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

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.

Теорема и наивный классификатор Байеса

История о том, как я начала чистить свой гардероб, а закончила обучением нейронной сети. Текст публикуется в переводе, автор оригинальной статьи Татьяна Сенникова.

Контролируемое машинное обучение

Что такое контролируемое машинное обучение? ?

Случай, когда у нас есть как объекты (матрица X), так и метки (вектор y)

Линейная регрессия

Что такое регрессия? Какие модели можно использовать для решения задачи регрессии? ?

В 2021 году навыки машинного обучения остаются важными. Если вы новичок, необходимо работать над проектами, которые помогут прокачать навыки. Сайт tproger.ru собрал несколько идей для портфолио.

Онлайн-лекция состоялась 31 января 2021 года.

Гость десятого выпуска - Соколов Евгений Андреевич, старший преподаватель ФКН НИУ ВШЭ, академический руководитель ОП "Прикладная математика и информатика". Разговор посвящён актуальным вопросам в области преподавания и онлайн-образования, машинного обучения, карьеры в Яндексе, и не только.

В данной статье мы рассмотрим суть работы глубокого обучения нейронных связей в сравнении с машинным обучением и поговорим о том, как применять глубокое обучение на практике.

Model search (MS) — это библиотека, которая использует алгоритмы автоматического поиска архитектуры ML-моделей. Разработчики заявляют, что фреймворк масштабируется на кейсы, когда пространство поиска является немалым. Фреймворк базируется на байесовской оптимизации.

Разработчик Андрей Гаврилов из рассказал про один из наших внутренних проектов. Команда работает над проверкой работоспособности нового инструмента, позволяющего быстро и удобно развивать решения, основанные на нейронных сетях, от прототипа до готового сервиса.

В последние годы машинное обучение на графах является особенно популярной темой для исследований. Многие из методов, разработанных в этой области, находят широкое применение в биологических и химических задачах.

Фото из личного архива

Предлагаем пройти курс «Промышленная эксплуатация моделей машинного обучения», который проводился в конце 2020 года на ФКН.

Преподаватель: Артем Селезнев, Senior Data Engineer в Сбербанке.

Статья публикуется в переводе, автор оригинального текста Tobias Roeschl.

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

Машинное обучение

Лекция №1 в курсе "Машинное обучение, часть 2", весна 2017
Преподаватели курса: Игорь Евгеньевич Куралёнок, Никита Игоревич Поваров, Сергей Андреевич Лебедев
Страница лекции на сайте CS центра: https://goo.gl/5knwZd

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