AI Новости: Машинное обучение и анализ данных. Python. Алгоритмы, методы, лекции. Новости 2018

Лучшие доклады Moscow Python Conf++ 2019

1. А что, если без Python? Julia для машинного обучения и вообще / Глеб Ивашкевич

2. Укрощая зверя: legacy-код, тесты и вы / Кирилл Борисов (Booking.com)

3. Убивай мутантов, спаси свой код / Никита Соболев (wemake.services)

Привет, я Рушан. И я делаю «Нейрон», проект, где рассказываю о будущем, которое нас ждёт, машинном обучении, искусственном интеллекте и Data Science. И делаю так, чтобы всё это стало лёгким и понятным.

Распознаёт картинки, звуки и позы человека.

Google запустила приложение ещё в 2017 году, но недавно обновила его. Теперь можно загружать и сортировать собственные наборы данных. А готовые модели — развёртывать локально или в облаке.

Полученную базовую систему можно применить на своём сайте или в приложении.

После выхода PyTorch в октябре 2016 года он быстро завоевал популярность среди разработчиков Facebook. Он отлично подходит для исследований и оперативного создания прототипов. Отладка вашего кода и изменение архитектуры модели может быть сделано в PyTorch за два клика.

Теперь можно самому создать партию для караоке из любой известной песни.

Стриминговый сервис Deezer запустил инструмент Spleeter, который позволяет разделить музыку на составляющие. Библиотека на основе нейросетей доступна всем желающим бесплатно — её опубликовали на GitHub.

Исследователи из USI выделили основные проблемы, с которыми сталкиваются разработчики при обучении нейросетей. Выборка состояла из 1059 проблем и коммитов ML-репозиториев на GitHub, которые были вручную проанализированы. Чтобы валидировать выделенный список проблем, исследователи опросили 21 разработчика.

Наконец вышла наша статья "Что о вас говорят соседи" по результатам соревнования CAGI (предсказание эффекта мутации в регуляторном элементе гена на экспрессию). Это довольно редкий случай, когда наш проигрыш в соревновании и последующий постмортем дал нам больше инсайтов, чем мог бы дать выигрыш.

Создаём семантический поисковик с машинным обучением в реальном времени за 300 строк Python кода.

В этой статье мы углубимся в использование Unity3D и TensorFlow,чтобы научить ИИ выполнять простую внутриигровую задачу: бросать шары в обруч. Полный исходный код доступен на Github , если у вас есть какие-либо вопросы, свяжитесь со мной в Twitter .

Введение в нашу игру

Датасет, используемый внизу, взят отсюда: https://www.kaggle.com/c/ghouls-goblins-and-ghosts-boo/submissions

Необходимо по набору характеристик обучить модель для классификации.

Цикл лекций по курсу "Машинное обучение с подкреплением"
Лекция №2
11 сентября 2019 года
Преподаватель - Кандидат физико-математических наук Панов Александр Игоревич

Недавно пообщался с коллегами о вариационном автоэнкодере и выяснилось что многие даже работающие в Deep Learning знают о вариационном выводе (Variational Inference) и в частности Нижней вариационной границе только по наслышке и не до конца понимают что это такое.

Более пристальный взгляд на то, как обучение по временной разнице объединяет пути опыта для повышения статистической эффективности.

Эти оценки стоимости ведут себя по-разному там, где пересекаются пути опыта.

+2–1

Монте Карло

CrypTen — это обертка над PyTorch для обучения нейросетевых моделей на зашифрованных данных. Это снимает ограничения в использовании PyTorch в задачах, где секретность данных приоритетна.

С помощью машинного обучения американские ученые оптимизировали этот давно известный металл. Теперь у него появится масса новых применений — от биосенсоров до квантовых компьютеров.

Александр Ничипоренко рассказывает о решении, занявшем первое место: о задаче детектирования объектов на изображениях (изображений в датасете не было), разметке, метрике, критерии минмакс, не сработавших идеях и о том, что в итоге сработало.

[1] Глубокое обучение с точки зрения практика [2018] Гибсон, Паттерсон

Бэкендер: «Машинное обучение, ИИ, распределённые системы, бла-бла-бла»

Дипфейки добрались до аудио, и ещё никогда они не были так доступны. Исследователи создали алгоритм глубокого обучения, который можно научить произносить что угодно любым голосом. И вы можете его опробовать.

Лучшие доклады Moscow Python 2018

Предлагаем изучить 4 лучших доклада с прошедших конференций для программистов и разработчиков

1. Как защитить алгоритм машинного обучения от Adversarial-примеров

2. Pylint изнутри. Как он это делает / Максим Мазаев (ЦИАН)

3. 50 оттенков celery / Олег Чуркин (TechOps)

19 - ML & CV. Собери их все: архитектура LeNet (1998)

20 - ML & CV. Собери их все: AlexNet (2012) и VGG (2014)

21 - ML & CV. Собери их все: GoogLeNet и ResNet (2015)

22 - ML & CV. Семинар: Классификация рукописных чисел свёрточной нейросетью

10 - ML & CV. Бинарная классификация? Бинарная кросс-энтропия!

11 - ML & CV. Многоклассовая классификация? Софтмакс!

12 - ML & CV. Локализация, детекция, сегментация и super-resolution

13 - ML & CV. Семинар: Строим первую нейронную сеть

14 - ML & CV. Семинар: Классификация в PyTorch

Машинное обучение

ML: Что такое машинное обучение и как это работает?

ML: что такое regression в машинном обучении

ML: как работает simple linear regression

ML: пишем на python модель simple linear regression для определения выброса СО2 автомобилем

ML: как работает multiple linear regression

Искуственный интеллект

1- Малый ШАД - Что такое машинное обучение и наука о данных? -

2- Малый ШАД - Нейронные сети

3- Introduction and Scope

4- Как решать сложные задачи машинного обучения, не понимая почти ничего

5- Машинное обучение и искусственный интеллект

Использование готовых библиотек, таких как Scikit-Learn, позволяет легко реализовать на Python сотни алгоритмов машинного обучения.

Поработав в 12 стартапах в сфере машинного обучения, я сделал восемь полезных выводов о продуктах, данных и людях. Вот они.