Machinelearning

Хотите развиваться в области Data Science? Сделайте первые шаги на открытом уроке «Natural language processing: как компьютер общается с людьми» 16 февраля в 18:00. Тексты встречаются в огромном числе Data Science задач: чат-ботах, голосовых ассистентах или поисковиках. Мария Тихонова, Senior Data Scientist в Сбере, расскажет о принципах их работы и главных трендах в обработке естественного языка. Demo-занятие пройдет в рамках онлайн-курса «Machine Learning. Professional». Пройдите вступительный тест, чтобы оценить свой уровень подготовки и зарегистрироваться https://otus.pw/Tsyh/

🖌 Two-Dimensional Tensors in Pytorch https://machinelearningmastery.com/two-dimensional-tensors-in-pytorch/ One-Dimensional Tensors: https://machinelearningmastery.com/one-dimensional-tensors-in-pytorch/ PyTorch tensor Tutorial: https://pytorch.org/tutorials/beginner/basics/tensorqs_tutorial.html @ai_machinelearning_big_data

21 февраля Яндекс.Практикум запускает бесплатную Школу наставников. Школа наставников — это хорошая возможность развить софт-скиллы, научиться делиться знаниями с командой и подтвердить экспертность в своей области. Она проходит в формате онлайн-занятий. Всего будет 5 уроков, которые будут проходить два раза в неделю по вечерам. Наставник в Практикуме — это опытный специалист, который передаёт свои знания студентам, помогает учиться и справляться с трудностями. Наставничество можно совмещать с основной работой, оно занимает от 6 до 15 часов в неделю. Вознаграждение — от 35 до 50 тысяч рублей в зависимости от курса и потраченного времени. Сейчас ищем наставников в сферах: аналитика данных и Data Science, тестирование, веб-разработка, разработка на Java, Python, С++, Go, дизайн и управление. Подать заявку желательно до 14 февраля, чтобы успеть выполнить тестовое задание: https://clck.ru/auije

🦾 The easiest way to the neuroscience world with the shield for RaspberryPi Github: https://github.com/Ildaron/EEGwithRaspberryPI Paper: https://arxiv.org/pdf/2202.01936v1.pdf Project: https://www.crowdsupply.com/hackerbci/pieeg @ai_machinelearning_big_data

VOS: Learning What You Don't Know by Virtual Outlier Synthesis Github: https://github.com/deeplearning-wisc/vos Paper: https://arxiv.org/pdf/2202.01197v2.pdf Dataset: https://paperswithcode.com/dataset/bdd100k @ai_machinelearning_big_data

FashionTech — новое экспертное медиа про технологии в моде: коллаборации, AR, NFT, тренд репорты и многое другое. Подписавшись, вы узнаете: — Прогноз тенденций по развитию метавселенных — Зачем физические коллекции переходят в цифровые и продаются, как NFT — Какие новые технологии устойчивого производства внедряют бренды — Почему ресайкл и апсайкл - ключевые тренды будущего В канале много переводной аналитики из закрытых источников и экспертного мнения от людей из индустрии.

📍 Competition-Level Code Generation with AlphaCode Github: https://github.com/deepmind/code_contests Paper: https://storage.googleapis.com/deepmind-media/AlphaCode/competition_level_code_generation_with_alphacode.pdf Dataset: https://paperswithcode.com/dataset/humaneval @ai_machinelearning_big_data

📹 VRT: A Video Restoration Transformer Github: https://github.com/jingyunliang/vrt Paper: https://arxiv.org/abs/2201.12288 Dataset: https://paperswithcode.com/dataset/gopro @ai_machinelearning_big_data

Исследователи в области компьютерных наук могут получить миллион рублей от Яндекса! До 20 марта открыт прием заявок на научную премию имени Ильи Сегаловича. Подать заявку могут студенты, аспиранты и научные руководители, которые занимаются распознаванием и синтезом речи, информационным поиском, машинным обучением, компьютерным зрением, обработкой естественного языка и машинным переводом. Лауреаты премии получат: — один миллион рублей — оплачиваемую поездку на международную конференцию по AI — гранты на использование сервисов Яндекс.Толока и Yandex DataSphere для своих исследований Подробности по ссылке: https://clck.ru/amsXS

🔉 PortaSpeech: Portable and High-Quality Generative Text-to-Speech Github: https://github.com/keonlee9420/PortaSpeech Paper: https://arxiv.org/pdf/2109.15166v4.pdf Dataset: https://paperswithcode.com/dataset/ljspeech @ai_machinelearning_big_data

📎 When Shift Operation Meets Vision Transformer: An Extremely Simple Alternative to Attention Mechanism Github: https://github.com/microsoft/SPACH Paper: https://arxiv.org/abs/2201.10801v1 Dataset: https://paperswithcode.com/dataset/coco @ai_machinelearning_big_data

⚪ Pearl: Parallel Evolutionary and Reinforcement Learning Library Github: https://github.com/locuslab/convmixer Paper: https://arxiv.org/pdf/2201.09568v1.pdf @ai_machinelearning_big_data

Как устроены рекомендательные системы фильмов, музыки и лент в соц.сетях? 10 февраля в 18:00 пройдет открытый вебинар «Recommend or not recommend? Препарируем рекомендательные системы». На занятии вместе с Марией Тихоновой, Senior Data Scientist в Сбере, мы обсудим классические подходы к построению рекомендательных систем и реализуем один из них своими руками. Вы узнаете о готовых инструментах, которые позволяют создать рекомендашку в пару строк кода. После урока вы сможете продолжить обучение на онлайн-курсе «Machine Learning. Professional» в OTUS по спец.цене. Для регистрации на занятие пройдите вступительный тест https://otus.pw/pfbg/

ConvMixer, an extremely simple model that is similar in spirit to the ViT and the even-more-basic MLP-Mixer Github: https://github.com/locuslab/convmixer Paper: https://arxiv.org/pdf/2201.09792v1.pdf @ai_machinelearning_big_data

Курс «Аналитик данных» от Яндекс.Практикума — для тех, кто хочет освоить анализ данных с нуля и начать карьеру в IT. За шесть месяцев студенты научатся: — Выгружать, преобразовывать и очищать данные с помощью SQL-запросов. — Создавать дашборды с помощью Tableau и других инструментов. — Запускать А/В-тестирования для проверки гипотез. — Рассчитывать ключевые метрики работы компании и оценивать их значимость. — Решать бизнес-кейсы и взаимодействовать с командой. Студенты будут работать над реальными задачами аналитиков: например, вычислят рыночную стоимость недвижимости в городе или определят самые популярные игровые направления. Применять теорию на практике будут под руководством профессионалов — аналитиков данных из Яндекса и других крупных IT-компаний. А ещё студенты: — изучат теорию и напишут код в интерактивном тренажёре, — добавят в своё портфолио 13 реальных исследований для бизнеса, — получат диплом о повышении квалификации, — научатся писать резюме и проходить собеседования под руководством HR-специалистов. Кураторы и команда поддержки помогут учиться регулярно, а найти единомышленников можно будет в сообществе одногруппников. Пройдите бесплатный вводный модуль, чтобы понять, подходит ли вам обучение или нет.

🔥 The first high-performance self-supervised algorithm that works for speech, vision, and text Github: https://github.com/pytorch/fairseq/tree/main/examples/data2vec Paper: https://ai.facebook.com/research/data2vec-a-general-framework-for-self-supervised-learning-in-speech-vision-and-language Meta AI: https://ai.facebook.com/blog/the-first-high-performance-self-supervised-algorithm-that-works-for-speech-vision-and-text/ @ai_machinelearning_big_data

🔝 Omnivore: A Single Model for Many Visual Modalities Github: https://github.com/facebookresearch/omnivore Code: https://github.com/facebookresearch/omnivore/blob/main/inference_tutorial.ipynb Paper: https://arxiv.org/abs/2201.08377 Dataset: https://paperswithcode.com/dataset/epic-kitchens-100 @ai_machinelearning_big_data

🚨 Как и где узнать актуальную информацию о конференциях из мира Big Data Science? Где узнавать интересные факты о жизни Data Science? ⚠️ Ответы на эти и другие вопросы возможно получить на канале Big Data Science [RU]. Также вы сможете: 📊 получить полезные советы для аналитиков 📆 анонсы митапов и хакатонов 📩 ссылки на статьи международных изданий 📚 рекомендации на полезные DS – инструменты 🗄 и множество другой полезной информации из жизни DS Чтобы быть в курсе актуальной информации достаточно начать читать канал Big Data Science [RU]. Переходите по указанной ссылке и получите больше информации 👉🏻 https://t.me/bdscience_ru

💡 Introducing StylEx: A New Approach for Visual Explanation of Classifiers Github: https://explaining-in-style.github.io/ Code: https://github.com/google/explaining-in-style Article: https://ai.googleblog.com/2022/01/introducing-stylex-new-approach-for.html Video: https://explaining-in-style.github.io/#video @ai_machinelearning_big_data

✨ Uniformer: Unified Transformer for Efficient Spatiotemporal Representation Learning Github: https://github.com/sense-x/uniformer Paper: https://arxiv.org/abs/2201.04676v1 Tasks: https://paperswithcode.com/dataset/kinetics-600 @ai_machinelearning_big_data