Machine Learning/Data Mining/Big Data

[ML Trainings]: Kaggle Open Images 2019

[ML Trainings]: Kaggle Severstal: Steel Defect Detection

Использование внешней памяти в обучении с подкреплением

Несмотря на блестящие показатели обучения с подкреплением в конкретных средах, текущие подходы печально известны свойством data-inefficiency. К примеру, для обучения агентов игры в Atari требуется десятки тысяч часов игрового времени, в то время как человеку достаточно нескольких часов взаимодействия со средой для выявления непроигрышной стратегии. В настоящее время для оптимизации алгоритмов предлагаются различные подходы: transfer learning, новые методы исследования среды, иерархическое обучение и др. Одним из возможных решений является попытка реализовать аналог гиппокампового участка мозга у человека — части памяти, ответственной за консолидацию долговременных воспоминаний.

На семинаре будут рассмотрены подходы к реализации агентов с аналогом долговременной памяти, архитектурные решения и полученные результаты.

Докладчик: Игорь Кузнецов.

Ссылка на слайды:https://research.jetbrains.org/files/...

Kaggle Recursion Cellular Image Classification — Артем Кравчук

Артем Кравчук рассказывает про соревнование Recursion Cellular Image Classification. Это первое соревнование на Kaggle, в котором он решил серьезно поучаствовать и вместе с командой заработал свою первую серебряную медаль.

ICCV19

ICCV19: Opening Remarks / Awards

ICCV19: Oral Session 1.1 — Award Papers

ICCV19: Oral Session 1.2A — Architectures, Multi-Task Learning, Domain Adaptation

ICCV19: Oral Session 1.2B — Multi-View Geometry, 3D Scene Understanding

Kaggle APTOS 2019 Blindness Detection — Никита Мишуняев

Никита Мишуняев рассказывает про соревнование Kaggle APTOS 2019 Blindness Detection, в котором он заработал серебряную медаль.

Kaggle APTOS 2019 Blindness Detection — Borys Tymchenko

Борис Тимченко рассказывает историю боли и повесть о решениях с Kaggle соревнования APTOS 2019 Blindness Detection.

Theoretical Deep Learning #2: PAC-bayesian bounds. Part3

Theoretical Deep Learning #2: PAC-bayesian bounds. Part4

Theoretical Deep Learning #2: PAC-bayesian bounds. Part5

Модификация функции награды при помощи потенциальных функций

Одним из важных факторов при обучении агента обучения с подкреплением является функция награды. От определения функции награды зависит то, насколько быстро агент научится решать поставленную задачу. Таким образом, модификация функции награды может помочь агенту быстрее найти оптимальную стратегию.
На семинаре мы обсудим потенциальные функции — один из подходов к модификации функции награды.

Докладчик: Олег Свидченко

Ссылка на слайды: https://docs.google.com/presentation/...

Анализ тональности текста рекуррентной нейросетью | Нейросети для анализа текстов

Пример использования простой рекуррентной нейронной сети в TensorFlow для анализа тональности отзывов на фильмы из набора IMDB.

Ноутбук с кодом из демонстрации — https://colab.research.google.com/dri...

Для реализации рекуррентной нейронной сети в TensorFlow и Keras используется слой SimpleRNN.

Логистическая регрессия и построение композиций решающих деревьев. Продвинутый поток.

Kirill Romanov — AutoCV2

3. Библиотека PANDAS. Курс «ВВЕДЕНИЕ В АНАЛИЗ ДАННЫХ» | Технострим

1. Введение в Python. Курс «ВВЕДЕНИЕ В АНАЛИЗ ДАННЫХ» | Технострим

2. Библиотека Numpy. Курс «ВВЕДЕНИЕ В АНАЛИЗ ДАННЫХ» | Технострим

5. Оптимизация в логистической регрессии, метрики классификации: лекция (19.10.19)

5. Логические алгоритмы: семинар (19.10.19)

[BayesGroup Seminar]: Why do neural nets learn and generalize?