Machinelearning

❓Какие инструменты должен знать специалист по работе с большими данными и машинному обучению? Узнайте 1 декабря в 20:00 на Demo day онлайн-курса «MLOps» от OTUS. Курс разработан совместно со Сбером. ✨Преподаватель представит программу и формат обучения, а также поделится свои карьерным опытом. А вы сможете задать вопросы об инструментах и технологиях работы с большими данными эксперту. 👉Регистрируйтесь на мероприятие и готовьте свои вопросы https://otus.pw/37L4

🌍 TorchGeo is a PyTorch domain library, similar to torchvision, that provides datasets, transforms, samplers, and pre-trained models specific to geospatial data. Github: https://github.com/microsoft/torchgeo Paper: https://arxiv.org/abs/2111.08872v1 Dataset: https://paperswithcode.com/dataset/so2sat-lcz42 Documentation: https://github.com/microsoft/torchgeo#documentation @ai_machinelearning_big_data

DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing Github: https://github.com/microsoft/DeBERTa Explanation: https://www.youtube.com/watch?v=_c6A33Fg5Ns&ab_channel=YannicKilcher Paper: https://arxiv.org/abs/2111.09543v1 Dataset: https://paperswithcode.com/dataset/squad Documentation: https://deberta.readthedocs.io/en/latest/ @ai_machinelearning_big_data

Привет! Команда Cameos ищет крутого ML разработчика в лондонский офис Snapchat. Вас ожидают state-of-the-art computer vision задачи (https://www.thesun.co.uk/tech/13383120/snapchat-rolls-out-cartoon-lens/). Полагаются все плюшки работы в большой компании, при этом мы еще сохраняем дух стартапа внутри (компания AI Factory была недавно куплена Snap). Через год возможен relocation в Лос-Анджелес 😎🌴 Желающие попробовать свои силы пишите @akovalenko7

🧊 GANformer: Generative Adversarial Transformers Github: https://github.com/pengzhiliang/MAE-pytorch Paper: https://arxiv.org/abs/2111.08960 Dataset: https://paperswithcode.com/dataset/coco @ai_machinelearning_big_data

📶 Word Embeddings Transformers In SVM Classifier Using Python https://www.nbshare.io/notebook/197284676/Word-Embeddings-Transformers-In-SVM-Classifier-Using-Python/ @ai_machinelearning_big_data

18 ноября в 11:00 МСК состоится вебинар «Бесплатная оптимизация ИИ-моделей на базе ML Space с помощью Intel®️ oneAPI». Эксперт облачного провайдера услуг и сервисов SberCloud Владимир Новоженов расскажет об инструментах Intel oneAPI — OpenVino на облачной платформе ML Space, ставших теперь доступными для физических лиц, и продемонстрирует, как с их помощью оптимизировать ИИ-модели. Также вы узнаете, где получить бесплатный доступ к инструментам Intel oneAPI на платформе ML Space. Intel oneAPI Toolkits – это набор инструментов для разработки приложений под различные архитектуры: CPU, GPU, FPGA и другие. В состав набора входит компилятор языка Data Parallel C++, библиотеки для API-программирования и комплект средств для анализа и отладки приложений. Intel oneAPI обеспечивает разработчикам продуктивное и производительное гетерогенное программирование. Присоединяйтесь! Будет интересно и полезно: https://sbercloud.ru/ru/warp/webinar?id=9657285

🔄 Unofficial PyTorch implementation of Masked Autoencoders Are Scalable Vision Learners Github: https://github.com/pengzhiliang/MAE-pytorch Paper: https://arxiv.org/abs/2111.06377 Pytorch: https://github.com/lucidrains/vit-pytorch Dataset: https://paperswithcode.com/dataset/ade20k @ai_machinelearning_big_data

Must have для каждого специалиста по машинному обучению! Последняя в этом году практическая группа по «Machine Learning. Advanced» старт уже 29 ноября. Приглашаем вас на бесплатный 2-х дневный интенсив: ⌛️22-23 ноября в 20:00 (мск) «Деплой ml модели: от грязного кода в ноутбуке к рабочему сервису» от OTUS и Сбер: https://otus.pw/9wGG/ Ответьте на 10 вопросов и проверьте свой уровень знаний. Пройдите вступительный тест на онлайн-курс, чтобы определить подойдет ли вам сложность курса, и успейте словить бонусную скидку.

📌 Dense Unsupervised Learning for Video Segmentation Github: https://github.com/visinf/dense-ulearn-vos Paper: https://openreview.net/pdf?id=i8kfkuiCJCI Video: https://www.youtube.com/watch?v=BqVtZJSLOzg&ab_channel=VisualInference Dataset: https://paperswithcode.com/dataset/davis-2017 @ai_machinelearning_big_data

🏡 AlphaGardenSim The simulator implements a custom OpenAI gym reinforcement learning environment for this polyculture farming setup. Github: https://github.com/berkeleyautomation/alphagarden Paper: https://arxiv.org/abs/2111.06014v1 Project: https://rieff.jacksonchui.ai/ @ai_machinelearning_big_data

⚡️ Как обучить нейросеть объяснять себе задачу Яндекс внедрил метод P-tuning для языковой модели YaLM, который проще традиционных подходов и требует меньше ресурсов. Хорошего качества с ним можно добиться, обучая всего 40 тысяч параметров из трех миллиардов — такая модель в итоге опережает даже тысячекратно более трудоемкие решения. https://habr.com/ru/company/yandex/blog/588214/

👁‍🗨 OCR Post Correction for Endangered Language Texts Github: https://github.com/shrutirij/ocr-post-correction Paper: https://arxiv.org/abs/2111.02622v1 Docs: https://shrutirij.github.io/ocr-el/ @ai_machinelearning_big_data

Создайте свою первую нейросеть за 10 дней Благодаря машинному обучению нам доступны чудеса вроде распознавания лиц, написания песен в стиле «Гражданской обороны» и картин в духе Рембрандта. Создать свою собственную нейросеть реально — и не только для опытных дата-сайентистов. Вы тоже можете попробовать. На бесплатном курсе Нетологии «Искусственный интеллект: создайте свою первую нейросеть» вы узнаете, как устроены нейросети и в каких сферах они применяются, а также самостоятельно обучите до 4-х математических моделей. Мир Data Science и искусственного интеллекта — доступнее, чем кажется. Убедитесь в этом сами ↓ https://netolo.gy/hdO

⚡️ Alias-Free Generative Adversarial Networks (StyleGAN3) Github: https://github.com/pdillis/stylegan3-fun Paper: https://arxiv.org/abs/2111.02175v1 Dataset: https://paperswithcode.com/dataset/ffhq @ai_machinelearning_big_data

📏 OpenPrompt: An Open-source Framework for Prompt-learning Github: https://github.com/thunlp/OpenPrompt Paper: https://arxiv.org/abs/2111.01998v1 @ai_machinelearning_big_data

16 ноября⚡️INTERCOM’21⚡️ Ежегодная конференция о главных коммуникационных технологиях для бизнеса В этом году INTERCOM объединит представителей крупного бизнеса и ведущих IT-компаний, чтобы обсудить, как искусственный интеллект и машинное обучение меняют глобальный бизнес-ландшафт. В программе: опыт таких ведущих компаний, как NVIDIA, Сбeр, Yandex GO, IDC, Битрикс24 и многих других, а также тренды и прогнозы. Конференция пройдёт онлайн 💻 Регистрируйтесь, записывайте в свои календари и готовьтесь слушать крутые, интересные выступления и интервью! Участие: бесплатное Регистрация по ссылке: https://bit.ly/3mxeUiR До встречи на INTERCOM’21 👋🏼

🎯 Bayes-Newton Methods for Approximate Bayesian Inference with PSD Guarantees Github: https://github.com/AaltoML/BayesNewton Paper: https://arxiv.org/abs/2111.01721v1 @ai_machinelearning_big_data

Что прямо сейчас происходит в российских компьютерных науках? Канал «Русские норм!» поговорил с учеными из Яндекса и узнал, насколько хорошо нейросети рисуют логотипы и пишут шансон и какие нюансы нужно учесть, чтобы запустить беспилотники на улицы. Чему сейчас учат искусственный интеллект? Что такое графы и как их используют в современных приложениях? Что мешает роботам ориентироваться в реальном мире и можем ли мы им помочь? Актуальное о Machine Learning и нейросетях — смотрите в выпуске «Ученые норм!».

🖼 StudioGAN is a Pytorch library providing implementations of representative Generative Adversarial Networks (GANs) for conditional/unconditional image generation. Github: https://github.com/POSTECH-CVLab/PyTorch-StudioGAN Paper: https://arxiv.org/abs/2111.01118v1 Dataset: https://paperswithcode.com/dataset/cifar-10 @ai_machinelearning_big_data