Machinelearning

👁 Vision Transformer Github: https://github.com/google-research/vision_transformer Dataset: http://www.image-net.org/ Paper: https://arxiv.org/abs/2010.11929 Colab: https://colab.research.google.com/github/google-research/vision_transformer/blob/master/vit_jax.ipynb @ai_machinelearning_big_data

Какие продвинутые навыки стоит освоить Data Science специалистам? 27 октября в 20:00 (мск) приглашаем познакомиться с онлайн-курсом "Machine Learning. Продвинутый курс". Преподаватель Дмитрий Сергеев представит программу, расскажет, как организована практика и ответит на ваши вопросы о карьере Data Science. Вебинар предназначен для практикующих Data Science специалистов, желающих повысить свой профессиональный уровень до Middle/Senior. Интересно, как можно продвинуться в Data Science? Тогда регистрируйтесь, чтобы не пропустить, и приходите: https://otus.pw/jkSc/

An Example of Graph Convolutional Networks https://blog.zakjost.com/post/gcn_citeseer/ Github: https://github.com/zjost/blog_code/tree/master/gcn_citeseer Paper: https://arxiv.org/abs/1609.02907 @ai_machinelearning_big_data

Всем привет! Мы рады пригласить вас на День Открытых Дверей Акселератора Data Science от SkillFactory PRO 25 октября (это воскресенье) в 13:00 👉 https://skillfactoryschool.timepad.ru/event/1460165?utm_source=ml Вы узнаете: - Как уже работающему специалисту Data Science поддерживать свою ценность для своей компании, расти дальше и стать тем самым сотрудником, которого мечтают получить ведущие компании, предлагая самые интересные проекты, сильные команды и лучшие условия; - Как получить помощь эксперта при работе над новым продвинутым проектом; - Почему самостоятельный ресерч на продвинутом уровне уже не дает такие же результаты, как при старте карьеры; - Как научиться управлять командой, расставлять приоритеты, соблюдать баланс между требованиями руководства и видением команды; - Как работа с ментором позволяет получить нужный результат очень быстро; - Как из 1000+ уроков Computer Vision, Machine Learning, NLP и Reinforcement Learning составить свою траекторию развития. Главный идеолог, методист адаптивного курса, Марина Щербакова, подробно расскажет как создать для каждого свою персональную траекторию и сохранить при этом возможность проектной работы, поддержки менторов и общения с взаимоподпиткой в сообществе. Ведущие эксперты индустрии, Валентин Малых, Senior Research Scientist в Huawei и Эмиль Магеррамов, руководитель группы сервисов вычислительной химии, BIOCAD, раскроют секрет своего успеха в Data Science и поделятся своим мнением по вопросам: - Как перейти от junior к middle уровню? - Как перейти от middle уровня к senior? - Как находить пробелы в своих знаниях и точки роста? - Почему ментор необходим для продвижения на высоком уровне и как среди моря информации выбрать то, что нужно? - Тренды и перспективы DS, новые методы. - Как создать команду DS? Какое техническое оснащение необходимо подготовить? Как расставлять приоритеты? Как соблюдать баланс между требованиями заказчика и команды? Екатерина Артюгина - Product менеджер проекта, представит уникальную программу развития вашего профессионального бренда, расскажет как корректно и интересно показать миру свою значимость и экспертность и как получить наилучшие предложения. Прием заявок в первый набор Акселератора: до 1 ноября Подать заявку 👉 https://skillfactory.ru/dsexperttest?utm_source=ml Регистрация на ДОД 👉 https://skillfactoryschool.timepad.ru/event/1460165?utm_source=ml

pySBD: Python Sentence Boundary Disambiguation (SBD) is a rule-based sentence boundary detection module that works out-of-the-box. Github: https://github.com/nipunsadvilkar/pySBD Paper: https://arxiv.org/abs/2010.09657v1 @ai_machinelearning_big_data

🔥 The first AI model that translates 100 languages without relying on English data https://ai.facebook.com/blog/introducing-many-to-many-multilingual-machine-translation/ Code: https://github.com/pytorch/fairseq/tree/master/examples/m2m_100 Paper: https://ai.facebook.com/research/publications/beyond-english-centric-multilingual-machine-translation @ai_machinelearning_big_data

📹 Multi-modal Dense Video Captioning new dense video captioning approach that is able to utilize any number of modalities for event description. Project: https://v-iashin.github.io/bmt.html Russian: https://habr.com/ru/company/ods/blog/515688/#6-multi-modal-dense-video-captioning Code: https://github.com/v-iashin/mdvc Paper: https://arxiv.org/abs/2005.08271

Осталось меньше недели, чтобы успеть отправить заявку на онлайн-хакатон “Лидеры цифровой трансформации”: 📌30 октября -1 ноября, онлайн-формат. 📌Два тематических трека: Искусственный интеллект в городе и Цифровизация городских структур. 📌10 победителей получат по 1 млн рублей. 📌Можно регистрироваться командой или одному. 📌Индивидуальным участникам помогут собрать команду. Участвовать могут разработчики, аналитики, дата сайентисты, дизайнеры и маркетологи. Отправь заявку до 25 октября, предложи крутой городской сервис и выиграй миллион! Подробности на сайте: https://clck.ru/R86fR

An Empirical Analysis of Visual Features for Multiple Object Tracking in Urban Scenes Github: https://github.com/Guepardow/Visual-features Paper: https://arxiv.org/abs/2010.07881

Optimizing the Levenshtein Distance for Measuring Text Similarity https://heartbeat.fritz.ai/optimizing-the-levenshtein-distance-for-measuring-text-similarity-35d5bcf58476 @ai_machinelearning_big_data

Free course: Deep Learning with Pytorch by Yann LeCun En: https://atcold.github.io/pytorch-Deep-Learning Ru: https://atcold.github.io/pytorch-Deep-Learning/ru/ GitHub: https://github.com/Atcold/pytorch-Deep-Learning YouTube: https://www.youtube.com/playlist?list=PLLHTzKZzVU9eaEyErdV26ikyolxOsz6mq @ai_machinelearning_big_data

Text generation with an RNN | TensorFlow Core https://www.tensorflow.org/tutorials/text/text_generation Github: https://github.com/tensorflow/docs/blob/master/site/en/tutorials/text/text_generation.ipynb Colab: https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/tutorials/text/text_generation.ipynb @tensorflowblog

Как вывести ML-модели в промышленную среду? Для большинства Data Scientist это сложная задача. 19 октября пройдет демо-урок «Вывод ML моделей в промышленную среду на примере онлайн-рекомендаций» Дмитрий Бугайченко, управляющий директор в Сбербанке, расскажет, как Data Science выходит из ноутбука Data Scientist, проходит через аналитическую платформу и среду исполнения в пром, и в итоге попадает к пользователям. Вы узнаете, какие трюки помогают масштабировать алгоритм, какие компоненты и технические решения позволяют вывести ML в промышленную среду, какие паттерны помогают ML работать в режиме онлайн и многое другое. Демо-урок является частью онлайн-курса «Промышленный ML на больших данных». Используйте эту возможность, чтобы получить ценные знания, оценить качество знаний и формат обучения. Для регистрации пройдите вступительный тест https://otus.pw/UytP/

Partial FC Distributed deep learning training framework for face recognition. Github: https://github.com/deepinsight/insightface/tree/master/recognition/partial_fc Paper: https://arxiv.org/abs/2010.05222v1 Largest Face Recognition Dataset: https://www.dropbox.com/sh/gdix4jabzlwtk72/AAAXEItN1zwdo_tzOx5-QqHWa?dl=0 @ai_machinelearning_big_data

RF: Learning a General Radiance Field for 3D Scene Representation and Rendering Powerful implicit neural function that can represent and render arbitrarily complex 3D scenes in a single network only from 2D observations. Github: https://github.com/alextrevithick/GRF Paper: https://arxiv.org/abs/2010.04595v1 @ai_machinelearning_big_data

📂 Free course from Amazon Machine Learning University: Accelerated Natural Language Processing Class. Github: https://github.com/aws-samples/aws-machine-learning-university-accelerated-nlp Video lectures: https://www.youtube.com/playlist?list=PL8P_Z6C4GcuWfAq8Pt6PBYlck4OprHXsw Notebook: https://github.com/aws-samples/aws-machine-learning-university-accelerated-nlp/tree/master/notebooks @ai_machinelearning_big_data

Graph-based Neural Structured Learning in TFX New learning paradigm to train neural networks by leveraging structured signals in addition to feature inputs. https://www.tensorflow.org/tfx/tutorials/tfx/neural_structured_learning Article: https://blog.tensorflow.org/2020/10/neural-structured-learning-in-tfx.html Neural Structured Learning: https://www.tensorflow.org/neural_structured_learning Github: https://github.com/tensorflow/neural-structured-learning#videos-and-colab-tutorials @ai_machinelearning_big_data

A new open source framework for automatic differentiation with graphs https://ai.facebook.com/blog/a-new-open-source-framework-for-automatic-differentiation-with-graphs/ Github: https://github.com/facebookresearch/gtn Paper: https://arxiv.org/abs/2010.01003 @ai_machinelearning_big_data

Introduction to Pytorch Code Examples An overview of training, models, loss functions and optimizers Free course: https://cs230.stanford.edu/blog/pytorch/ Lectures: https://cs230.stanford.edu/lecture/ Github: https://github.com/thanhhff/CS230-Deep-Learning @ai_machinelearning_big_data

Nested Cross-Validation in Python https://www.kdnuggets.com/2020/10/nested-cross-validation-python.html Code: https://github.com/omartinez182/data-science-notebooks/blob/master/Nested_Cross_Validation_in_Python.ipynb @ai_machinelearning_big_data