи гедонизма занимают центральное место в утилитаризме Милля и Бентама, од...

MIT 6.S191: Image Domain Transfer (NVIDIA)
Наш телеграмм канал - https://tele.click/ai_machinelearning_big_data

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

🎥 MIT 6.S191: Image Domain Transfer (NVIDIA)
👁 1 раз ⏳ 2793 сек.
MIT Introduction to Deep Learning 6.S191: Lecture 9
*New 2019 Edition*
Learning and Perception: Image Domain Transfer
Lecturer: Jan Kautz
NVIDIA Guest Lecture
January 2019


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

​Audio AI: выделяем вокал из музыки с помощью свёрточных нейросетей

Взлом музыки для демократизации производного контента

Отказ от ответственности: вся интеллектуальная собственность, проекты и методы, описанные в этой статье, раскрыты в патентах US10014002B2 и US9842609B2.

Вот бы вернуться в 1965 год, постучать в парадную дверь студии «Эбби-Роуд» с пропуском, зайти внутрь — и услышать настоящие голоса Леннона и Маккартни… Что ж, давайте попробуем. Входные данные: MP3 среднего качества песни «Битлз» We Can Work it Out. Верхняя дорожка — входной микс, нижняя дорожка — изолированный вокал, который выделила наша нейросеть.

🔗 Audio AI: выделяем вокал из музыки с помощью свёрточных нейросетей

​On the Path to Cryogenic Control of Quantum Processors

http://ai.googleblog.com/2019/02/on-path-to-cryogenic-control-of-quantum.html

🔗 On the Path to Cryogenic Control of Quantum Processors
Posted by Joseph Bardin, Visiting Faculty Researcher and Erik Lucero, Staff Research Scientist and Hardware Lead, Google AI Quantum Team B...

🎥 Brief Look at Google Cloud AutoML Natural Language - its HIPAA Compliant!!
👁 1 раз ⏳ 878 сек.
Quick overview of Google's AutoML Natural Language Processing Cloud-based tool that allows you to do some serious supervised deep learning without writing one line of code! This series of AutoML tools are probably going to obsolete my job one day.

Signup for my newsletter: http://www.viralml.com/signup
Connect on Twitter: https://twitter.com/amunategui

Check out my books on Amazon:
https://www.amazon.com/s/field-keywor...

Source code:
http://www.viralml.com/static/code/AutoML-NLP-for-Healthcare.html

C

Многоагентное обучение с динамикой популяций

🎥 Свертки с усреднением в глубоких нейронных сетях
👁 68 раз ⏳ 1454 сек.
Для достижения лучших результатов в задачах компьютерного зрения, современным сверточным нейронным сетям необходимо уметь учитывать пространнственно далекую информацию. С одной стороны, это сложно сделать из-за маленького размера фильтров (3x3, 5x5), с другой - при повышении размера сложность вычислений растет квадратично из-за увеличения числа параметров.

Одна из новых статей с последнего NIPS'a предлагает новый и простой подход, основанный на классических идеях: фильтрах с усреднением и суммированием из

🎥 Многоагентное обучение с динамикой популяций
👁 28 раз ⏳ 1771 сек.
В обучении с подкреплением одной их ключевых проблем является проблема exploration. Для ее решения было предложено множество способов, которые полагаются на внутреннюю мотивацию. Опираясь на нее, были предложены подходы с индивидуальной любопытностью агентов. Но авторы статьи утверждают, что внутренней мотивацией нельзя объяснить критические адаптации человечества. Рассредоточение людей из Африки произошло скорее из-за внешней мотивации, изменений условий.

В статье предложен многоагентный подход, который д

🎥 Машинное обучение в Яндексе | Александр Крайнов | Лекториум
👁 27 раз ⏳ 7055 сек.
Машинное обучение в Яндексе | Александр Крайнов | Лекториум

Смотрите это видео на Лекториуме: https://www.lektorium.tv/node/33929

Подписывайтесь на канал: https://www.lektorium.tv/ZJA
Следите за новостями:
https://vk.com/openlektorium
https://www.facebook.com/openlektorium

Наш телеграмм канал - https://tele.click/ai_machinelearning_big_data

Урок 0. Новый этап: Deep learning - чат-бот.
Урок 1. Больше теории. Чат-бот или свой framework для Deep learning?
Урок 2. Virtual environments. Костяк учебного фреймворка для нейронки.
Урок 3. Проект DeepJava. Погружаемся в математические основы DeepLearning.
Урок 4. Копаемся в коде DeepLearning. Подбираем тренировочные параметры.
Урок 5. MNIST on DeepJavaUniverse.
Урок 6. Текущие задачи и прогресс в DeepJavaUniverse.
Урок 7. Переход на матрицы. Допиливаем batching.
Урок 8. Прогресс в DeepJavaUniverse. Много разбираем код.
Урок 9. Тесты. Проблемы

🎥 Geeks.Show: Сезон 5. Урок 0. Новый этап: Deep learning - чат-бот.
👁 100 раз ⏳ 3216 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 1. Больше теории. Чат-бот или свой framework для Deep learning?
👁 18 раз ⏳ 3142 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 2. Virtual environments. Костяк учебного фреймворка для нейронки.
👁 9 раз ⏳ 3476 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 3. Проект DeepJava. Погружаемся в математические основы DeepLearning.
👁 30 раз ⏳ 3335 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 4. Копаемся в коде DeepLearning. Подбираем тренировочные параметры.
👁 16 раз ⏳ 4256 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 5. MNIST on DeepJavaUniverse.
👁 3 раз ⏳ 3125 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 6. Текущие задачи и прогресс в DeepJavaUniverse.
👁 1 раз ⏳ 1577 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 7. Переход на матрицы. Допиливаем batching.
👁 4 раз ⏳ 2172 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show: Сезон 5. Урок 8. Прогресс в DeepJavaUniverse. Много разбираем код.
👁 7 раз ⏳ 2714 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

🎥 Geeks.Show:Сезон 5.Урок 9. Тесты. Проблемы batching и качества обучения.
👁 20 раз ⏳ 2525 сек.
Написание Deep learning проекта в прямом эфире, являющиеся дополнением к курсу по "Java для веб-сервисов" и "Java для веб-сервисов Amazon (AWS)" на...

​Introducing Ludwig, a Code-Free Deep Learning Toolbox

🔗 Introducing Ludwig, a Code-Free Deep Learning Toolbox
Uber AI developed Ludwig, a code-free deep learning toolbox, to make deep learning more accessible to non-experts and enable faster model iteration cycles.

​🔗 New MRI sensor can image activity deep within the brain
Noninvasive measurements of calcium could reveal neurons’ roles in different types of behavior.

🎥 Dodo Pizza Engineering // Scalability Camp (Часть 1)
👁 19 раз ⏳ 3194 сек.
В нашем офисе прохошёл митап про работу с большими данными.

Часть 2: https://youtu.be/Kjp0I1Mc3A4

В программе:

1. Юрий Бабак, руководитель группы разработки в GridGain
Распределенный TensorFlow с Apache Ignite

- Apache Ignite, как распределенный источник данных для TensorFlow;
- Как тренировать модели на кластере TensorFlow поверх Apache Ignite;
- Инференс TensorFlow модели на кластере Apache Ignite.

==================================

2. Сергей Жукаев, разработчик распределенного хранилища в Nvidia

🎥 Dodo Pizza Engineering // Scalability Camp (Часть 2)
👁 4 раз ⏳ 2396 сек.
В нашем офисе прохошёл митап про работу с большими данными.

Часть 1: https://youtu.be/rkZ1KF4UKYQ

В программе:

1. Юрий Бабак, руководитель группы разработки в GridGain
Распределенный TensorFlow с Apache Ignite

- Apache Ignite, как распределенный источник данных для TensorFlow;
- Как тренировать модели на кластере TensorFlow поверх Apache Ignite;
- Инференс TensorFlow модели на кластере Apache Ignite.

==================================

2. Сергей Жукаев, разработчик распределенного хранилища в Nvidia

🎥 Лето в Яндексе - запись трансляции
👁 1 раз ⏳ 22258 сек.
00:09:20 — Антон Полднев «Реклама в Яндексе: делаем деньги из алгоритмов»;

00:44:08 — Алексей Шлюнкин «Что ещё можно сделать в Поиске Яндекса»;

01:19:17 — Борис Шарчилев «Автороцентричное ранжирование: поиск релевантной аудитории для авторов в Яндекс.Дзене»;

01:53:41 — Анна Вероника Дорогуш, Константин Лахман «Искусственный интеллект, машинное обучение, умные колонки и всё такое»;

02:29:17 — Дмитрий Черкасов «Работа аналитика в Антифроде: взгляд изнутри»;

03:03:44 — Михаил Трошев «Поиск Яндекса: пром

​Yann LeCun Cake Analogy 2.0

https://medium.com/syncedreview/yann-lecun-cake-analogy-2-0-a361da560dae

🔗 Yann LeCun Cake Analogy 2.0 – SyncedReview – Medium
Facebook AI Chief Yann LeCun introduced his now-famous “cake analogy” at NIPS 2016: “If intelligence is a cake, the bulk of the cake is…