Machinelearning

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

Sketch-Generation-with-Drawing-Process-Guided-by-Vector-Flow-and-Grayscale Github: https://github.com/TZYSJTU/Sketch-Generation-with-Drawing-Process-Guided-by-Vector-Flow-and-Grayscale Paper: https://arxiv.org/abs/2012.09004 @ai_machinelearning_big_data

Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. Github: https://github.com/zhouhaoyi/Informer2020 Paper: https://arxiv.org/abs/2012.07436v1 @ai_machinelearning_big_data

Свежая подборка из мира новостей по искусственному интеллекту, Big Data и машинному обучению. Переходи по ссылке и будь в курсе всего, что происходит в России и мире. Не оставайся в стороне от историй, за которыми будущее. https://t.me/bolshiedannye

Multi-worker training with Keras https://www.tensorflow.org/tutorials/distribute/multi_worker_with_keras Code: https://github.com/tensorflow/docs/blob/master/site/en/tutorials/distribute/multi_worker_with_keras.ipynb @ai_machinelearning_big_data

RLax -useful building blocks for implementing reinforcement learning agents Github: https://github.com/deepmind/rlax deepmind article: https://deepmind.com/blog/article/using-jax-to-accelerate-our-research @ai_machinelearning_big_data

Real-Time High-Resolution Background Matting https://grail.cs.washington.edu/projects/background-matting-v2/ Github: https://github.com/PeterL1n/BackgroundMattingV2 Paper: https://arxiv.org/abs/2012.07810v1 Video: https://www.youtube.com/watch?v=oMfPTeYDF9g @ai_machinelearning_big_data

Машинное обучение поможет собакам из приютов обрести дом. Не верите? Послушные собаки, которые знают команды, с большей вероятностью находят себе новых хозяев. Разработчики CompanionPro озаботились этой проблемой и создали устройство, использующее фреймворк Google TensorFlowLite, которое помогает питомцу выучить команды без участия человека Освоить Machine Learning, чтобы решать небанальные задачи, можно на курсе «Машинное обучение» от SkillFactory, даже если вы начинающий специалист,. Вы изучите принципы математических алгоритмов, современные библиотеки, feature engineering и оценку моделей. Во время обучения проводится два хакатона, промежуточный и финальный, с использованием реальных датасетов (например, отзывы из магазина книг Amazon Kindle Store). 🎄Пусть в 2020 году будет хоть что-то хорошее! Сейчас на курс действует скидка 50% ❗️Узнать подробнее: https://clc.am/pEpCtA

Fairscale is a PyTorch extension library for high performance and large scale training for optimizing training Github: https://github.com/facebookresearch/fairscale Documentation: https://fairscale.readthedocs.io/en/latest/ Tutorials: https://fairscale.readthedocs.io/en/latest/tutorials/index.html @ai_machinelearning_big_data

Куда пойти учиться? Newprolab - лаборатория профессионального развития для дата-сайентистов, дата-инженеров и руководителей в области анализа больших данных объявляет программу курсов на 2021 год. Интенсивные программы Big Data, Data Engineering, Deep Learning ориентированы на обучение на практике: самые актуальные инструменты и подходы, преподаватели-практики, кейсы и датасеты из реальной жизни. 🎄 До 31 декабря действует специальная цена, выбирайте траектории своего развития уже сейчас: https://clck.ru/SSk66 🌎Готовы к выходу на европейский рынок? Выпускники Newprolab работают в ведущих международных и российских компаниях в более, чем 20-ти странах мира. Отдельное направление: корпоративное обучение - программы обучения под задачи любого бизнеса, требующего грамотных специалистов в области работы с данными.

ViP-DeepLab: Learning Visual Perception with Depth-aware Video Panoptic Segmentation Github: https://github.com/joe-siyuan-qiao/ViP-DeepLab Dataset: http://semantic-kitti.org Paper: https://arxiv.org/abs/2012.05258v1 @ai_machinelearning_big_data

Приглашаем на предновогодний Дзен-митап в эту пятницу в 19:00 по Москве. Тема встречи: исследования и рекомендательные системы — поговорим об обучении с подкреплением и об атаках на модели. От Дзена будет история о том, как возникла задача ранжирования по сложной негладкой метрике, какие подходы в ней пробовали и что заработало лучше всего. Кроме трёх докладов мы немного развлечём вас праздничной афтепати — нет, вам не придётся включать камеры и говорить, всё максимально комфортно и с подарками. Регистрация и описание докладов.

A Rising Library Beating Pandas in Performance https://www.kdnuggets.com/2020/12/rising-library-beating-pandas-performance.html Dataset: https://www.kaggle.com/colinmorris/reddit-usernames @ai_machinelearning_big_data

Implementation of Adam and AMSGrad Optimizers Project: https://lab-ml.com/labml_nn/optimizers/adam.html AMSGrad: https://lab-ml.com/labml_nn/optimizers/amsgrad.html GitHub: https://github.com/lab-ml/nn Full list: https://lab-ml.com/labml_nn/index.html @ArtificialIntelligencedl

Хотите увидеть, как большие данные помогают врачам открывать революционные методы лечения? Узнать, как «простые айтишники» двигают медицину и фарминдустрию вперед? Нужен ли для этого диплом медвуза? А зарплаты высокие? Приходите на онлайн-интенсив по Data Science в медицине от GeekBrains! Вас ждут два часа живого общения с преподавателем и море практики. Узнаете, как работает наука о данных, что такое биометрия и какие знания нужны для начала карьеры аналитика в медицине. В финале получите видеозапись занятия и сертификат о прохождении обучения. 11 декабря, в среду, в 20:00 по Москве → переходите по ссылке, записывайтесь на интенсив и врывайтесь в одну из самых топовых профессий современности. И да, спойлер, зарплаты там — высокие.

River: machine learning for streaming data in Python https://github.com/online-ml/river Paper: https://arxiv.org/abs/2012.04740v1 Online machine learning: https://www.wikiwand.com/en/Online_machine_learning @ai_machinelearning_big_data

11-12 декабря заходите на виртуальный стенд EPAM на конференции SmartData и тренируйте навыки Data Science: https://epa.ms/smartdata-epam-virtual-stand 🔹 Train AI: потренируйтесь с AutoML сразу в трех облаках: GCP, AWS и Azure. 10 участников, разметивших наибольшее количество картинок, получат в подарок книгу "Глубокое обучение. Погружение в мир нейронных сетей". 🔹 Сreate AI: постройте сеть, которая максимально точно может распознавать рукописные цифры. Участники, занявшие первые 3 места в общем зачете, получат в подарок рюкзаки с LED-дисплеем. Завершение турниров 12 декабря в 12:00 (мск).г

Hello colleagues! Today I would like to share great news with you - we have opensourced our python framework LightAutoML (LAMA) aimed at Automated Machine Learning. It is designed to be lightweight and efficient for various tasks (binary/multiclass classifcation and regression) on tabular datasets which contains different types of features: numeric, categorical, dates, texts etc. LAMA provides not only presets suite for end-to-end ML tasks solving, but also the easy-to-use ML pipeline creation constructor including data preprocessing elements, advanced feature generation, CV schemes (including nested CVs), hyperparameters tuning, different models and composition building methods. It also gives the user an option to generate model training and profiling reports to check model results and find insights which are not obvious from initial dataset. Here are some examples of LAMA usage on binary classification task: ⁃ Blackbox pipeline = https://www.kaggle.com/simakov/lama-tabularautoml-preset-example ⁃ Interpretable model = https://www.kaggle.com/simakov/lama-whitebox-preset-example ⁃ Custom elements + existing ones = https://www.kaggle.com/simakov/lama-custom-automl-pipeline-example Official documentation is here: https://lightautoml.readthedocs.io Github: https://github.com/sberbank-ai-lab/LightAutoML Slack community: https://lightautoml-slack.herokuapp.com Please enjoy! :)

Learnable Tree Filter V2. Github: https://github.com/StevenGrove/LearnableTreeFilterV2 Paper: https://arxiv.org/abs/2012.03482v1 @ai_machinelearning_big_data