​NLP — Using SpacyR to Analyze Presidential Speeches

🔗 NLP — Using SpacyR to Analyze Presidential Speeches
A simple guide for parts-of-speech (POS) analysis

Открытый курс OpenDataScience по машинному обучению
Лекция 1. Pandas.
Лекция 2. Визуализация.
Лекция 3. Классификация, деревья решений.
Лекция 4. Логистическая регрессия.
Лекция 5. Случайный лес.
Лекция 6. Регрессия, регуляризация.
Лекция 7. Обучение без учителя.
Лекция 8. Признаки, SGD, Vowpal Wabbit.
Лекция 9. Временные ряды.
Лекция 10. Градиентный бустинг.
Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🎥 Лекция 1. Pandas. Открытый курс OpenDataScience по машинному обучению
👁 3 раз ⏳ 7042 сек.
В 1 лекции мы обсудим курс и попрактикуемся в первичном анализе данных с помощью библиотеки Pandas.

О курсе на Хабре https://goo.gl/NDG9d2
1-ая те...

🎥 Лекция 2. Визуализация. Открытый курс OpenDataScience по машинному обучению
👁 1 раз ⏳ 7625 сек.
На 2-ой лекции мы попрактикуемся в визуальном анализе данных средствами Python – matplotlib и seaborn.

О курсе на Хабре https://goo.gl/NDG9d2
2-ая...

🎥 Лекция 3. Классификация, деревья решений. Открытый курс OpenDataScience по машинному обучению
👁 1 раз ⏳ 9288 сек.
На 3-ей лекции мы обсудим основы машинного обучения, поговорим про один из самых популярных видов задач – про задачи классификации, обсудим деревья...

🎥 Лекция 4. Логистическая регрессия. Открытый курс OpenDataScience по машинному обучению
👁 1 раз ⏳ 9397 сек.
На 4-ой лекции обсудим еще один важный класс алгоритмов классификации – линейные модели. В отдельности обсудим логистическую регрессию. Посмотрим н...

🎥 Лекция 5. Случайный лес. Открытый курс OpenDataScience по машинному обучению
👁 1 раз ⏳ 8595 сек.
На 5-ой лекции обсудим любопытнейший вопрос – почему много алгоритмов при правильном голосовании работают лучше, чем просто один, как это связано с...

🎥 Лекция 6. Регрессия, регуляризация. Открытый курс OpenDataScience по машинному обучению
👁 1 раз ⏳ 9833 сек.
На 6-ой лекции обсудим задачу восстановления регрессии, как изученные методы классификации под нее адаптируются, подробней разберем регуляризацию л...

🎥 Лекция 7. Обучение без учителя. Открытый курс OpenDataScience по машинному обучению
👁 1 раз ⏳ 9482 сек.
На 7-ой лекции поговорим про специфику задач обучения без учителя, разберем метод снижения размерности Principal Component Analysis, обсудим основн...

🎥 Лекция 8. Признаки, SGD, Vowpal Wabbit. Открытый курс OpenDataScience по машинному обучению
👁 1 раз ⏳ 8430 сек.
На 8-ой лекции обсудим приемы работы с признаками в задачах машинного обучения, что делать, когда их слишком много, как простыми методами получать ...

🎥 Лекция 9. Временные ряды. Открытый курс OpenDataScience по машинному обучению
👁 1 раз ⏳ 6320 сек.
На 9-ой лекции обсудим различные методы работы с временными рядами: какие этапы подготовки данных необходимы для моделей, как получать краткосрочны...

🎥 Лекция 10. Градиентный бустинг. Открытый курс OpenDataScience по машинному обучению
👁 1 раз ⏳ 6969 сек.
В заключительной лекции курса мы поговорим про бустинг, AdaBoost и вариации, затем про градиентный бустинг – один из наиболее популярных алгоритмов...

​Tracking Social Networks Evolution

🔗 Tracking Social Networks Evolution
An Algorithm to Track Community Birth, Death, Merger and Split

​How to Train StyleGAN to Generate Realistic Faces

🔗 How to Train StyleGAN to Generate Realistic Faces
Why StyleGAN outperforms other models for face generation and how to train your own StyleGAN

🎥 Jenkins Full Course | Jenkins Tutorial For Beginners | Jenkins Tutorial | Simplilearn
👁 1 раз ⏳ 10567 сек.
This video on Jenkins tutorial will help you understand the most popular continuous integration tool used in the DevOps methodology. You will learn the basics of DevOps in a short animated video, followed by an introduction to DevOps. You will understand how to install Jenkins on windows and get an idea about what is Jenkins. Then, you will learn about Jenkins tutorial and Jenkins pipeline with a hands-on demo to create and schedule builds. Finally, you will look at some of the important Jenkins questions y

​Нейронные сети в дейтинге
Знакомства или дейтинг – вечны, они будут существовать всегда в различных формах: на улице, в интернете, на сайтах или внутри мобильных приложений. Люди всегда будут иметь желание познакомиться с кем-то и каждый будет выбирать себе наиболее удобный способ. Некоторые продолжают знакомиться в барах, кафе, на улице, другие – используют современные технологии и знакомятся в онлайне. У каждого свой выбор и не будем судить ни одну из сторон, но дальнейшее обсуждение пойдет именно о знакомствах в онлайне.

Примеры приложений дейтинга

Если не касаться большого количества обмана, жуликов, спамеров в данном сегменте, то фактически на сайтах или в мобильных приложениях люди ищут себе пару и желательно, чтобы их интерес друг к другу был обоюдным. Все что не соответствует данному критерию, фактически, является тратой времени одной из сторон. Самый устоявшийся подход с точки зрения подачи информации это «листалки», где отображается одна анкета и просматривающий должен принять решение: нравится она ему или нет (лайк, дизлайк). Если анкета нравится, то ей уходит уведомление и если интерес друг к другу взаимный, то появляется возможность начать диалог. Возможны отступления от данной схемы в различных приложениях и на разных сайтах, но общий принцип работы должен быть понятен.

Лайк, много лет назад введённый компанией Facebook, оказался очень мощным мотивирующим и удобным инструментом. Он позволяет без диалога показать свои интерес к кому-то и в зависимости от его реакции не ждать ответа, а продолжать поиски. При наличии реакции, может начаться диалог, но ценность его намного выше просто разбросанных «приветов» без учёта взаимности.

Да, лайки помогли, и использование взаимных симпатий тоже, но всё-таки в рынке дейтинга мало что поменялось за последние 15 лет, а это странно для индустрии ИТ, в рамках которой происходит развитие в том числе онлайн знакомств.

🔗 Нейронные сети в дейтинге
Знакомства или дейтинг – вечны, они будут существовать всегда в различных формах: на улице, в интернете, на сайтах или внутри мобильных приложений. Люди всегда б...

​DeepFovea: Using deep learning for foveated reconstruction in AR/VR

https://ai.facebook.com/blog/deepfovea-using-deep-learning-for-foveated-reconstruction-in-ar-vr/

code: https://github.com/facebookresearch/DeepFovea

full paper: https://research.fb.com/publications/deepfovea-neural-reconstruction-for-foveated-rendering-and-video-compression-using-learned-statistics-of-natural-videos/

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

🔗 DeepFovea: Using deep learning for foveated reconstruction in AR/VR
We are making available the DeepFovea network architecture, a new state of the art in foveated rendering for augmented and virtual reality using an AI-powered system.

​Книга «Архитекторы интеллекта»
Искусственный интеллект (ИИ) быстро переходит из области научной фантастики в повседневную жизнь. Современные устройства распознают человеческую речь, способны отвечать на вопросы и выполнять машинный перевод. В самых разных областях, от управления беспилотным автомобилем до диагностирования рака, применяются алгоритмы распознавания объектов на базе ИИ, возможности которых превосходят человеческие. Крупные медиакомпании используют роботизированную журналистику, создающую из собранных данных статьи, подобные авторским. Очевидно, что ИИ готов стать по-настоящему универсальной технологией, такой как электричество.

Какие подходы и технологии считаются наиболее перспективными? Какие крупные открытия возможны в ближайшие годы? Можно ли создать по-настоящему мыслящую машину или ИИ, сравнимый с человеческим, и как скоро? Какие риски и угрозы связаны с ИИ, и как их избежать? Вызовет ли ИИ хаос в экономике и на рынке труда? Смогут ли суперинтеллектуальные машины выйти из-под контроля человека и превратиться в реальную угрозу?

Разумеется, предсказать будущее невозможно. Тем не менее, эксперты знают о текущем состоянии технологий, а также об инновациях ближайшего будущего больше, чем кто бы то ни было. Вас ждут блестящие встречи с такими признанными людьми, как Р. Курцвейл, Д. Хаббабис, Дж. Хинтон, Р. Брукс и многими другими.

🔗 Книга «Архитекторы интеллекта»
Искусственный интеллект (ИИ) быстро переходит из области научной фантастики в повседневную жизнь. Современные устройства распознают человеческую речь, способны...

​10 лайфхаков разработки рекомендательных систем
В предыдущей статье мы обсудили основы устройства рекомендательных систем и кейсы использования. Узнали, что основной принцип заключается в рекомендации товаров, понравившихся людям с похожим вкусом, и применении алгоритма коллаборативной фильтрации.

В данной статье, будут рассмотрены лайфхаки рекомендательных систем на основе реальных бизнес кейсов. Будет показано, какие метрики лучше использовать, и какую степень близости выбрать для предсказания.

🔗 10 лайфхаков разработки рекомендательных систем
В предыдущей статье мы обсудили основы устройства рекомендательных систем и кейсы использования. Узнали, что основной принцип заключается в рекомендации товаров,...

🎥 When To Use Regression|Linear Regression Analysis|Machine Learning Algorithms
👁 1 раз ⏳ 1211 сек.
When To Use Regression|Linear Regression Analysis|Machine Learning Algorithms
#MachineLearningAlgorithms #Datasciencecourse #DataScience

This Linear Regression in Machine Learning video will help you understand the basics of Linear Regression algorithm - what is Linear Regression, why is it needed and how Simple Linear Regression works with solved examples, Linear regression analysis, applications of Linear Regression and Multiple Linear Regression model. At the end, we will understand when to use Regressi

​Applied Natural Language Processing with Python

Наш телеграм канал - tglink.me/ai_machinelearning_big_data

📝 Applied Natural Language Processing with Python (en).pdf - 💾3 062 025

​Unpacking the Complexity of Machine Learning Deployments

🔗 Unpacking the Complexity of Machine Learning Deployments
Deploying and maintaining Machine Learning models at scale is one of the most pressing challenges faced by organizations today. Machine…

​Michael Kearns: Algorithmic Fairness, Bias, Privacy, and Ethics in Machine Learning | AI Podcast

🔗 Michael Kearns: Algorithmic Fairness, Bias, Privacy, and Ethics in Machine Learning | AI Podcast
Michael Kearns is a professor at University of Pennsylvania and a co-author of the new book Ethical Algorithm that is the focus of much of our conversation, including algorithmic fairness, bias, privacy, and ethics in general. But, that is just one of many fields that Michael is a world-class researcher in, some of which we touch on quickly including learning theory or theoretical foundations of machine learning, game theory, algorithmic trading, quantitative finance, computational social science, and more.

​A Framework for Model Risk

🔗 A Framework for Model Risk
We define a framework to quantify and minimise Model Risk applicable to all AI deployments

​Markov Chain Analysis and Simulation using Python

🔗 Markov Chain Analysis and Simulation using Python
Solving real-world problems with probabilities

​Convolutional Neural Network Tutorial (CNN) | How CNN Works | Deep Learning Tutorial | Simplilearn

🔗 Convolutional Neural Network Tutorial (CNN) | How CNN Works | Deep Learning Tutorial | Simplilearn
This Convolutional neural network tutorial (CNN) will help you understand what is a convolutional neural network, how CNN recognizes images, what are layers in the convolutional neural network and at the end, you will see a use case implementation using CNN. CNN is a feed forward neural network that is generally used to analyze visual images by processing data with grid like topology. A CNN is also known as a "ConvNet". Convolutional networks can also perform optical character recognition to digitize text a

​Погодные радары: как они помогают предсказывать погоду и защитят ли Олимпийские игры 2020 от «партизанских ливней»?

У природы есть плохая погода, и мы в Toshiba в этом не сомневаемся. Но эффективно прогнозировать ненастья человечество научилось совсем недавно, и путь к этим достижениям лежал через личные трагедии, мировые войны и «партизанские ливни». Проводим краткий экскурс в историю метеорологии, рассказываем, как появились метеорадары и почему новейший погодный суперкомпьютер назвали именем древнейшего бога.

🔗 Погодные радары: как они помогают предсказывать погоду и защитят ли Олимпийские игры 2020 от «партизанских ливней»?
У природы есть плохая погода, и мы в Toshiba в этом не сомневаемся. Но эффективно прогнозировать ненастья человечество научилось совсем недавно, и путь к этим...

​Этапы внедрения моделей машинного обучения на крупных предприятиях

На форуме RAIF 2019, который состоялся в Сколково в рамках «Открытых Инноваций», я рассказывал о том, как происходит внедрение моделей машинного обучения. В связи с особенностями профессии я каждую неделю несколько дней провожу на производствах, занимаясь внедрением моделей машинного обучения, а остальное время – разработкой этих моделей. Этот пост — запись доклада, в котором я постарался обобщить свой опыт.

🔗 Этапы внедрения моделей машинного обучения на крупных предприятиях
На форуме RAIF 2019, который состоялся в Сколково в рамках «Открытых Инноваций», я рассказывал о том, как происходит внедрение моделей машинного обучения. В св...

🎥 Lecture 25 | Reinforcement Learning (1/3)
👁 1 раз ⏳ 4870 сек.
Carnegie Mellon University
Course: 11-785, Intro to Deep Learning
Offering: Fall 2019

For more information, please visit: http://deeplearning.cs.cmu.edu/

Contents:
• Reinforcement Learning