Machinelearning

Всем привет! Вероятно, вы уже знаете, что компания Mail.ru Group регулярно проводит чемпионаты по машинному обучению, программированию искусственного интеллекта и проектированию высоконагруженных сервисов. Совсем недавно команда чемпионатов All Cups объявила о запуске платформы, объединяющей все категории контестов. Уже сейчас вы можете найти информацию о прошедших соревнованиях и попробовать свои силы в песочнице. Команда All Cups ведет официальный телеграм-канал, в котором публикуются анонсы соревнований, полезные материалы, разбор победных решений, а также ключевые новости из мира IT. Рекомендуем подписаться, чтобы не пропустить интересные контесты и не упустить возможность прокачать свои скиллы, получить бесценный опыт и стать частью коммьюнити профессионалов. В качестве приятного бонуса - команда all cups объявила о розыгрыше Капсулы с голосовым помощником Марусей. Для того, чтобы стать одним из первых обладателей Капсулы, достаточно быть подписанным на канал all cups.

Neural Networks from Scratch - Coding a Layer A beginner’s guide to understanding the inner workings of Deep Learning https://morioh.com/p/fb1b9f5a52bc Video Part 1: https://www.youtube.com/watch?v=Wo5dMEP_BbI Video Part 2: https://www.youtube.com/watch?v=lGLto9Xd7bU

Announcing PyCaret 1.0.0 An open source low-code machine learning library in Python. PyCaret allows you to go from preparing data to deploying models within seconds from your choice of notebook environment. https://towardsdatascience.com/announcing-pycaret-an-open-source-low-code-machine-learning-library-in-python-4a1f1aad8d46 Habr RU : https://habr.com/ru/company/otus/blog/497770/ Github: https://github.com/pycaret/pycaret Guide: https://pycaret.org/guide/

Local-Global Video-Text Interactions for Temporal Grounding This paper addresses the problem of text-to-video temporal grounding, which aims to identify the time interval in a video semantically relevant to a text query Github: https://github.com/JonghwanMun/LGI4temporalgrounding Paper: https://arxiv.org/abs/2004.07514

EfficientDet from Google: Towards Scalable and Efficient Object Detection A new family of scalable and efficient object detectors. EfficientDet achieves state-of-the-art accuracy while being up to 9x smaller and using significantly less computation compared to prior state-of-the-art detectors https://ai.googleblog.com/2020/04/efficientdet-towards-scalable-and.html Github: https://github.com/google/automl/tree/master/efficientdet Paper: https://arxiv.org/abs/1911.09070 Tutorial: https://github.com/google/automl/blob/master/efficientdet/tutorial.ipynb

Nevergrad, an evolutionary optimization platform, adds new key features Facebook AI’s open source Python3 library for derivative-free and evolutionary optimization. https://ai.facebook.com/blog/nevergrad-an-evolutionary-optimization-platform-adds-new-key-features/ GitHub: https://github.com/facebookresearch/nevergrad Documentation: https://facebookresearch.github.io/nevergrad/index.html

Huawei announced that its TensorFlow and PyTorch-style MindSpore Deep Learning middleware is now open source https://towardsdatascience.com/huaweis-mindspore-a-new-competitor-for-tensorflow-and-pytorch-d319deff2aec Github: https://github.com/mindspore-ai/mindspore Docs: https://www.mindspore.cn/docs/en/0.1.0-alpha/architecture.html Official tutorials: https://www.mindspore.cn/en

TuiGAN: Learning Versatile Image-to-Image Translation with Two Unpaired Images TuiGAN can be use for various computer vision tasks ranging from image style transfer to object transformation and appearance transformation. Github: https://github.com/linjx-ustc1106/TuiGAN-PyTorch Paper: https://arxiv.org/abs/2004.04634

А вы знали, что в более чем 50% вакансий на должность аналитика требуется знание SQL? ⏰ В среду, 15 апреля в 19:00 (мск) ребята из ProductStar проводят бесплатный интенсив для начинающих аналитиков: «SQL: группировка данных, подзапросы и объединение таблиц - практика». 👩‍🏫 Кто выступит? Яна Манухина, Head of Data в Bookmate 👨‍🏫 О чем пойдет речь? — Рассмотрим разные возможности агрегации и группировки данных. — Выясним, что можно сделать с помощью подзапросов и что нельзя. — Закрепим полученные знания на нескучной практике: посчитаем данные из дата-сета «Star Wars». 🔥 Двое самых активных участников получат сертификат на бесплатное обучение в ProductStar. Участие бесплатное, но регистрация обязательна. Зарегистрироваться на вебинар 👉 @ProductStarAnalyticsBot

PIFu: Pixel-Aligned Implicit Function for High-Resolution Clothed Human Digitization Method achieves state-of-the-art performance on a public benchmark and outperforms the prior work for clothed human digitization from a single image. https://shunsukesaito.github.io/PIFu/ Code: https://github.com/shunsukesaito/PIFu Paper: https://arxiv.org/abs/1905.05172

ML Code Completeness Checklist https://medium.com/paperswithcode/ml-code-completeness-checklist-e9127b168501 Tips for Publishing Research Code: https://github.com/paperswithcode/releasing-research-code Facebook blog: https://ai.facebook.com/blog/new-code-completeness-checklist-and-reproducibility-updates/

Научи нейросеть узнавать объекты с первого раза. Приходи на открытый урок по Нейросетям на Python https://otus.pw/aPhG/ 14 апреля в 20:00 Михаил Степанов, эксперт по машинному обучению из Jet Infosystems, проведет занятие по Triplet loss. Что будем делать: * Научимся работать с tensorflow datasets * Рассмотрим проблему one-shot learning, metric learning * Разберемся, что такое siamese networks и triplet loss * Обучим нейросеть, способную с первого раза узнавать объекты Проходи вступительный тест и записывайся в группу, пока действуют самые большие скидки!

Advancing Self-Supervised and Semi-Supervised Learning with SimCLR https://ai.googleblog.com/2020/04/advancing-self-supervised-and-semi.html Code and Pretrained-Models: https://github.com/google-research/simclr Papaer: https://arxiv.org/abs/2002.05709

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/jJhlDg.

GANSpace: Discovering Interpretable GAN Controls Simple technique to analyze Generative Adversarial Networks (GANs) and create interpretable controls for image synthesis, such as change of viewpoint, aging, lighting, and time of day. Code: https://github.com/harskish/ganspace Paper: https://arxiv.org/abs/2004.02546v1 Video: https://www.youtube.com/watch?v=jdTICDa_eAI&feature=youtu.be

kNN classification using Neighbourhood Components Analysis NCA allows you to learn a linear transformation of your data that maximizes k-nearest neighbours performance. https://kevinzakka.github.io/2020/02/10/nca/ PyTorch Code : https://github.com/kevinzakka/nca Paper: https://www.cs.toronto.edu/~hinton/absps/nca.pdf

Умение качественно анализировать ключевые показатели является весомым преимуществом для продакта. ⏰ В четверг, 9 апреля в 19:00 (мск) мы проводим бесплатный интенсив «Управление метриками продукта с помощью машинного обучения» 👩‍🏫 Кто выступит? Айра Монгуш, CEO & Founder в Mathshub 👨‍🏫 Что будет на вебинаре? — Погрузимся в язык дата-саенса, — Разберемся с основными метриками продукта, — Познакомимся со структурой ML-алгоритмов, — Решим практическую задачу предсказания оттока пользователей в телекоме на Python. 🔥 Двое самых активных участников получат сертификат на бесплатное обучение в ProductStar. Участие бесплатное, но регистрация обязательна. Зарегистрироваться на вебинар 👉 @ProductStarProductBot

⚪️ Tracking Objects as Points Simultaneous object detection and tracking using center points Github: https://github.com/xingyizhou/CenterTrack Paper: https://arxiv.org/abs/2004.01177v1

Sum Product Flow: An Easy and Extensible Library for Sum-Product Networks Simple interface to inference, learning and manipulation routines for deep and tractable probabilistic models called Sum-Product Networks (SPNs). Github: https://github.com/SPFlow/SPFlow Paper: https://arxiv.org/abs/2004.01167v1

Introduction to Quantization on PyTorch Quantization refers to techniques for doing both computations and memory accesses with lower precision data, usually int8 compared to floating point implementations. https://pytorch.org/blog/introduction-to-quantization-on-pytorch/ PYTORCH TUTORIALS: https://pytorch.org/tutorials/#model-optimization