Machinelearning

💥 A Single Correspondence Is Enough: Robust Global Registration to Avoid Degeneracy in Urban Environments Github: https://github.com/url-kaist/quatro Video: http://jiataogu.me/style_nerf Paper: https://arxiv.org/abs/2203.06612v1 Dataset: https://paperswithcode.com/dataset/kitti @ai_machinelearning_big_data

Внезапно OK выкатили нейроночку, которая будет чистить комментарии от агрессии и токсичности. Алгоритм будет удалять все призывы к разжиганию ненависти к любой нации. Нейронка будет проверять и текст, и изображения. А всем, кто не успокаивается, дадут «отдохнуть». Запретят оставлять комменты на время и покажут ссылку на правила поведения. Борьба с токсичностью, какой она должна быть.

🗿 StyleNeRF: A Style-based 3D-Aware Generator for High-resolution Image Synthesis Github: https://github.com/facebookresearch/StyleNeRF Video: http://jiataogu.me/style_nerf Paper: https://arxiv.org/abs/2110.08985 Project: http://jiataogu.me/style_nerf/ Dataset: https://github.com/facebookresearch/StyleNeRF#dataset @ai_machinelearning_big_data

♟ Probabilistic Warp Consistency for Weakly-Supervised Semantic Correspondences Github: https://github.com/PruneTruong/DenseMatching Paper: https://arxiv.org/abs/2203.04279v1 Project: https://prunetruong.com/research/warpc Dataset: https://paperswithcode.com/dataset/pf-pascal @ai_machinelearning_big_data

Расскажем про старт карьеры в инженерии данных и что делать, чтобы получить новую профессию. Для кого: -Аналитиков -Разработчиков -Начинающих инженеров данных 11 марта в 19.00 по мск Зарегистрироваться по ссылке

🔲 Kubric A data generation pipeline for creating semi-realistic synthetic multi-object videos Github: https://github.com/google-research/kubric Paper: https://arxiv.org/abs/2203.03570v1 Docs: https://kubric.readthedocs.io/ Dataset: https://github.com/deepmind/multi_object_datasets @ai_machinelearning_big_data

🎓 StyleSDF: High-Resolution 3D-Consistent Image and Geometry Generation Github: https://github.com/royorel/StyleSDF Paper: https://arxiv.org/abs/2112.11427v1 Project: https://stylesdf.github.io/ Dataset: https://paperswithcode.com/dataset/ffhq @ai_machinelearning_big_data

Как выявлять аномалии в разных распределениях с помощью машинного обучения? 🧐 10 марта в 20:00 (мск) пройдет открытый вебинар «Anomaly Detection». Его проведет Артем Васильев, ведущий инженер разработки. С экспертом мы обсудим такие вопросы, как постановка задачи, нахождение аномалий в разных распределениях, SVD-feature extraction, Autoencoder, PaDiM. 🔥 Продолжить получать новые знания вы можете на онлайн-курсе «Компьютерное зрение» для специалистов в сфере Machine Learning, которые хотят специализироваться на компьютерном зрении или систематизировать свои знания. Чтобы участвовать, зарегистрируйтесь 👉 https://otus.pw/lJwn/

⚫️ Beyond 3D Siamese Tracking: A Motion-Centric Paradigm for 3D Single Object Tracking in Point Clouds Github: https://github.com/ghostish/open3dsot Paper: https://arxiv.org/abs/2203.01730v1 Dataset: https://paperswithcode.com/dataset/kitti @ai_machinelearning_big_data

Hello everyone. My name is Andrew and for several years I've been working on to make the learning path for ML easier. I wrote a manual on machine learning that everyone understands - Machine Learning Simplified Book. The main purpose of my book is to build an intuitive understanding of how algorithms work through basic examples. In order to understand the presented material, it is enough to know basic mathematics and linear algebra. After reading this book, you will know the basics of supervised learning, understand complex mathematical models, understand the entire pipeline of a typical ML project, and also be able to share your knowledge with colleagues from related industries and with technical professionals. And for those who find the theoretical part not enough - I supplemented the book with a repository on GitHub, which has Python implementation of every method and algorithm that I describe in each chapter. You can read the book absolutely free at the link below: -> https://themlsbook.com I’ve also started my Instagram page - feel free to subscribe! it’s mostly in Russian but I’ll be posting in English too. -> https://instagram.com/5x12

🎲 Bayesian IRT models in Python Github: https://github.com/nd-ball/py-irt Paper: https://arxiv.org/abs/2203.01282v1 Bayesian IRT: https://m-clark.github.io/models-by-example/bayesian-irt.html @ai_machinelearning_big_data

Яндекс.Практикум — это сервис онлайн-образования, доступный в России и Америке. Мы помогаем людям расти — на работе и в жизни. Если у вас есть знания и опыт в области Data Engineering — вы можете стать ревьюером, который проверяет, оценивает и комментирует самостоятельные работы студентов. Что делает ревьюер? Студенты учатся с помощью онлайн-тренажёра, а также выполняют самостоятельные работы, которые проверяет, оценивает и комментирует команда специалистов. Роль ревьюера в этом процессе очень важна: он проверяет задания студента и даёт обратную связь. Именно ревьюер решает: зачесть задание или нет. Также он даёт советы по улучшению задания, отмечает неточности, указывает на ошибки. Я хочу стать ревьюером. Меня возьмут? Скорее всего — да, если вы: — имеете опыт работы инженером данных, data scientist или аналитиком данных; — умеете работать с SQL, Python, AirFlow, Spark; — умеете доступно объяснять сложные вещи и оценивать чужую работу; — готовы посвящать проекту от 10 часов в неделю; Будет плюсом — Опыт работы с Grafana / MongoDB / ClickHouse / ElasticSearch / LogStash / — Kibana / HDFS / Kafka / Greenplum. Я подхожу. Что вы можете мне предложить? — удаленную работу с частичной занятостью, объём работы определяется индивидуально; — оклад 600 - 1 000 рублей за проверку одной работы; — обучение развивающей коммуникации и грамотному подходу к проверке проектов; — постоянную практику и углубление знаний; — возможность стать частью сообщества аналитиков, делающих образование качественным и доступным; — возможность помочь начинающим специалистам усвоить важные базовые вещи и поверить в себя. Откликнуться по ссылке Контакты: ТГ @HelenaTrishkina, trishkina-ev@yandex-team.ru"

💥 Local and Global GANs with Semantic-Aware Upsampling for Image Generation Github: https://github.com/Ha0Tang/LGGAN Paper: https://arxiv.org/abs/2203.00047v1 Dataset: https://paperswithcode.com/dataset/cityscapes @ai_machinelearning_big_data

🔥 Быстрая проверка гипотез — это одна из главных стратегий, способных сделать стартап успешным. Она позволяет чаще получать обратную связь от инвесторов за счет возможности быстро разрабатывать простые прототипы сервисов, частично реализующих функционал проекта. 👉 Как быстро прототипировать сервисы, использующие глубокое обучение? 📌 В OTUS, 24 марта в 20:00 (мск), в рамках онлайн-курса «MLOps» состоится бесплатный вебинар для тех, кто занимается машинным обучением. На занятии с практикующем преподавателем мы рассмотрим полный цикл разработки прототипа ML-сервиса, начиная от обучения модели на собранном датасете, заканчивая развертыванием его в виде web-приложения. ✅ Чтобы зарегистрироваться на встречу, пройдите вступительный тест - https://otus.pw/fnPp/

👁 Visual Attention Network (VAN) Github: https://github.com/Visual-Attention-Network/VAN-Classification Paper: https://arxiv.org/pdf/2202.09741.pdf Dataset: https://paperswithcode.com/dataset/ade20k @ai_machinelearning_big_data

☑️ One-shot Affordance Detection Github: https://github.com/lhc1224/OSAD_Net Paper: https://arxiv.org/abs/2202.12076v1 Dataset: https://paperswithcode.com/dataset/pad @ai_machinelearning_big_data

🔥 The Complete Collection of Data Science Cheat Sheets https://www.kdnuggets.com/2022/02/complete-collection-data-science-cheat-sheets-part-2.html @ai_machinelearning_big_data

Coverage-Guided Tensor Compiler Fuzzing with Joint IR-Pass Mutation Github: https://github.com/tzer-anonbot/tzer Docs: https://tzer.readthedocs.io/en/latest/markdown/artifact.html Paper: https://arxiv.org/abs/2202.09947v1 @ai_machinelearning_big_data

Как выявлять аномалии в разных распределениях с помощью машинного обучения? 🧐 10 марта в 20:00 (мск) пройдет открытый вебинар «Anomaly Detection». Его проведет Артем Васильев, ведущий инженер разработки. С экспертом мы обсудим такие вопросы, как постановка задачи, нахождение аномалий в разных распределениях, SVD-feature extraction, Autoencoder, PaDiM. 🔥 Продолжить получать новые знания вы можете на онлайн-курсе «Компьютерное зрение» для специалистов в сфере Machine Learning, которые хотят специализироваться на компьютерном зрении или систематизировать свои знания. Чтобы участвовать, зарегистрируйтесь 👉 https://otus.pw/uoaT/

💻 Instant Neural Graphics Primitives with a Multiresolution Hash Encoding Github: https://github.com/nvlabs/instant-ngp HashNeRF-pytorch: https://openvinotoolkit.github.io/anomalib/ Paper: https://arxiv.org/abs/2201.05989v1 @ai_machinelearning_big_data