Machine Learning/Data Mining/Big Data — TechCave

Машинное обучение (англ Machine Learning) — обширный подраздел искусственного интеллекта, математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа, и извлекающа

Machine Learning/Data Mining/Big Data

Машинное обучение (англ Machine Learning) — обширный подраздел искусственного интеллекта, математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа, и извлекающая знания из данных.

Data Mining (рус. добыча данных, интеллектуальный анализ данных, глубинный анализ данных) — собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Стена группы

Загрузка...
2 месяца назад
#

Data Fest 5 — Зал Space — Запись трансляции


11:00-12:45 — PyData
Практика Python на актуальных Data Science задачах и свежих ML библиотеках:

1. Кукушкин Александр, Лаборатория Александра Кукушкина: «Наташа» — библиотека для извлечения структурированной информации из текстов на русском языке
2. Кожевин Алексей, ДИТ: RadIO и CardIO — библиотеки для распознавания медицинских изображений
3. Ершов Василий, Яндекс: CatBoost — как и зачем обучать градиентный бустинг на GPU

13:00-14:30 — BigARTM workshop
Как начать анализировать текст и строить тематические модели:

1. Константин Воронцов (МФТИ): Тематическое моделирование в BigARTM: новые возможности
Анастасия Янина (МФТИ): Иерархические тематические модели для разведочного поиска
2. Николай Скачков (МГУ): Тематическая сегментация текста
Илья Жариков (МФТИ): Гиперграфовые тематические модели транзакционных данных
3. Геннадий Штех (naumen.ru): Как BigARTM помогает составлять плей-листы
4. Арина Агеева (sever.ai): Как BigARTM помогает отбирать релевантных кандидатов по резюме

15:30-17:30 — DeepBayes workshop
Разбор последних статей и Deep Learning проектов от группы Байесовских Методов:

1. Гадецкий Артём, Higher School of Economics: Обусловленные генераторы определений слов
2. Полыковский Даниил, Insilico Medicine, Moscow State University: Применение глубинного обучения для поиска лекарств
3. Молчанов Дмитрий, Samsung AI Research: Дисперсионные сети
4. Ашуха Арсений, University of Amsterdam, Samsung AI Research: Вариационный дропаут для разреживания нейронных сетей
5. Чиркова Надежда, Higher School of Economics, Samsung-HSE laboratory: Байесовское разреживание рекуррентных нейронных сетей
6. Атанов Андрей, Higher School of Economics, Samsung-HSE laboratory: Стохастический батчнорм для оценки неопределенности
7. Иванов Олег, Lomonosov Moscow State University: Нейробайесовское восстановление пропущенных данных
8. Новиков Александр, Higher School of Economics, Samsung-HSE laboratory: Тензорные разложения и их использование в машинном обучении
9. Кузнецов Максим, HSE/Skoltech, Insilico Medicine: Тензорный взгляд на дискретные вариационные автоэнкодеры
10. Кропотов Дмитрий, Lomonosov Moscow State University: Методы оптимизации и сэмплирования для нейросетей через K-FAC

17:45-19:15 — True story case-club
Разбор реальных кейсов, как и с какими результатами ML помогает бизнесу:

1. Александр Ульянов, Сбербанк: Управление наличностью в банкоматах и офисах
Роман Чеботарев, Zyfra: Оптимизация производства холода в пустыне
2. Александр Фонарев, Rubbles: Рассылка персональных сообщений физ-лицам клиентам банка
3. Павел Нестеров, ODS.ai: Проведение A/B теста в оффлайн ритейле
4. Алексей Чернобровов: Персонализация скидок в интернет-магазине
5. Всеволод Викулин, Mail.Ru Group: Необычные рекомендации для Pandao.ru

19:30-21:00 — DS in E-sports
Все что вам нужно знать о киберспорте, а также как и кому в нем нужен Data Science:

1. Возняк Иван, Mail.Ru Group: взгляд организатора
2. Романов Алексей, Лига Легенд: взгляд комментатора
3. Литвяков Борис, Team Spirit: кейс с тренировкой команды CS:GO
4. Кирилл Чуваков, GOSU.ai: вводное про eSports, взгляд игрока
Ромов Петр, GOSU.ai: обзор доступных данных и ML-соревнований

Загрузка...
2 месяца назад
#

Персонализируй это. Отчёт с Avito Data Science Meetup: Personalization



Всем привет! Публикуем отчёт с митапа Avito Data Science Meetup: Personalization, который проходил у нас в офисе. Участники обсуждали моделирование пользовательских предпочтений в мультимодальных данных и кластеризацию волатильных объявлений с помощью EM-алгоритма. Под катом — видеозаписи, презентации, ссылка на фотоотчёт.





Источник
Загрузка...
2 месяца назад
#

Ассоциативные правила, или пиво с подгузниками





Введение в теорию

Обучение на ассоциативных правилах (далее Associations rules learning — ARL) представляет из себя, с одной стороны, простой, с другой — довольно часто применимый в реальной жизни метод поиска взаимосвязей (ассоциаций) в датасетах, или, если точнее, айтемсетах (itemsests). Впервые подробно об этом заговорил Piatesky-Shapiro G
[1] в работе “Discovery, Analysis, and Presentation of Strong Rules.” (1991) Более подробно тему развивали Agrawal R, Imielinski T, Swami A в работах “Mining Association Rules between Sets of Items in Large Databases” (1993)
[2] и “Fast Algorithms for Mining Association Rules.” (1994)
[3].

Источник
Загрузка...
2 месяца назад
#

Конференция SMARTRHINO-2018



26 апреля в НОЦ ИБ МГТУ им.Баумана пройдет конференция для студентов SMARTRHINO-2018. Конференция будет посвящена 4 направлениям:



— Kotlin
— Реверс-инжиниринг
— Best Practices
— Machine Learning



Спикеры конференции — ведущие сотрудники Компании ИНФОРИОН. Активные участники получат ценные призы.



Подрорбная информация о спикарах и программе конференции представлена на сайте. Актуальная информация — в группе Telegram.



image



Источник
Загрузка...
2 месяца назад
#

Data Fest 2018: анонс и регистрация



image

Друзья, приглашаем вас на пятый московский Data Fest, который состоится 28 апреля на территории дизайн-завода FLACON. Data Fest — крупнейшая бесплатная конференция для исследователей, инженеров и разработчиков, связанных с анализом и обработкой данных, машинным обучением, а также тем, что пресса любит называть AI.

Вы узнаете про AI в продуктах Mail.Ru Group и «умные» ответы в Почте Mail.Ru, как работают рекомендации и компьютерное зрение во ВКонтакте и Одноклассниках, а также машинный перевод в Alibaba и что такое Quantum Machine Learning, а также многое-многое другое!

Источник
Загрузка...
2 месяца назад
#

Automatic Speech Recognition, Илья Едренкин


Загрузка...
2 месяца назад
#

DeblurGAN: Conditional Adversarial Networks for Blind Image Deblurring, Орест Купин


Загрузка...
3 месяца назад
#

More Complex Math with Deep Learning — Unconventional Neural Networks p.11


Загрузка...
3 месяца назад
#

Анализ признаков, извлеченных нейросетью | Глубокие нейронные сети на Python


Классифицируем изображения с помощью признаков, извлеченных глубокой нейронной сетью.
Страница курса — https://www.asozykin.ru/courses/nnpython

Рассматриваем подход, который позволяет применять предварительно обученные нейронные сети для решения своих задач при ограниченных вычислительных ресурсах.

Предварительно обученная нейронная сеть используется для того, чтобы извлечь признаки из набора изображений. Затем выполняется классификация признаков, а не исходных изображений, что значительно быстрее.

Рассматривается пример анализа признаков для распознавания котов и собак на изображениях с помощью Keras и сети VGG16.

Загрузка...
3 месяца назад
#

Data&Science: управление проектами — Запись трансляции


На конференциях Data & Science эксперты по работе с большими данными рассказывают об их применении в науке, экономике и других сферах жизни. В этот раз речь пойдёт о бизнесе.

На конкретных примерах мы рассмотрим жизненный цикл проектов data science, поговорим о тонкостях реализации и проблеме аргументации результатов заказчику, затронем тему найма и оценки специалистов и обсудим различные форматы ведения data science проектов.

Мероприятие предназначено для разработчиков решений data science и для людей из бизнеса, которые сотрудничают с дата-исследователями, управляют проектами и инвестируют в них.

ПРОГРАММА:
13:00-13.30 Жизненный цикл коммерческого ML-проекта
Александр Белугин, ФКН ВШЭ
13:30-14.00 Fix Price, T&M или Success Fee — что выбрать для своего data science проекта
Роман Чеботарев, Theta Data Solutions
14:15 — 14.45 Как не работать в стол: управление проектами с высокой ценой ошибки
Алексей Арустамов, Loginom Company (ex. BaseGroup Labs)
14:45 — 15.10 Нужно ли специалисту data science становиться ML-инженером?
Андрей Белов, Яндекс

Загрузка...
3 месяца назад
#

Deep Dream Frames- Unconventional Neural Networks p.8



Deep Dream Video- Unconventional Neural Networks p.9


Загрузка...
3 месяца назад
#

Почта Mail.Ru проведет первый ML-хакатон SmartMail Hack 2018





Почта Mail.Ru анонсирует свой первый официальный хакатон SmartMail Hack 2018 по машинному обучению. Мероприятие для студентов IT-специальностей пройдет с 20 по 22 апреля в московском офисе Mail.Ru Group.



Источник
Загрузка...
3 месяца назад
#

Deep Dream — Unconventional Neural Networks p.7


Загрузка...
3 месяца назад
#

Как пользователи учат Яндекс предупреждать о телефонном спаме



С телефонным спамом знакомы все, кто засветил свой номер в интернете, заполнил сомнительную анкету в офлайне или кому просто не повезло попасть в многочисленные базы. Сегодня мы расскажем читателям Хабрахабра о том, как с помощью отзывов пользователей и машинного обучения мы научили приложение Яндекс предупреждать о нежелательных звонках.



Звонки с незнакомых номеров – это всегда тяжелый выбор. Звонит ли это долгожданный курьер или очередной оператор с «уникальным» рекламным предложением? Для решения этой проблемы существуют мобильные приложения, которые работают на базе справочников известных организаций. Отчасти они решают проблему. Но наиболее агрессивные спамеры, сомнительные коллекторы и злоумышленники в такие базы не попадают. Что делать?

Источник
Загрузка...
3 месяца назад
#

Generative adversarial networks



В
прошлой статье мы рассмотрели простейшую линейную генеративную модель PPCA. Вторая генеративная модель, которую мы рассмотрим — Generative Adversarial Networks, сокращенно GAN. В этой статье мы рассмотрим самую базовую версию этой модели, оставив продвинутые версии и сравнение с другими подходами в генеративном моделировании на следующие главы.



Источник
Загрузка...
9 10 12 13

Авторизация

Пользователи

stopresniebots1983
tekino
templide
Seangle
Галя Рубцова
Ольга Телюкова
Zhenya
Лариса Аксиненко
Dmitry Loginov