Machinelearning

Deep learning of dynamical attractors from time series measurements Embed complex time series using autoencoders and a loss function based on penalizing false-nearest-neighbors. Code: https://github.com/williamgilpin/fnn Paper: https://arxiv.org/abs/2002.05909

The Illustrated BERT, ELMo, and co. (How NLP Cracked Transfer Learning) https://jalammar.github.io/illustrated-bert/ Habr ru: https://habr.com/ru/post/487358/ BERT FineTuning with Cloud TPUs notebook: https://colab.research.google.com/github/tensorflow/tpu/blob/master/tools/colab/bert_finetuning_with_cloud_tpus.ipynb

🤩Неделя скидок в SkillFactory! Дарим –30% на все курсы! В 1962 году трое мужчин обманули охрану и смогли покинуть «Алькатрас» — тюрьму, из которой невозможно сбежать. Следователи решили, что мужчины утонули после бегства, однако спустя почти 60 лет нейросеть от компаний Identv и Rothco, проанализировав миллионы фото, «опознала» двоих преступников на снимке 1975 года. То, что оказалось неподвластным человеку, сделал искусственный интеллект. Какие еще возможности открывает Deep Learning, расскажут преподаватели SkillFactory на курсе по нейросетям. Осваивайте machine learning, Data Engineering и менеджмент, чтобы решать интересные задачи и расти профессионально. В течение 10 недель вы изучите фреймворки TensorFlow и Keras, научитесь работать со сверточными нейросетями и сможете их оптимизировать; в конце обучения проводится хакатон на реальных датасетах. Углубите свои знания в области Data Science: https://clc.to/xNEs5Q

Learning to Rank with XGBoost and GPU | NVIDIA Developer Blog https://devblogs.nvidia.com/learning-to-rank-with-xgboost-and-gpu/

GANILLA: Generative Adversarial Networks for Image to Illustration Translation. Github: https://github.com/giddyyupp/ganilla Dataset: https://github.com/giddyyupp/ganilla/blob/master/docs/datasets.md Paper: https://arxiv.org/abs/2002.05638v1

5 причин стать специалистом в Data Science в 2020 году 1. Огромный спрос на профи Data Scientists анализируют данные и прокачивают искусственный интеллект. С 2012 года спрос на эту профессию увеличился на 650%. Компании больше не хотят полагаться на гипотезы — им нужны точные данные для принятия решений и спецы, готовые с ними работать. 2. Карьерные перспективы Мечтаешь работать в западной компании? Google, Amazon, Uber, Facebook — в этих корпорациях и в крупных российских компаниях открыто больше 2 000 вакансий для мастеров машинного обучения и работы с данными. 3. Высокая зарплата Потребность в Data Scientists растет — и им готовы много платить. 200 000 рублей — средняя зарплата специалиста по работе с данными в России. 4. Гарантированное трудоустройство Skillbox гарантирует трудоустройство всем студентам. Правда, специалиста в Data Science с готовыми проектами в портфолио и так с руками оторвут. 5. Полгода бесплатного обучения Первый платёж только через 6 месяцев обучения! На курсе «Профессия Data Scientist» от Skillbox тебя ждет много практики под руководством специалистов из NVIDIA, НИУ ВШЭ и ivi.ru. Сможешь освоить крутую профессию, даже если пока ничего не умеешь. Узнай подробности курса: https://clc.to/06jAbg/.

Matrix Compression Operator https://blog.tensorflow.org/2020/02/matrix-compression-operator-tensorflow.html Experimental API that facilitates matrix compression of a neural network's weight tensors: https://github.com/google-research/google-research/tree/master/graph_compression Full documentation: https://drive.google.com/file/d/1843aNpKx_rznpuh9AmEshgAKmISVdpJY/view

Capsules with Inverted Dot-Product Attention Routing New routing algorithm for capsule networks, in which a child capsule is routed to a parent based only on agreement between the parent’s state and the child’s vote. Code: https://github.com/apple/ml-capsules-inverted-attention-routing Paper: https://openreview.net/pdf?id=HJe6uANtwH

fastai—A Layered API for Deep Learning https://www.fast.ai//2020/02/13/fastai-A-Layered-API-for-Deep-Learning/ Complete documentation and tutorials: https://docs.fast.ai/

Learning to See Transparent Objects ClearGrasp uses 3 neural networks: a network to estimate surface normals, one for occlusion boundaries (depth discontinuities), and one that masks transparent objects Google research: https://ai.googleblog.com/2020/02/learning-to-see-transparent-objects.html Code: https://github.com/Shreeyak/cleargrasp Dataset: https://sites.google.com/view/transparent-objects 3D Shape Estimation of Transparent Objects for Manipulation: https://sites.google.com/view/cleargrasp

The popularity of machine learning is so great that people try to use it wherever they can. Some attempts to replace classical approaches with neural networks turn up unsuccessful. This time we'll consider machine learning in terms of creating effective static code analyzers for finding bugs and potential vulnerabilities. The PVS-Studio team believes that with machine learning, there are many pitfalls lurking in code analysis tasks. http://bit.ly/2vqmeV7

Unsupervised Discovery of Interpretable Directions in the GAN Latent Space Official PyTorch implementation of pre-print Unsupervised Discovery of Interpretable Directions in the GAN Latent Code: https://github.com/anvoynov/GANLatentDiscovery Paper: https://arxiv.org/abs/2002.03754

Recurrent Neural Networks (RNN) with Keras Recurrent neural networks (RNN) are a class of neural networks that is powerful for modeling sequence data such as time series or natural language. https://www.tensorflow.org/guide/keras/rnn Source code: https://github.com/tensorflow/docs/blob/master/site/en/guide/keras/rnn.ipynb Habr : https://habr.com/ru/post/487808/

TensorFlow Lattice: Flexible, controlled and interpretable ML The library enables you to inject domain knowledge into the learning process through common-sense or policy-driven shape constraints. https://blog.tensorflow.org/2020/02/tensorflow-lattice-flexible-controlled-and-interpretable-ML.html Video: https://www.youtube.com/watch?v=ABBnNjbjv2Q&feature=emb_logo Github: https://github.com/tensorflow/lattice

Лучшие эксперты в области программно-определяемого хранения, облаках, ransomware и управлении данными выступят сегодня и завтра на виртуальном ивенте Commvault - Virtual Connections. На первой сессии речь пойдет об оптимизации защиты данных в PaaS-облаках. Virtual Connections is a free two-day virtual event that brings Commvault’s best tech-experts right to your screen. Learn about the limitations of native cloud protection for PaaS workloads – and how Commvault software can overcome them. https://www.commvault.com/virtual-connectionsс

The Annotated Transformer The Transformer – a model that uses attention to boost the speed with which these models can be trained. http://nlp.seas.harvard.edu/2018/04/03/attention.html The Illustrated Transformer: https://jalammar.github.io/illustrated-transformer/ Habr: https://habr.com/ru/post/486358/

Mutual Information-based State-Control for Intrinsically Motivated Reinforcement Learning Agent Learning Framework: https://github.com/HorizonRobotics/alf Github: https://github.com/ruizhaogit/misc Paper: https://arxiv.org/abs/2002.01963v1

Попробуйте себя в роли специалиста по Data Science на интенсиве от профессионала в сфере машинного обучения Михаила Овчинникова. Ссылка для регистрации: 🔜 https://clc.to/qV49FA Участие бесплатное! ✔ Вы узнаете, какие инструменты и алгоритмы используют профи. ✔ Изучите азы языка программирования Python. ✔ Научитесь грамотно выгружать и визуализировать данные. ✔ Сами создадите модель машинного обучения. ✔ Узнаете, как оценивать качество модели. 🎁 Авторы трёх лучших проектов получат сертификаты на 30 000 рублей для поступления на любой курс в онлайн-университет Skillbox. Начните осваивать профессию будущего! Ждём вас 10-12 февраля в 20:00.

CCMatrix: A billion-scale bitext data set for training translation models CCMatrix is the largest data set of high-quality, web-based bitexts for training translation models https://ai.facebook.com/blog/ccmatrix-a-billion-scale-bitext-data-set-for-training-translation-models/ Paper: https://arxiv.org/abs/1911.04944 Github: https://github.com/facebookresearch/LASER/tree/master/tasks/CCMatrix @ai_machinelearning_big_data