Machinelearning

Каждый Data scientist хоть раз пробовал поиграться с нейросетями. Но чтобы они решали задачи бизнеса, работали стабильно и не потребляли чрезмерное количество ресурсов — тут не обойтись без практики и специальных знаний. Хотите связать свою карьеру с нейросетями? Ждем вас на онлайн-курсе «Deep Learning. Basic», где вы с основ шаг за шагом создадите и обучите свою первую послушную нейронную сеть. ⚡️За 5 месяцев вы ознакомитесь с базовыми возможностями нейронных сетей, попробуете разные направления Deep Learning и освоите такие фреймворки как PyTorch, Keras, NumPy. После обучения вы сможете претендовать на начальные позиции специалиста по нейронным сетям и самостоятельно решать рядовые распространенные задачи. 👉Вступительный тест покажет, достаточно ли у вас знаний математики и базового синтаксиса Python для прохождения курса. Набирайте проходной балл и занимайте место по спец.цене: https://otus.pw/mAwq/

UniverseNet UniverseNet is the state-of-the-art detector that can be trained in 24 epochs. Github: https://github.com/shinya7y/UniverseNet Paper: https://arxiv.org/abs/2103.14027v1 @ai_machinelearning_big_data

Swin Transformer - PyTorch Code: https://github.com/berniwal/swin-transformer-pytorch Github: https://github.com/microsoft/Swin-Transformer Paper: https://arxiv.org/abs/2103.14030v1 @ai_machinelearning_big_data

🤗 ⚡️Multilingual CLIP with Huggingface + PyTorch Lightning https://sachinruk.github.io/blog/pytorch/pytorch%20lightning/loss%20function/gpu/2021/03/07/CLIP.html#Data CLIP: Connecting Text and Images: https://openai.com/blog/clip/ @ai_machinelearning_big_data

Салют! Семейство виртуальных ассистентов Салют и компания Just AI ищут разработчиков чат-ботов, голосовых и других виртуальных помощников и предлагают им возможности платформы Сбера. 1. Открыта возможность переноса в ассистентов Салют навыков чат-ботов, созданных на платформе JAICP или с помощью конструктора Aimylogic. Детали по ссылке https://clck.ru/TsXMU 2. Доступен эмулятор для тестирования навыков на поверхностях платформы Сбера (умные устройства и мобильные приложения). 3. Есть возможность подключить оплату на любом шаге сценария. 4. Доступ к аудитории экосистемы Сбера. А ещё каждый квартал команда Сбера определяет лучшие приложения, разработанные для каталога SmartMarket и дарит их авторам по 2,5 млн рублей. Узнай подробности по ссылке: https://clck.ru/Ttz2V

Towards Ultra-Resolution Neural Style Transfer via Thumbnail Instance Normalization Github: https://github.com/czczup/URST Paper: https://arxiv.org/abs/2103.11784 Dataset: https://cocodataset.org/#download @ai_machinelearning_big_data

Каждый день мы загружаем и передаем все больше контента. Нагрузка на базовые станции операторов растет, но вместе с ней растет и качество связи. Как это получается? И какую роль в этом процессе играет big data? Ответы найдете в видео «Как нейросети помогают оставаться на связи», где Тимур и Вика, датасайентисты из МегаФона, рассказывают, почему модернизация базовых станций – это задача из области data science, как работает модель, на основании рекомендаций которой принимаются решения о необходимости «прокачки» той или иной вышки, и остается ли в этом процессе место для человека. Спойлер: место для человека остается. Например, в МегаФоне в команду по работе с большими данными ищут Team Lead, Senior data scientist, инженера SQL и других специалистов.

The GENRE (Generarive ENtity REtrieval) system as presented in Autoregressive Entity Retrieval implemented in pytorch. Github: https://github.com/facebookresearch/GENRE Paper: https://arxiv.org/abs/2103.12528v1 Dataset: https://github.com/facebookresearch/GENRE/blob/main/scripts/download_all_datasets.sh @ai_machinelearning_big_data

The last article in uplift modeling tutorials by MTS data scientists: “Metrics in uplift modeling”📈 Uplift models are used to promote products and create advertising segments 🤑 📗 Habr: https://habr.com/ru/company/ru_mts/blog/538934/ 💻 Code: https://nbviewer.jupyter.org/github/maks-sh/scikit-uplift/blob/master/notebooks/uplift_metrics_tutorial.ipynb

🔬 The Best ML Frameworks & Extensions for Scikit-learn https://neptune.ai/blog/the-best-ml-framework-extensions-for-scikit-learn @ai_machinelearning_big_data

Contrastive Learning of Musical Representations Github: https://github.com/spijkervet/CLMR Paper: https://arxiv.org/abs/2103.09410 @ai_machinelearning_big_data

Продолжается набор на оплачиваемую летнюю стажировку в Яндексе ⚡️ Если вы (или ваши друзья) давно хотели попробовать себя в роли разработчика, летняя стажировка — идеальный вариант. Отлично проявившие себя стажеры получат шанс перейти в штат! Направления: фронтенд- и бэкенд-разработка, машинное обучение, аналитика, мобильная разработка и другие — ознакомиться с ними можно здесь. Особый формат стажировки — Deep Dive в Яндекс.Маркете. Сколько длится: от трех до 6 месяцев. Где: в Москве, Санкт-Петербурге, Екатеринбурге, Нижнем Новгороде, Новосибирске, Сочи, Симферополе и Минске. Если вы из другого города — мы оплатим вам дорогу и проживание в Москве 🙌 Что нужно уметь: мы ждём отличного знания базовых алгоритмов и уверенных навыков программирования на одном из языков. Как проходит отбор: зависит от направления, но в большинстве случаев нужно будет выполнить тестовое задание, пройти два-три технических интервью, а затем выбрать команду. Подавайте заявку до 31 мая: https://clck.ru/TgiBN

Large Scale Image Completion via Co-Modulated Generative Adversarial Networks, ICLR 2021 (Spotlight) Gitub: https://github.com/zsyzzsoft/co-mod-gan Paper: https://openreview.net/pdf?id=sSjqmfsk95O Demo: http://comodgan.ml/ @ai_machinelearning_big_data

Кейс: как сервис с развлекательным видео-контентом увеличил доход с рекламы на 10% Сервис зарабатывает на рекламе — чем больше пользователь смотрит рекламы, тем выше доход. Все, по классической схеме. Но есть проблема: пользователи отказывались от просмотра контента, среднее количество отказов — 17,7%. Очевидно, сервис не умеет показывать релевантные ролики. Тогда сервис решил настроить персональные рекомендации, как в ютубе. Беда в том, что пользователи просматривают контент анонимно: — включают VPN, — используют режим инкогнито — не оставляют комментарии и лайки — не регистрируются. Непонятно, по каким критериям настраивать рекомендации. Ситуация выглядит безнадежной. Дата-аналитик Orbitsoft рассказывает, как они справились с проблемой, чем помог искусственный интеллект и биг-дата. http://bit.ly/3tmsnuq

🔷 PyTorch Geometric Temporal is a temporal (dynamic) extension library for PyTorch Geometric. Github: https://github.com/benedekrozemberczki/pytorch_geometric_temporal Paper: https://dl.acm.org/doi/10.1145/3308560.3316581 Dataset: https://pytorch-geometric-temporal.readthedocs.io/en/latest/notes/introduction.html#discrete-time-datasets @ai_machinelearning_big_data

Probabilistic two-stage detection Two-stage object detectors that use class-agnostic one-stage detectors as the proposal network. Github: https://github.com/xingyizhou/CenterNet2 Paper: https://arxiv.org/abs/2103.07461v1 @ai_machinelearning_big_data

Яндекс создал новый сервис для ML-разработки и анализа данных — Yandex DataSphere. 👉 Его можно попробовать бесплатно (предоставляется 50+ часов с GPU в фоновых ячейках) по ссылке: https://clck.ru/TkwJG В чем его главные фишки ✅ Не требует настройки: разворачивается в облаке за пару кликов и сразу же готов к работе. Поэтому забываем как страшный сон об установке ПО и выборе правильных мощностей заранее. 🖥 Привычный интерфейс Jupyter Notebook. А сами проекты не пропадают и живут столько же, сколько ваше облако. ▶️ После исполнения сохраняется состояние (состояние = код + вывод + переменные). Поэтому можно вернуться к любому шагу разработки и не придется заново запускать вычисления. Продукт молодой, команда очень отзывчива к пожеланиям и на информацию о любых багах быстро реагирует в чате (https://t.me/yandex_datasphere). Вы можете принять реальное участие в становлении Yandex DataSphere.

Open Avatarify Photorealistic avatars for video-conferencing apps. Democratized. Github: https://github.com/alievk/avatarify-python Demo: https://www.youtube.com/watch?v=Q7LFDT-FRzs&feature=youtu.be&ab_channel=AliAliev @ai_machinelearning_big_data

Бесплатный вебинар «MLflow в облаке. Простой и быстрый способ вывести ML-модели в продакшен» от Mail.ru Cloud Solutions MLflow — один из самых стабильных и легких современных инструментов, позволяющих специалистам по Data Science управлять жизненным циклом моделей машинного обучения на всем его протяжении. Это удобный инструмент с простым пользовательским интерфейсом для просмотра экспериментов и мощными средствами упаковки моделей, управления ими и их развертыванием. Он позволяет работать практически с любой библиотекой машинного обучения. На вебинаре сотрудники MCS настроят MLflow в максимально близком к production варианте, а также покажут, как реализовать использование компонентов облака в качестве различных backend-сервисов MLflow. Мероприятие пройдет во вторник, 23 марта, онлайн. Начало в 18:00 по Москве. 👉 Регистрируйтесь: https://vk.cc/bZIwUi

Modular Interactive Video Object Segmentation: Interaction-to-Mask, Propagation and Difference-Aware Fusion Github: https://github.com/hkchengrex/MiVOS Paper: https://arxiv.org/pdf/2103.07941v1.pdf @ai_machinelearning_big_data