🎥 Algorithmic bias and explainability in machine learning with tensorflow (Alejandro Saucedo)
👁 1 раз ⏳ 2324 сек.
A practical guide towards explainability and bias evaluation in machine learning - Alejandro Saucedo In this talk we will demystify the concept of "bias in machine learning" through a hands-on example. We will be tasked to automate an end-to-end loan approval process by training a deep learning tensorflow model on sample data. We will then dissect the model and dataset showcasing hidden common risks, and we will provide important insight on the key tools and techniques you can use to identify and mitigate u

DeepMind StarCraft

https://www.youtube.com/watch?v=98V6PnwVXCc

🎥 DeepMind StarCraft
👁 12 раз ⏳ 801 сек.
The AI research lab DeepMind created an algorithm that beat a top professional StarCraft 2 player for the first time! This is a huge achievement since this is an incredibly complex game that requires long term planning, game theory, and cooperative play. Their algorithm used a mixture of techniques that in the field of deep reinforcement learning. I'll explain how each of these techniques works, and how they all work together in unison. This is an exciting time for the field. Enjoy!

Code for this video:
h

​A Closed-form Solution to Photorealistic Image Stylization

Li et al.: https://arxiv.org/abs/1802.06474

Code: https://github.com/NVIDIA/FastPhotoStyle

#artificialintelligence #deeplearning #machinelearning

🔗 A Closed-form Solution to Photorealistic Image Stylization
Photorealistic image stylization concerns transferring style of a reference photo to a content photo with the constraint that the stylized photo should remain photorealistic. While several photorealistic image stylization methods exist, they tend to generate spatially inconsistent stylizations with noticeable artifacts. In this paper, we propose a method to address these issues. The proposed method consists of a stylization step and a smoothing step. While the stylization step transfers the style of the reference photo to the content photo, the smoothing step ensures spatially consistent stylizations. Each of the steps has a closed-form solution and can be computed efficiently. We conduct extensive experimental validations. The results show that the proposed method generates photorealistic stylization outputs that are more preferred by human subjects as compared to those by the competing methods while running much faster. Source code and additional results are available at https://github.com/NVIDIA/FastPhotoS

​Как можно упростить и ускорить вычисление нейронной сети прямого распространения

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

Здравствуйте, уважаемые читатели. О нейронных сетях написано и сказано очень много, преимущественно о том, как и для чего их можно применить. При этом как-то не очень много внимания уделяется двум важным вопросам: а) как нейронную сеть упростить и быстро вычислить (одно вычисление экспоненты реализуется библиотечными функциями языков программирования, обычно, не менее чем за 15-20 процессорных инструкций), б) какова, хотя бы отчасти, логика работы построенной сети – в самом деле, получаемые после обучении сети огромные матрицы значений весов и смещений как-то не очень помогают понять закономерности, которые эта сеть нашла (они остаются скрытыми и задача их определить – задача вербализации – иногда очень важна). Я расскажу об одном своем подходе к решению этих вопросов для обычных нейронных сетей прямого распространения, при этом постараюсь обойтись минимумом математики.
https://habr.com/ru/post/442478/

🔗 Как можно упростить и ускорить вычисление нейронной сети прямого распространения
Здравствуйте, уважаемые читатели. О нейронных сетях написано и сказано очень много, преимущественно о том, как и для чего их можно применить. При этом как-то не...

Дискретный анализ и теория вероятностей

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

1. Основы перечислительной комбинаторики
2. Обобщенная функция Мёбиуса и асимптотики
3. Деревья и унициклические графы
4. Разбиение чисел на слагаемые
5. Производящие функции и линейные рекуррентные соотношения
6. Хроматические числа графов и Кнезеровский граф
7. Классическое определение вероятности, схема Бернулли и их применение
8. Локальная лемма Ловаса. Начала теории вероятностей
9. Локальная лемма Ловаса. Теория вероятностей
10. Распределения случайных величин

🎥 001. Основы перечислительной комбинаторики - А.М.Райгородский
👁 3337 раз ⏳ 7928 сек.
курс: "Дискретный анализ и теория вероятностей"

🎥 002. Обобщенная функция Мёбиуса и асимптотики - А.М.Райгородский
👁 559 раз ⏳ 6618 сек.
курс: "Дискретный анализ и теория вероятностей"

🎥 003. Деревья и унициклические графы - А.М. Райгородский
👁 557 раз ⏳ 4719 сек.
курс: "Дискретный анализ и теория вероятностей"

🎥 004. Разбиение чисел на слагаемые - А.М.Райгородский
👁 413 раз ⏳ 4570 сек.
курс: "Дискретный анализ и теория вероятностей"

🎥 005. Производящие функции и линейные рекуррентные соотношения - А.М.Райгородский
👁 273 раз ⏳ 4702 сек.
курс: "Дискретный анализ и теория вероятностей"

🎥 006. Хроматические числа графов и Кнезеровский граф - А.М.Райгородский
👁 322 раз ⏳ 6128 сек.
курс: "Дискретный анализ и теория вероятностей"

🎥 007. Классическое определение вероятности, схема Бернулли и их применение - А.М.Райгородский
👁 331 раз ⏳ 4534 сек.
курс: "Дискретный анализ и теория вероятностей"

🎥 008. Локальная лемма Ловаса. Начала теории вероятностей - А.М.Райгородский
👁 295 раз ⏳ 5381 сек.
курс: "Дискретный анализ и теория вероятностей"

🎥 009. Локальная лемма Ловаса. Теория вероятностей - А.М.Райгородский
👁 292 раз ⏳ 4214 сек.
курс: "Дискретный анализ и теория вероятностей"

🎥 010. Распределения случайных величин - А.М.Райгородский
👁 94 раз ⏳ 6815 сек.
курс: "Дискретный анализ и теория вероятностей"

​Google opensourced their lib GPipe for training really big networks on many machines

https://ai.googleblog.com/2019/03/introducing-gpipe-open-source-library.html?m=1

🔗 Introducing GPipe, an Open Source Library for Efficiently Training Large-scale Neural Network Models
Posted by Yanping Huang, Software Engineer, Google AI Deep neural networks (DNNs) have advanced many machine learning tasks, including ...

​🔗 OpenAI launches Neural MMO, a massive reinforcement learning simulator
Artificial intelligence that’s beastly at World of Warcraft might not lie too far into the distant future, if OpenAI has its way. The San Francisco research nonprofit today released Neural MMO, a “massively multiagent” virtual training ground that plops agents in the middle of an RPG-like world — one complete with a resource collection mechanic and player versus player combat. “The game genre of M

​Python Tutorial: Fuzzy Name Matching Algorithms

🔗 Python Tutorial: Fuzzy Name Matching Algorithms – Towards Data Science

🎥 Deep Genomics: Artificial Intelligence Meets The Human Genome
👁 1 раз ⏳ 5241 сек.
https://vlab.org/events/deep-genomics/

June 20, 2017, 6:00 p.m. at SRI International

====Moderator
Raeka Aiyar, Director of Scientific Strategy and Communications, Stanford Genome Technology Center

===Panelists
Charlene Son Rigby, SVP Customer Operations, Fabric Genomics
Helmy Eltoukhy, CEO, Guardant Health
Andy Felton, VP Marketing & Product Management, Ion Torrent Business
Ursheet Parikh, Partner, Mayfield Fund

===Event Team
Co-Chairs: Patricia Yotnda and Mike Chen
Event Team Members: Paul Dibyadeep,

🎥 Deep Learning course 2019, seminar #2
👁 13 раз ⏳ 1287 сек.
Семинар №2 курса https://dlcourse.ai/
Задание 1: https://github.com/sim0nsays/dlcourse_ai
Ноутбук 1, к которому мы ненадолго возвращаемся: https://colab.research.google.com/drive/1FBdo0TAv5eiWNl909vrcAQeau476rlOK

​Neural MMO — A Massively Multiagent Game Environment

By OpenAI: https://blog.openai.com/neural-mmo/

- Code: https://github.com/openai/neural-mmo
- 3D Client: https://github.com/jsuarez5341/neural-mmo-client

#artificialintelligence #deeplearning #multiagent #reinforcementlearning

🔗 Neural MMO - A Massively Multiagent Game Environment
We’re releasing our Neural MMO - a massively multiagent game environment for reinforcement learning agents.

Machine Learning with No Code

https://www.youtube.com/watch?v=w45t3itM5NM

🎥 Machine Learning with No Code
👁 1 раз ⏳ 704 сек.
Is it possible to use machine learning without needing to code? The answer is yes! Uber's AI lab recently open sourced python library called Ludwig that they've been using internally for 2 years. The tagline is that it allows anyone to use deep learning without coding. It will require some configuration and unix commands to setup, but I'll show you how in this video. I'll also talk about other code-free tools like Azure ML Studio, DataRobot, and DeepCognition. Enjoy!

Code for this video:
https://github.c

​A Gold-Winning Solution Review of Kaggle Humpback Whale Identification Challenge

https://towardsdatascience.com/a-gold-winning-solution-review-of-kaggle-humpback-whale-identification-challenge-53b0e3ba1e84?source=collection_home---4------0---------------------

🔗 A Gold-Winning Solution Review of Kaggle Humpback Whale Identification Challenge
An extensive yet simple review of the most noticeable approaches

​ПАКЕТ VIP-FRANCHISE PREMIUM💰
Что же такое наш пакет "90 франшиз" и как на нём зарабатывать?
Мощнейший VIP Комплект Франшизы с более чем 90 бизнес кейсами в виде информационных курсов, с инструкциями и обучением по самым различным тематикам быстрого заработка в интернете.
💡Около 1 терабайта информации, расположенного в доступе для скачивания с облачного хранилища.
☝Собранная информация в сумме составляет более чем 100 тысяч рублей.
📌Множество обучающего и практического материала📚 для раскрутки бизнеса и увеличения продаж.😉💪
📌Cписок из более 500 бесплатных досок .📜
📌Cофт для раскрутки и автоматизации в соц сетях и т.д.!!!
📌 Тренинги этого года с пошаговой инструкцией от А до Я, от начала до ведения бизнеса!
Благодаря👉 этому пакету вы сможете выбрать свое дело и работать на себя, стать финансово независимым😎🤑 и зарабатывать приличные деньги!💰

🔗

​Андрей Устюжанин: «Поиск темной материи в лабораторных условиях с помощью машинного обучения»

🔗 Андрей Устюжанин: «Поиск темной материи в лабораторных условиях с помощью машинного обучения»
21 февраля в Музее космонавтики состоялась вторая лекция цикла «Космос и технологии» на тему «Поиск темной материи в лабораторных условиях с помощью машинног...

Build a deep neural network in 4 mins with TensorFlow in Colab
https://www.youtube.com/watch?v=_VTtrSDHPwU

🎥 Build a deep neural network in 4 mins with TensorFlow on Colabs
👁 1 раз ⏳ 234 сек.
Google Colaboratory is a free Jupyter notebook environment that requires no setup and runs entirely in the Cloud. In this episode of Coding TensorFlow, Laurence shows us how to code, test, and train neural networks right in your browser, without having to worry about installing any kind of runtime. Watch to quickly see an example of how you can use TensorFlow to build a neural network for breast cancer classification...all this happens within Colab!



Download the pre-processed data & Colab to try it your

Tensor flow. Smooth dive

https://www.youtube.com/watch?v=cs9dBQxe8yM

🎥 Meetup #17. Tensor flow. Smooth dive
👁 8 раз ⏳ 3742 сек.
Видео доклада с семнадцатой встречи сообщества .Nuts. C докладом выступил Сергей Лозовской. Доклад состоялся 28 февраля 2019 года.

​Machine Learning
A Probabilistic Perspective
Kevin P. Murphy

📝 Machine-Learning-A-Probabilistic-Perspective.pdf - 💾26 293 504

🎥 Introduction to Deep Learning Lecture 14
👁 1 раз ⏳ 4422 сек.