Основы в Data Science и Big Data.
На русском.
Издатель https://www.piter.com/collection/all/product/osnovy-data-science-i-big-data-python-i-nauka-o-dannyh
Купить http://www.ozon.ru/context/detail/id/139191940/
На русском.
Издатель https://www.piter.com/collection/all/product/osnovy-data-science-i-big-data-python-i-nauka-o-dannyh
Купить http://www.ozon.ru/context/detail/id/139191940/
Data Science
Новый адаптивный курс на Stepic (eng)
Для обучения используют Julia (https://julialang.org/)
Right now Stepik is developing an adaptive learning engine which chooses content for each learner individually and give everyone individual learning path. In this course you can try out this adaptive engine and learn Data Science.
The course consists of the best lessons that were submitted for the Stepik Contest. That's why we invite all students not only learn, but also evaluate the recommended lessons. If you like or dislike lessons use the buttons on the bottom of the lesson to show that.
https://stepik.org/course/Stepik-Contest-Data-Science-2607/
Новый адаптивный курс на Stepic (eng)
Для обучения используют Julia (https://julialang.org/)
Right now Stepik is developing an adaptive learning engine which chooses content for each learner individually and give everyone individual learning path. In this course you can try out this adaptive engine and learn Data Science.
The course consists of the best lessons that were submitted for the Stepik Contest. That's why we invite all students not only learn, but also evaluate the recommended lessons. If you like or dislike lessons use the buttons on the bottom of the lesson to show that.
https://stepik.org/course/Stepik-Contest-Data-Science-2607/
How to Generate Images with Tensorflow (LIVE)
https://www.youtube.com/watch?v=iz-TZOEKXzA&feature=em-lss
https://www.youtube.com/watch?v=iz-TZOEKXzA&feature=em-lss
Food Classification with Deep Learning in Keras / Tensorflow
https://github.com/stratospark/food-101-keras
http://blog.stratospark.com/deep-learning-applied-food-classification-deep-learning-keras.html
https://github.com/stratospark/food-101-keras
http://blog.stratospark.com/deep-learning-applied-food-classification-deep-learning-keras.html
Библиотеки для глубокого обучения: Keras
Изначально Keras вырос как удобная надстройка над Theano. Отсюда и его греческое имя — κέρας, что значит "рог" по-гречески, что, в свою очередь, является отсылкой к Одиссее Гомера. Хотя, с тех пор утекло много воды, и Keras стал сначала поддерживать Tensorflow, а потом и вовсе стал его частью. Впрочем, наш рассказ будет посвящен не сложной судьбе этого фреймворка, а его возможностям. Если вам интересно, добро пожаловать под кат.
https://habrahabr.ru/company/ods/blog/325432/
Изначально Keras вырос как удобная надстройка над Theano. Отсюда и его греческое имя — κέρας, что значит "рог" по-гречески, что, в свою очередь, является отсылкой к Одиссее Гомера. Хотя, с тех пор утекло много воды, и Keras стал сначала поддерживать Tensorflow, а потом и вовсе стал его частью. Впрочем, наш рассказ будет посвящен не сложной судьбе этого фреймворка, а его возможностям. Если вам интересно, добро пожаловать под кат.
https://habrahabr.ru/company/ods/blog/325432/
LabelImg - оболочка для разметки датасета с изображениями.
It is written in Python and uses Qt for its graphical interface.
Annotations are saved as XML files in PASCAL VOC format, the format used by ImageNet.
https://github.com/tzutalin/labelImg
demo: https://www.youtube.com/watch?v=p0nR2YsCY_U&feature=youtu.be
It is written in Python and uses Qt for its graphical interface.
Annotations are saved as XML files in PASCAL VOC format, the format used by ImageNet.
https://github.com/tzutalin/labelImg
demo: https://www.youtube.com/watch?v=p0nR2YsCY_U&feature=youtu.be
Find-Object
Simple Qt interface to try OpenCV implementations of SIFT, SURF, FAST, BRIEF and other feature detectors and denoscriptors.
http://introlab.github.io/find-object/
Simple Qt interface to try OpenCV implementations of SIFT, SURF, FAST, BRIEF and other feature detectors and denoscriptors.
http://introlab.github.io/find-object/