​PyText: A seamless path from NLP research to production

https://research.fb.com/publications/pytext-a-seamless-path-from-nlp-research-to-production/

🔗 PyText: A seamless path from NLP research to production
We introduce PyText – a deep learning based NLP modeling framework built on PyTorch. PyText addresses the often-conflicting requirements of enabling rapid experimentation and of serving models at scale.

🎥 Upgrade your existing code for TensorFlow 2.0 (Coding TensorFlow)
👁 1 раз ⏳ 197 сек.
TensorFlow 2.0 is here! With the Keras integration, and Eager Execution enabled by default, 2.0 is all about ease of use, and simplicity. We want to provide both new and experienced developers the tools & APIs needed to build and deploy their machine learning models with speed and precision.

In this episode of Coding TensorFlow, Developer Advocate Paige Bailey (Twitter: @dynamicwebpaige) shows us the tf_upgrade_v2 tool, which helps with the 2.0 transition by converting existing TensorFlow 1.12 Python scrip

​Human-Centric Machine Learning Infrastructure @Netflix

🔗 Human-Centric Machine Learning Infrastructure @Netflix
Video with transcript included: https://bit.ly/2EgdzWc Ville Tuulos talks about choices and reasoning the Netflix Machine Learning Infrastructure team made o...

​IBM Watson Studio giveaway for students(if someone use it)
https://medium.com/ibm-watson/watson-studio-desktop-is-now-free-for-academia-f8b50a118370

🔗 Watson Studio Desktop is now free for academia – IBM Watson – Medium
Machine Learning, Data Science, and Predictive Analytics techniques are in strong demand. That’s why since its launch, IBM Watson Studio…

Deep learning на пальцах 2 - Элементы машинного обучения
https://www.youtube.com/watch?v=1BUuB28FDOc

🎥 Deep learning на пальцах 2 - Элементы машинного обучения
👁 1 раз ⏳ 3957 сек.
Курс: http://dlcourse.ai
Слайды: https://www.dropbox.com/s/h1r9iju8i1c1gyp/Lecture%202%20-%20Machine%20Learning%20-%20annotated.pptx?dl=0
Лекции каждую неделю в среду 8:40 утра по Мск, 12:40 по Нск.
9:40 вечера вторника по PST.

🎥 Deep learning на пальцах 2 - Элементы машинного обучения
👁 1 раз ⏳ 3957 сек.
Курс: http://dlcourse.ai
Слайды: https://www.dropbox.com/s/h1r9iju8i1c1gyp/Lecture%202%20-%20Machine%20Learning%20-%20annotated.pptx?dl=0
Лекции каждую неделю в среду 8:40 утра по Мск, 12:40 по Нск.
9:40 вечера вторника по PST.

​Сервим всё

Наш телеграм канал - https://tele.click/ai_machinelearning_big_data
Не так чтобы очень давно, в довольно недалекой галактике, на одной провинциальной планетке жили известные потомки обезьян, которые настолько обленились, что решили изобрести искусственный интеллект. «Ну а что?» — подумали они. Хорошо же иметь в советчиках Сверхразум «надмозг», который будет думать за тебя, когда надо, проблемы твои оперативненько решать, да еще и лучше чем это когда-либо сможет сделать живое существо… И, не долго думая о последствиях, начали они свои обезьяньи мозги реверсить и когнитивный процесс на строительные кирпичики разбирать. Думали они, думали и придумали, не поверите — модель нейрона, математический алгоритм обучения, а затем и нейронные сети с разной топологией подтянулись. Конечно, работало это не сказать чтобы очень хорошо. Была масса недостатков, по сравнению с естественным интеллектом, но определенный круг задач данные модели позволяли решать с приемлемой точностью. И начали потихонечку появляться оцифрованные и сериализованные навыки в виде моделей сетей нейронных. Сегодня, дорогие любители истории вселенной, мы коснемся темы организации и внедрения различных навыков интеллекта искусственного.

https://habr.com/ru/post/440908/

🔗 Сервим всё
Не так чтобы очень давно, в довольно недалекой галактике, на одной провинциальной планетке жили известные потомки обезьян, которые настолько обленились, что реши...

Нейронные сети
Наш телеграм канал - https://tele.click/ai_machinelearning_big_data

01 - Нейронные сети. Основы линейной алгебры
02 - Нейронные сети. Перцептрон и градиентный спуск
03 - Нейронные сети. Алгоритм обратного распространения ошибки
04 - Нейронные сети. Мониторинг состояния сети
05 - Нейронные сети. Заключение

🎥 01 - Нейронные сети. Основы линейной алгебры
👁 4867 раз ⏳ 5559 сек.
Лектор: Арсений Москвичев

1. Введение
2. Ликбез по линейной алгебре: векторы
3. Ликбез по линейной алгебре: матрицы
4. Линейная алгебра в деле

ht...

🎥 02 - Нейронные сети. Перцептрон и градиентный спуск
👁 1088 раз ⏳ 7739 сек.
Лектор: Арсений Москвичев

1. Нейроны: настоящие и искусственные
2. Перцептрон
3. Перцептрон: обучение
4. Больше искусственных нейронов!
5. Градиен...

🎥 03 - Нейронные сети. Алгоритм обратного распространения ошибки
👁 672 раз ⏳ 5437 сек.
Лектор: Арсений Москвичев

1. Многослойный перцептрон
2. Алгоритм обратного распространения ошибки
3. Алгоритм обратного распространения ошибки: пр...

🎥 04 - Нейронные сети. Мониторинг состояния сети
👁 558 раз ⏳ 2796 сек.
Лектор: Арсений Москвичев

1. Мониторинг состояния сети
2. Визуализация

https://stepik.org/s/JRYrVjqo

🎥 05 - Нейронные сети. Заключение
👁 488 раз ⏳ 299 сек.
Лектор: Арсений Москвичев

https://stepik.org/s/JRYrVjqo

​TSNE-CUDA

GPU Accelerated t-SNE for CUDA with Python bindings

GitHub, by Canny Lab: https://github.com/CannyLab/tsne-cuda

🔗 CannyLab/tsne-cuda
GPU Accelerated t-SNE for CUDA with Python bindings - CannyLab/tsne-cuda

​Machine Learning for Particle Data When You are Not a Physicist
How a H2O deep learning model can be used to do supervised classification with Python

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

https://towardsdatascience.com/machine-learning-for-particle-data-when-you-are-not-a-physicist-dad77beb90e0?source=collection_home---4------2---------------------

🔗 Machine Learning for Particle Data When You are Not a Physicist
How a H2O deep learning model can be used to do supervised classification with Python

​Implementing a Naive Bayes classifier for text categorization in Five Steps

https://towardsdatascience.com/implementing-a-naive-bayes-classifier-for-text-categorization-in-five-steps-f9192cdd54c3?source=topic_page---------2------------------1

🔗 Implementing a Naive Bayes classifier for text categorization in Five Steps
The Naive Bayes classifier guide I wish I had before

​Preserving Memory in Stationary Time Series
How Fractional Differencing preserves information in time series while satisfying the condition of stationarity for Predictive Modelling

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

https://towardsdatascience.com/preserving-memory-in-stationary-time-series-6842f7581800?source=collection_home---4------0---------------------

🔗 Preserving Memory in Stationary Time Series – Towards Data Science
How Fractional Differencing preserves information in time series while satisfying the condition of stationarity for Predictive Modelling

Нейронные сети

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

Нейронные сети 1 Введение
Нейронные сети 2 Немного биологии
Нейронные сети 3 В целом об искусственной нейронной сети 1
Нейронные сети 4 Искусственный нейрон
Нейронные сети 5 Структура нейронной сети
Нейронные сети 6 Нюансы работы нейронной сети
Нейронные сети 7 Обучение сети
Нейронные сети 8 Технология обучения сети Часть 1
Нейронные сети 9 Технология обучения сети Часть 2
Нейронные сети 10 Работа одного нейрона

🎥 Нейронные сети 10 Работа одного нейрона
👁 3057 раз ⏳ 1003 сек.


🎥 Нейронные сети 9 Технология обучения сети Часть 2
👁 1418 раз ⏳ 905 сек.


🎥 Нейронные сети 8 Технология обучения сети Часть 1
👁 1186 раз ⏳ 1367 сек.


🎥 Нейронные сети 7 Обучение сети
👁 1205 раз ⏳ 1077 сек.


🎥 Нейронные сети 6 Нюансы работы нейронной сети
👁 1299 раз ⏳ 1396 сек.


🎥 Нейронные сети 5 Структура нейронной сети
👁 1644 раз ⏳ 905 сек.


🎥 Нейронные сети 4 Искусственный нейрон
👁 1921 раз ⏳ 601 сек.


🎥 Нейронные сети 2 Немного биологии
👁 2768 раз ⏳ 488 сек.


🎥 Нейронные сети 3 В целом об искусственной нейронной сети 1
👁 2618 раз ⏳ 535 сек.
Видео взято с https://www.youtube.com/channel/UC5dqkmvoovlmFsFZ3ACAVTw

🎥 Нейронные сети 1 Введение
👁 6187 раз ⏳ 509 сек.
Видео взято с канала https://www.youtube.com/channel/UC5dqkmvoovlmFsFZ3ACAVTw

🎥 A Gentle Introduction to Deep Learning - Singapore Python User Group
👁 5 раз ⏳ 3608 сек.
Speaker: Gabe Hollombe

Getting started with deep learning can feel really intimidating. In this session I'll dive right in to explaining the basic concepts of deep learning with barely any jargon and a small amount of arithmetic. We'll see how easy it is to take an existing pre-trained general-purpose image classification model from the cloud and re-train it to identify objects that we want the computer to recognize. I'll show how to do all of this with python, using a Jupyter notebook hosted from Amazon

​Machine Learning for Marketers
In this article, we will outline how marketers can leverage Artificial Intelligence & Machine Learning to fuel the growth for organizations

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

https://towardsdatascience.com/machine-learning-for-marketers-78bff070cbd6?source=collection_home---4------2---------------------

🔗 Machine Learning for Marketers – Towards Data Science
In this article, we will outline how marketers can leverage Artificial Intelligence & Machine Learning to fuel the growth for organizations

​One neural network, many uses
Build image search, image captioning, similar words and similar images using a single model

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

https://towardsdatascience.com/one-neural-network-many-uses-image-captioning-image-search-similar-image-and-words-in-one-model-1e22080ce73d?source=collection_home---4------0---------------------

🔗 One neural network, many uses – Towards Data Science
Build image search, image captioning, similar words and similar images using a single model

🎥 Build your Machine Learning Datasets with Amazon SageMaker Ground Truth - AWS Online Tech Talks
👁 1 раз ⏳ 2070 сек.
Successful machine learning models are built on the foundation of large volumes of high-quality training data. But, the process to create the training data necessary to build these models is often expensive, complicated, and time-consuming. Amazon SageMaker Ground Truth significantly reduces the time and effort required to create datasets for training. These savings are achieved by using machine learning to automatically label data, and the model is able to get progressively better over time by continuously

​Long-Range Robotic Navigation via Automated Reinforcement Learning

Наш телеграм канал - https://tele.click/ai_machinelearning_big_data
http://ai.googleblog.com/2019/02/long-range-robotic-navigation-via.html

🔗 Long-Range Robotic Navigation via Automated Reinforcement Learning

🎥 Introduction to Deep Learning Lecture 13
👁 1 раз ⏳ 4351 сек.

Machine Learning в электронной коммерции. Опыт индустриального применения

https://www.youtube.com/watch?v=lqRk3TWwoOY

🎥 Machine Learning в электронной коммерции. Опыт индустриального применения
👁 1 раз ⏳ 4191 сек.
Александр Сербул раскрывает тему для студентов МФТИ на открытом дне AI трека Физтех Акселератора.

PhA.vc/monsters

Подписывайтесь на нашу группу в Facebook и Телеграм канал, чтобы узнать о предстоящих событиях!

www.facebook.com/PhystechAccelerator
https://t.me/phystechaccelа

​Why Training a Neural Network Is Hard

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

https://machinelearningmastery.com/why-training-a-neural-network-is-hard/

🔗 Why Training a Neural Network Is Hard
Or, Why Stochastic Gradient Descent Is Used to Train Neural Networks. Fitting a neural network involves using a training dataset to update the model weights to create a good mapping of inputs to outputs. This training process is solved using an optimization algorithm that searches through a space of possible values for the neural network …