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

В этом выпуске мы обсуждали:

Оглавление выпуска

01:06 — кто такой Борис Янгель и чем он занимается

Привет, Миш, добавишь в беседу поступающих в ШАД?
- Какую беседу?

Через пару часов меня добавили в беседу.

Не могу сказать, что поступление было тщательно обдуманным и спланированным решением. Почему я всё-таки пошёл? Основных причины было три.

Давайте представим, что мы решили автоматизировать процесс выбора верхней одежды в межсезонье — научить голосового ассистента на основании прогноза погоды подсказывать нам, в чём сегодня лучше выйти из дома.

Это легендарный Гарвардский курс CS50 на русском языке: основы искусственного интеллекта с Python.

В этой лекции: линейная и логистическая регрессия, классификация, обучение с и без учителя, а также принципы обучения с подкреплением - Q обучение, жадный эпсилон алгоритм и обучение ИИ агента игре в Nim.

Файлы:

Транскрипт

Делимся подборкой видеолекций курса по алгоритмам интеллектуальной обработки больших объёмов данных.

Курс знакомит с классическими и современными подходами к решению задач Data Mining, которые основаны на алгоритмах машинного обучения.

1. Задачи Data Mining

2. Метрики классификации и регрессии

В данном видео пишем программу для тренировки модели на распознавание лиц на изображениях с помощью Python. Научимся находить, сверять, выделять и экспортировать лица людей используя библиотеку Face Recognition.

Беспилотный транспорт, обработка естественного языка, машинное зрение и даже искусство развиваются благодаря машинному обучению. И оно не стоит на месте.

Публикуем обновленный дата-сет с показателями по демографии РФ

UralSeminars, 15 апреля в 18:00 (GMT+5). Спикеры: Антон Долганов, Уральский федеральный университет

Вчера на вебинаре мы обсудили, какие ошибки поджидают при проведении A/B тестов или статистических исследований в отсутствие понимания, какой размер эффекта вы хотите обнаружить и какой размер выборки для этого потребуется.

Что теперь? Собрали список важных дел, которые стоит сделать после открытой лекции:

Никак не можете понять, почему ваша нейросеть ошибается при распознавании объектов? Возможно, ей просто не повезло с «учебниками».

В марте было особенно много новостей про применение самообучения для задач компьютерного зрения. Главная проблема, которую пытаются решить самообучающиеся модели — выполнять задачи, не полагаясь на тщательно подобранные и помеченные наборы данных. FAIR и Microsoft представили сразу несколько исследований на эту тему.

SEER

В глобальной экономике все более широкое распространение получают цифровые технологии, в основе которых лежат данные. Но чтобы воспользоваться всей мощью данных, необходимо разработать алгоритмы, модели и системы, дающие возможность извлекать из данных знания и пользоваться ими.

ментор курса Wargaming Forge: Game Data Analytics

Исследователи, финансируемые армией США, продемонстрировали подход машинного обучения, который корректирует квантовую информацию в системах, состоящих из фотонов. Разработка улучшит перспективы развертывания технологий квантового зондирования и квантовых коммуникаций на поле боя.

SQL правят в стране Корпоративных Данных. До развития NoSQL это был основной язык запросов для извлечения данных из реляционных БД.

Оптимизаторы в Keras, формирование выборки валидации | #10

Dropout - метод борьбы с переобучением нейронной сети | #11

Batch Normalization (батч-нормализация) что это такое? | #12

Как работают сверточные нейронные сети | #13

Делаем сверточную нейронную сеть в Keras | #14

Он живёт во Вьетнаме и способен поставить в тупик любую нейросеть ))

Курс лекций факультета компьютерных наук Высшей школы экономики.

2. Линейные методы

3. Метрические методы

4. Метод опорных векторов

5. Многомерная линейная регрессия

6. Нелинейная регрессия

7. Прогнозирование временных рядов

8. Критерии выбора моделей

9. Логические методы классификации

Решил написать программу, которая учится играть в игру сама с помощью обучения с подкреплением. Вот первые результаты.

Цель этого курса — предоставить вам целостное понимание машинного обучения, охватив теорию, применение и само устройство алгоритмов обучения с учителем, обучения без учителя и глубинного обучения.

1. Введение

2. Знакомство с регрессией

3. Фичи и лейблы регрессии

Алгоритм состоит из трёх основных блоков ранжирования, которые «извлекает» 65 млрд функций и делает 90 млн моделей каждую секунду для того, чтобы мы с вами могли позалипать на рекомендуемых пёсиков и котиков.

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.