Machinelearning

Полезная статья на Хабр о промышленном мониторинге качества данных в Feature Store В ней аналитик финтеха Big Data из МТС рассказал о построении автоматизированного контроля за качеством данных в их Feature Store, позволяющем не допустить принятия бизнес-решений на искаженных или ненадежных данных. О том, что такое Feature Store, почему в нем возникла потребность и какое место занимает промышленный мониторинг качества данных, читать здесь.

HiFormer: Hierarchical Multi-scale Representations Using Transformers for Medical Image Segmentation Github: https://github.com/amirhossein-kz/hiformer Paper: https://arxiv.org/abs/2207.08518v1 Tasks: https://paperswithcode.com/task/medical-image-segmentation @ArtificialIntelligencedl

✅ Что будет с IT в России? ✅ Первыми узнавать новости из мира облачных технологий и искусственного интеллекта ✅ Регулярный и честный анализ рынка IT ✅ Реальный опыт решения задач Все это и многое другое на авторском ТГ-канале Евгения Колбина, СЕО облачного провайдера Cloud. Евгений Колбин: • Знает, как создать и монетизировать Cloud, AI, ML сервисы, а также, как построить суперкомпьютеры • Настоял на покупке «железа», когда стало понятно, что может быть дефицит • Вместе с командой создал Sberbank business online - удобную систему сервисов для предпринимателей • Долгое время руководил ИТ проектами в Citibank • А самое главное – знает, как воспользоваться теми возможностями, которые для нас сегодня открываются Подписывайтесь на канал Евгения, если хотите первыми быть в курсе развития IT, облаков и ИИ: https://t.me/veryironman

⚡️ CLOSE: Curriculum Learning On the Sharing Extent Towards Better One-shot NAS Github: https://github.com/walkerning/aw_nas Paper: https://arxiv.org/abs/2207.07868v1 Dataset: https://paperswithcode.com/dataset/nas-bench-201 @ai_machinelearning_big_data

МТС создали новый канал, где доказывают, что продают не только симки и смартфоны, а ищут вполне реальных спецов в IT, которые будут писать на Golang • Swift • Kotlin • Java • Python • C# • C++. Зачем? Чтобы продолжать создавать продукты, платформы и сервисы для людей и бизнеса с помощью 20+ петабайт данных. Еще и работают в разных направлениях: от Big Data, AI и Cloud до онлайн-кинотеатра и киберспорта. Да, ребята в МТС тоже развивают экосистему цифровых сервисов.

Language Modelling with Pixels PIXEL is a language model that operates on text rendered as images, fully removing the need for a fixed vocabulary. Github: https://github.com/xplip/pixel Paper: https://arxiv.org/abs/2207.06991v1 Dataset: https://paperswithcode.com/dataset/glue Pretrained: https://huggingface.co/Team-PIXEL/pixel-base @ai_machinelearning_big_data

🚀 Dynamic Low-Resolution Distillation for Cost-Efficient End-to-End Text Spotting Github: https://github.com/hikopensource/davar-lab-ocr Paper: https://arxiv.org/abs/2207.06694v1 Dataset: https://paperswithcode.com/dataset/total-text @ai_machinelearning_big_data

Ищем медработников, чтобы с нуля обучить профессии Data Scientist в медицине. С помощью машинного обучения, вы научитесь обрабатывать данные по сердечно-сосудистым заболеваниям, онкологии, сигналам ЭЭГ, рентгеновским изображениям, сможете ставить диагнозы,обнаруживать болезни и персонализировать лечение. Курс прекрасно подойдет: Медработникам Освоите IT-специализацию в знакомой нише, увеличите доход и сможете улучшать жизнь сотен людей с помощью искусственного интеллекта. Новичкам в Data Science Станете специалистом по Data Science с нуля: освоите аналитику в медицине, бизнесе и других направлениях. IT-специалистам Поможем систематизировать знания в Data Science, ускорить карьерный рост и больше зарабатывать. Вашими преподавателями станут эксперты из таких компаний как: Parexel, X5 Retail Group, NVIDIA, Минобороны России, Pirogov AI. Если после успешного обучения вы не найдёте работу, мы вернём вам деньги, ведь гарантия трудоустройства закреплена в договоре. Узнать подробности и зарегистрироваться: https://clc.to/wKod8g

Benchmarking Omni-Vision Representation through the Lens of Visual Realms Github: https://github.com/ZhangYuanhan-AI/OmniBenchmark Project: https://zhangyuanhan-ai.github.io/OmniBenchmark Paper: https://arxiv.org/abs/2207.07106v1 Competition: https://codalab.lisn.upsaclay.fr/competitions/6043 @ai_machinelearning_big_data

​Идея для лета — нырнуть в Data Science с головой Станьте специалистом по Data Science и приручите алгоритмы под свои амбициозные цели: от решения бизнес-задач до развития медицинских технологий. На курсе Яндекс Практикума вы можете за 8 месяцев изучить Python, SQL, машинное обучение и визуализацию данных — необходимый минимум для работы младшим специалистом. Пять «П» — преимущества обучения в Практикуме: — Помощь с трудоустройством: 78% выпускников находят работу в течение 4 месяцев после окончания курса. — Портфолио: 16 проектов на основе реальных задач бизнеса и диплом о профессиональной переподготовке. — Поддержка: преподаватели, наставники, кураторы и ревьюры помогают пройти обучение. — Подходящий формат: можете заниматься из любой точки мира когда вам удобно. — Практика: курс на 75% состоит из задач в онлайн-тренажёре и учебных проектов. → Старт потока — 21 июля. Оплачивать учёбу можно помесячно, от 6 090 ₽/мес, или 112 000 ₽ сразу. Начните учиться бесплатно и решите, подходит ли вам роль специалиста по Data Science. → Попробуйте курс бесплатно

KGI (Knowledge Graph Induction) for slot filling Github: https://github.com/ibm/kgi-slot-filling KILT data and knowledge source: https://github.com/facebookresearch/KILT Paper: https://arxiv.org/abs/2207.06300v1 Dataset: https://paperswithcode.com/dataset/natural-questions @ai_machinelearning_big_data

⁉️ Разработать одну ML-модель и провести ее валидацию — уже давно не проблема. Как экспериментировать сразу с сотнями моделей и с разными параметрами и при этом не захлебнуться в разнообразии экспериментов? Как не потерять этот опыт и легко воспроизводить эксперименты годовой давности? 📌 20 июля в 20:00 на открытом уроке OTUS мы разберем инструмент MLFlow. Он позволяет легко выбирать лучшие модели среди всех экспериментов и при этом легко сравнивать эти модели, и всегда иметь понятное описание эксперимента. 💻 Занятие проведет Миленькин Александр, старший менеджер по работе с большими данными в X5 Retail Group. 💣 Чтобы зарегистрироваться на урок, пройдите вступительный тест ⚠️ Еще больше знаний о том, как устроен процесс внедрения ML-решения, ждет вас на онлайн-курсе «MLOps». Он рассчитан на специалистов по машинному обучению или Software инженеров.

🏎 Instance Shadow Detection with A Single-Stage Detector Deep framework, and an evaluation metric to approach this new task. Github: https://github.com/stevewongv/InstanceShadowDetection Instance Shadow Detection: https://github.com/stevewongv/SSIS Video: https://www.youtube.com/watch?v=p0b_2SsFypw Colab: https://colab.research.google.com/drive/1y9UpS5uA1YuoMyvYVzcKL4ltA_FDu_x0?usp=sharing Paper: https://arxiv.org/abs/2207.04614v1 Datasets: https://paperswithcode.com/dataset/soba @ai_machinelearning_big_data

🧍‍♂ PeopleSansPeople: A Synthetic Data Generator for Human-Centric Computer Vision Human-centric privacy-preserving synthetic data generator with highly parametrized domain randomization. Github: https://github.com/unity-technologies/peoplesanspeople Paper: https://arxiv.org/abs/2207.05025v1 Demo Video: https://www.youtube.com/watch?v=mQ_DUdB70dc @ai_machinelearning_big_data

​Большие данные захватили мир Как стриминговые сервисы понимают, что вы любите? Анализ данных уже давно открыл человечеству новые возможности. Бизнес активно использует инструменты Data Science на полную: голосовые ассистенты, чат-боты, персонализированная реклама. IT-школа Skillfactory и лучший технический вуз МФТИ ответят на эти вопросы и раскроют главный секрет на своём бесплатном онлайн-интенсиве: “Кем ты будешь через 2 года, если пойдешь учиться на Data Science сейчас?” За 1,5 часа руководитель онлайн-магистратур в МФТИ Мария Савицкая расскажет преимущества специалистов с профильным образованием и перспективы развития Data Science. А эксперт по Data Science Иван Ямщиков расскажет, как работает и в каких сферах применяется машинное обучение и что нас ждет через 10 лет! По оценкам Frost & Sullivan, каждый год сфера Data Science растет на 35,9%. При этом опытных дата-сайентистов не хватает, поэтому их зарплата стабильно увеличивается. Сейчас специалисты с опытом работы 2-3 года получают от 250 000 ₽. Переходите по ссылке и регистрируйтесь, это займёт меньше минуты: https://go.skillfactory.ru/N4Q9wg

🔸 An Efficiency Study for SPLADE Models SParse Lexical AnD Expansion Model for First Stage Ranking. Github: https://github.com/naver/splade Paper: https://arxiv.org/abs/2207.03834v1 Dataset: https://paperswithcode.com/dataset/ms-marco @ai_machinelearning_big_data

В VK стартовал набор в Академию больших данных MADE — это бесплатное обучение для специалистов с опытом в разработке. 👉 Регистрируйтесь до 6 августа: https://vk.cc/ceWl31 Программа длится один год, но будьте готовы к серьезной нагрузке: занятия займут 25–40 часов в неделю. За это время вы сможете повысить свой профессиональный уровень или освоить новое направление в IT. Что вас ждёт: 🔹Много практики и работа над реальными проектами. 🔹Преподаватели — ведущие эксперты в области Data Science. Например, несколько дисциплин ведёт Сергей Николенко, автор бестселлера «Глубокое обучение» и создатель курсов в СПбГУ, НИУ ВШЭ и Harbour Space University. 🔹Профессиональное сообщество, где преподаватели, выпускники и слушатели делятся знаниями, общаются и помогают в решении сложных задач. Для поступления нужно сдать экзамены по математике и программированию, пройти соревнование по машинному обучению и анкетирование.

👀 Object Centric Open Vocabulary Detection Object-centric alignment of the language embeddings from the CLIP model. Github: https://github.com/hanoonaR/object-centric-ovd Paper: https://arxiv.org/abs/2207.03482v1 Dataset: https://paperswithcode.com/dataset/imagenet @ai_machinelearning_big_data

⬆️ YOLOv7 YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors Github: https://github.com/wongkinyiu/yolov7 Paper: https://arxiv.org/abs/2207.02696v1 Dataset: https://paperswithcode.com/dataset/coco @ai_machinelearning_big_data