Machine Learning/Data Mining/Big Data

Signate Cigarette Pack Recognition — Николай Сергиевский

Николай Сергиевский рассказывает про опыт участия в соревновании Cigarette Pack Recognition на японской платформе Signate. Николай занял второе место. Из видео вы сможете узнать:
— Описание соревнования по распознаванию сигаретных пачек на полках
— Описание решения второго места
— Как выстроить решение для задачи детектирования, классификации и embedding
— Трюки, которые помогают занимать призовые места

Kaggle iMet Collection 2019 — FGVC6 — Дмитрий Кустиков

Дмитрий Кустиков рассказывает на английском языке про соревнование Kaggle iMet Collection 2019 — FGVC6, в котором он получил серебро. Из видео вы сможете узнать:
— Описание данных и задачи соревнования, интересные факты
— Алгоритм решения соревнования по компьютерному зрению для получения высокого места
— Сравнение с решением, занявшим первое место
— Советы для начинающих: как лучше оформить свой код для соревнований kernel-only типа

Массивный набор трёхмерных данных помогает роботам разбираться в устройстве вещей

PartNet – новая семантическая база данных повседневных объектов, выводящая степень понимания роботами окружающего мира на новый уровень



В базе содержится не менее 26 671 3D-модели из 24 категорий объектов, каждая из которых снабжена подробной трёхмерной информацией.

Одна из способностей человека, позволяющих нам так хорошо адаптироваться к окружающему миру, состоит в возможности понимать разные вещи сразу категориями целиком, а потом использовать это обобщённое понимание, чтобы разбираться с какими-то конкретными вещами, которые нам раньше не встречались. Представьте себе, например, лампу. Никто не видел все существующие в мире лампы. Но в большинстве случаев мы, впервые входя в новый дом, легко сможем найти всех имеющиеся там лампы, и понять, как они работают. Конечно, иногда мы сможем встретить что-то
очень странное, что вынудит нас спросить: «Ого, это что, лампа? А как её включать?» Но в большинстве случаев наша обобщённая ментальная модель лампы спасает нас.

Источник

Интерпретируемая модель машинного обучения. Часть 1

Всем привет. До старта курса «Machine Learning» остается чуть больше недели. В преддверии начала занятий мы подготовили полезный перевод, который будет интересен как нашим студентам, так и всем читателям блога. Начнем.




Пора избавиться от черных ящиков и укрепить веру в машинное обучение!

В своей книге
“Interpretable Machine Learning” Кристоф Мольнар прекрасно выделяет суть интерпретируемости Машинного Обучения с помощью следующего примера: Представьте, что вы эксперт Data Science, и в свободное время пытаетесь спрогнозировать куда ваши друзья отправятся в отпуск летом, основываясь на их данных из facebook и twitter. Итак, если прогноз окажется верным, то ваши друзья будут считать вас волшебником, который может видеть будущее. Если прогнозы будут неверны, то это не принесет вреда ничему, кроме вашей репутации аналитика. Теперь представим, что это был не просто забавный проект, а к нему были привлечены инвестиции. Скажем, вы хотели инвестировать в недвижимость, где ваши друзья, вероятно, будут отдыхать. Что произойдёт, если предсказания модели будут неудачными? Вы потеряете деньги. Пока модель не оказывает существенного влияния, ее интерпретируемость не имеет большого значения, но когда есть финансовые или социальные последствия, связанные с предсказаниями модели, ее интерпретируемость приобретает совершенно другое значение.

Источник

Reinforcement Learning Agent — Self-driving cars with Carla and Python p.4

Kaggle PetFinder.my Adoption Prediction — Глеб Баянов

леб Баянов рассказывает про опыт участия в соревновании Kaggle PetFinder.my Adoption Prediction, в котором он заработал серебро. Из видео вы сможете узнать:
— Про особенности kernel соревнования
— Подробности решения и как удалось найти качественные внешние данные
— Какие подходы выглядели многообещающими, но в итоге не сработали
— Интересное решение девятого места

Kaggle iMet Collection 2019 — FGVC6 — Дмитрий Кустиков

Дмитрий Кустиков рассказывает на английском языке про соревнование Kaggle iMet Collection 2019 — FGVC6, в котором он получил серебро. Из видео вы сможете узнать:
— Описание данных и задачи соревнования, интересные факты
— Алгоритм решения соревнования по компьютерному зрению для получения высокого места
— Сравнение с решением, занявшим первое место
— Советы для начинающих: как лучше оформить свой код для соревнований kernel-only типа

КАК ОБМАНУТЬ НЕЙРОСЕТИ

Безопасно ли использовать нейросети в беспилотных автомобилях, как их можно обмануть. Как перехитрить нейронные сети Google или обыграть ботов от OpenAi. Попробуем поразмыслить на эту тему.

Keras Tuner — автоматическая оптимизация гиперпараметров нейросети | Нейросети на Python

Демонстрация использования Keras Tuner для подбора гиперпараметров нейронной сети, которые обеспечивают лучшее качество работы. Курс «Программирование нейросетей на Python» — https://www.asozykin.ru/courses/nnpython

Keras Tuner — https://github.com/keras-team/keras-t...

Ноутбук в Colab, который используется в видео — https://colab.research.google.com/dri...

О чем не расскажешь на ML тренировке — Артур Кузин

Артур Кузин рассказывает о том, о чём бы он не рассказал на ML тренировке (доклад секции Black ML, Data Fest⁶). Из видео вы сможете узнать различные истории из соревнований и хакатонов, из-за которых и родилась идея создание Black ML секции.

Kaggle Freesound Audio Tagging 2019 — Ilya Larchenko

1 августа 2019 года в офисе Авито прошла встреча сообщества ML тренировок.

С докладами выстуали участники последних соревнований на Kaggle, International Data Analysis Olympiad и Signate — они рассказали, какие техники и методы использовали в решениях они сами, а какие помогли их конкурентам.

International Data Analysis Olympiad 2019 | Илья Иваницкий, Авито | ML Trainigs

Kaggle Freesound Audio Tagging 2019 (eng) | Илья Ларченко | ML Trainings

Signate. Соревнование по распознаванию сигаретных пачек | Николай Сергиевский | ML Trainigs

Kaggle LANL Earthquake Prediction | Алексей Могильников | ML Trainings

Тренировка по машинному обучению 10 августа 2019

Тренировка по машинному обучению – это открытый митап, на который мы приглашаем участников соревнований по анализу данных, чтобы познакомиться, рассказать про задачи, обменяться опытом участия и пообщаться.

С докладами выступают успешные участники последних соревнований на Kaggle и других платформах — рассказывают о своих решениях: какие техники и методы использовали они сами, а какие помогли их конкурентам.

В программе 10 августа:

Юрий Болконский, Геннадий Штех, Николай Прокопцев — Kaggle Jigsaw Unintended Bias in Toxicity Classification (eng)

Денис Смирнов — Crowdanalytix Propensity to Fund Mortgages (ru)

Сергей Брянский — Kaggle Instant Gratification (ru)

Programming Autonomous self-driving cars with Carla and Python

Kaggle Airbus Ship Detection Challenge — Константин Гаврильчик, Евгений Кононенко

Константин Гаврильчик и Евгений Кононенко рассказывают про соревнование Kaggle Airbus Ship Detection Challenge, где они заняли первое место. Задача заключалась в детектировании кораблей на спутниковых снимках.

Из видео вы сможете узнать:

— Про лик и почему соревнование было перезапущено

— Стратегию валидации, как готовились данные для моделей

— Подробности решения первого места

— Какие подходы не сработали