Machinelearning

🎨 Colorization Transformer Github: https://github.com/satoshiiizuka/siggraphasia2019_remastering Results: http://iizuka.cs.tsukuba.ac.jp/projects/remastering/en/index.html Paper: https://openreview.net/forum?id=5NA1PinlGFu @ai_machinelearning_big_data

🧠 2020: A Year Full of Amazing AI Papers — A Review https://www.kdnuggets.com/2020/12/2020-amazing-ai-papers.html @ai_machinelearning_big_data

💉 MeDAL: Medical Abbreviation Disambiguation Dataset for Natural Language Understanding Pretraining Github: https://github.com/BruceWen120/medal Paper: https://arxiv.org/abs/2012.13978v1 Dataset: https://www.kaggle.com/xhlulu/medal-emnlp Pre-trained: https://huggingface.co/xhlu/electra-medal @ai_machinelearning_big_data

Soft-IntroVAE: Analyzing and Improving Introspective Variational Autoencoders Project: https://taldatech.github.io/soft-intro-vae-web/ Github: https://github.com/taldatech/soft-intro-vae-pytorch Paper: https://arxiv.org/abs/2012.13253v1 @ai_machinelearning_big_data

​​Solving Mixed Integer Programs Using Neural Networks Article on speeding up Mixed Integer Programs with ML. Mixed Integer Programs are usually NP-hard problems: - Problems solved with linear programming - Production planning (pipeline optimization) - Scheduling / Dispatching Or any problems where integers represent various decisions (including some of the graph problems). ArXiV: https://arxiv.org/abs/2012.13349 Wikipedia on Mixed Integer Programming: https://en.wikipedia.org/wiki/Integer_programming #NPhard #MILP #DeepMind #productionml #linearprogramming #optimizationproblem

Check the data science channel there you will find a lot of articles, links and advanced researches . Join and learn hot topics of data science @opendatascience

🌐 Global Context Networks Github: https://github.com/xvjiarui/GCNet Paper: https://arxiv.org/abs/2012.13375v1 @ai_machinelearning_big_data

Реализация RCNN на настраиваемом набор данных! Читать Код: https://github.com/jackfrost1411/MaskRCNN @machinelearning_ru

🔥 DeiT: Data-efficient Image Transformers Gittub: https://github.com/facebookresearch/deit Facebook’s research: https://ai.facebook.com/blog/data-efficient-image-transformers-a-promising-new-technique-for-image-classification/ Paper: https://arxiv.org/abs/2012.12877v1 Vision Transformer: https://github.com/lucidrains/vit-pytorch @ai_machinelearning_big_data

Feature Selection with Stochastic Optimization Algorithms https://machinelearningmastery.com/feature-selection-with-optimization/ @ai_machinelearning_big_data

Повышаем градус киберпанка уходящего года: в 2020 прошло первое нейросетевое Евровидение, AI Song Contest. Выступления участников можно посмотреть на youtube; местами они прокляты и это смешно. Смешнее, необычнее и криповее, чем Uno от Little Big. Отсюда вопрос: что будет с музыкой, если в нее уже пришли роботы? Первая мысль, конечно: мы все умрем, мир захватят Grimes x Endel. На деле: и нет, и да. Нет — ИИ отлично дописывает, но сочиняет посредственно. Новый Боуи или новые Queen вряд ли будут на 100% цифровыми. Зато эмбиент для йоги и медитаций он пишет, как Брайан Ино, и каверы создает из чего угодно. Здесь можно посмотреть на прогнозы от SberCloud. От ожидаемого: ТЦ перестанут приглашать на праздники кавер-группы, до экзотики вроде юридических тонкостей работы лейблов и ИИ. Последнее, если подумать, задел на целый раздел авторского права со своими спецами, судами, скандалами. Юристы, выдыхайте. Без работы вы не останетесь. Ссылка

YolactEdge: Real-time Instance Segmentation on the Edge Github: https://github.com/haotian-liu/yolact_edge Demo: https://www.youtube.com/watch?v=GBCK9SrcCLM Paper: https://arxiv.org/abs/2012.12259 @ai_machinelearning_big_data

🎇 TensorFlow Tutorial https://datascience-enthusiast.com/DL/Tensorflow_Tutorial.html @ai_machinelearning_big_data

🔮 An end-to-end machine learning project with Python Pandas, Keras, Flask, Docker and Heroku Article: https://towardsdatascience.com/an-end-to-end-machine-learning-project-with-python-pandas-keras-flask-docker-and-heroku-c987018c42c7 Habr Ru: https://habr.com/ru/company/skillfactory/blog/534078 Code: https://github.com/RyanEricLamb/rugby-score-prediction @ai_machinelearning_big_data

Ещё не слушали наш подкаст с автором @loss_function_porn Каримом Искаковым? Многое теряете! Как участники зум-конференций могут выдавать себя за других людей, как рэперы снимают клипы с Трампом, и причём тут специалист по компьютерному зрению родом из Кисловодска — всё в одном разговоре. Не пропустите.

Learning Continuous Image Representation with Local Implicit Image Function. https://yinboc.github.io/liif/ Github: https://github.com/yinboc/liif Video: https://www.youtube.com/watch?v=6f2roieSY_8 Paper: https://arxiv.org/abs/2012.09161 @ai_machinelearning_big_data

🌐 Optimization Algorithms in Neural Networks https://datascience-enthusiast.com/DL/Optimization_methods.html Most used optimizers: https://www.theaidream.com/post/optimization-algorithms-in-neural-networks @ai_machinelearning_big_data

​7 статей на английском про Data Science, ИИ и инфлюенсеров 🧐 Ежемесячная подборка из Medium от Антона Чунаева 1. Немецкий стартап «AI Expert Roadmap» получил 3.5 тысячи звезд на GitHub. О том, как проект выстрелил благодаря своему интерактивному роадмапу. С его помощью можно узнать, какие знания и умения нужны для освоения той или иной профессии в AI. — https://slc.tl/6rNsw 2. Преимущества Pulsar перед Kafka. О том, есть ли все-таки конкуренты у Kafka. Сейчас, если у провайдера нет Kafka, то «shame on you». А вот выяснилось, что ни Францом единым. Судя по тексту, Pulsar быстрее, да еще и мультитенантный. — https://slc.tl/6MhLZ 3. Несколько AutoML-архитектур, о которых стоит знать. Про варианты построения AutoML-архитектур в Microsoft и Amazon. — https://slc.tl/cq2jB 4. 5 полезных YouTube-каналов для дата-сайентистов по машинному обучению, на которые стоит подписаться. Про странное время, в котором мы живем: кто-то на YouTube машины сжигает, а кто-то умные вещи рассказывает. Контент блогеров из статьи не рассчитан на обычную аудиторию — специфическую лексику и видео по 3 часа осилят только самые отчаянные. — https://slc.tl/X0uoQ 5. AI Explainability 360 сделает решения ИИ прозрачными для пользователей. О том, как IBM показала, кто в мире AI главный. Взяла и выкатила технологию, о которой другие пока только научные статьи пишут. Инструмент объясняет решения, принятые искусственным интеллектом. — https://slc.tl/Snq9X 6. Как выбрать правильное аналитическое направление для работы с CDP? Одной CDP не всегда достаточно для эффективного анализа пользовательских данных. В материале есть несколько интересных рекомендаций по подходам к их аналитике. — https://slc.tl/8vlKy 7. Чтобы построить многомиллионный бизнес, нужно больше отдыхать. Что если нужно работать меньше для достижения лучшего результата? Автор утверждает, что многие предприниматели слишком много работают и это тормозит их рост. — https://slc.tl/9wc5R

Присоединяйтесь к сообществу @SelectelNews 🦖, чтобы оставаться в курсе актуальных it-событий