Открытый курс машинного обучения. Композиции: бэггинг, случайный лес
Это пятая статья из серии, которая посвящена простым методам композиции: бэггингу и случайному лесу. А вообще, рекомендуем ознакомиться со всей серией!

#статьядня

http://clc.am/t9JRUA

​​Python и машинное обучение
Автор: Себастьян Рашка

Книга идеально подходит для тех, кто хочет погрузиться в мир прогнозной аналитики и машинного обучения. Охватывается широкий круг мощных библиотек Python, в том числе scikit-learn, Theano и Keras.

#книгадня

Скачать книгу на русском по ссылке: https://news.1rj.ru/str/progbook/55

Искусственный интеллект и всё, о чем вы боялись спросить
Доступно рассказываем, что такое искусственный интеллект, и какие подводные камни ждут в процессе погружения в данную отрасль.

#статьядня

https://prglb.ru/a48c

Deep Learning: 15 лучших книг по глубинному обучению

Интересуетесь нейросетями и машинным обучением? Собрали подборку из 15 книг по глубинному обучению, которые помогут освоить эти технологии.

https://prglb.ru/5b5cq

Data Science за 3 месяца: эффективный учебный план

Data Science за 3 месяца? В своем ли мы уме? Вполне. Расскажем, как стать аналитиком данных за 12 недель по курсам Microsoft и др.

https://prglb.ru/23qrk

TensorFlow умер. Да здравствует TensorFlow 2.0!

Вышло долгожданное обновление фреймворка машинного обучения – TensorFlow 2.0. Что же предлагают разработчики Google в альфа-версии?

https://prglb.ru/32sl8

​​В Data Studio появилась поддержка динамических параметров в SQL-запросах при подключении к BigQuery. Теперь отчеты могут динамически обновляться без редактирования источников данных.

via @BigQuery

Неплохой обзор Yandex DataLens. Коннекторов пока немного, но, наверное, все впереди. Но вот интересно, Яндекс и Гугл продолжат делать вид, что оппонента не существует?

http://bit.ly/2Xyd9q0

#yandexdatalens

Гайд для погружения в машинное обучение: https://foobar167.github.io/page/vvedeniye-v-mashinnoye-obucheniye-i-iskusstvennyye-neyronnyye-seti.html

И еще: https://vas3k.ru/blog/machine_learning/

Обзор возможностей и методов разработки с SciPy 1.0 и некоторых последних технических улучшений.

https://www.nature.com/articles/s41592-019-0686-2

У гугла есть такой продукт, Cloud Vision API - эта штука позволяет сторонним разработчикам распознать содержимое картинки. По сути это доступ к обученной гуглом нейронной сети, которая размечает тегами фотографию, говоря что на ней самолет, пляж, и с вероятностью 84 процента по пляжу бежит собака.

Так вот, вчера разработчики разослали предупреждение, что Cloud Vision API больше не будет навешивать тэги "мужчина" или "женщина" на фотографии людей, потому что, цитирую "невозможно определить пол человека исключительно по его внешнему виду". Решение крайне интересное, теперь если вы хотите вернуться к традиционному определению пола и возраста с использованием Cloud Vision API, придется делать это как живым людям - например предполагая что если на человеке есть тэг "платье" - вероятно это женщина.

https://www.businessinsider.com/google-cloud-vision-api-wont-tag-images-by-gender-2020-2?op=1

Алгоритмическое детектирование голого тела и в особенности его интимных частей — задача не новая, поисковики давно ей занимались, чтобы в выдаче картиночного поиска “семейные” фильтры давили всё мало-мальски порнушное.
Но вот японцы пошли дальше, да и уровень развития нейросеток им помог: они выпустили смартфон, который просто не позволит сделать эротическое селфи (заблокирует камеру), а если как-то удастся успеть сфоткать неприличности — то не позволит их отправить. Более того, он нажалуется родителям, отправив им предупреждение о том, что и где их чадо сфоткало — ибо этот телефон, конечно, предназначен для детишек и их защиты от злоумышленников.
Правда, зная современных детишек, я полагаю, что среди них найдутся те, которые сочтут делом чести взломать и обдурить эту защиту ;)

https://gizmodo.com/this-japanese-smartphone-uses-ai-to-prevent-users-from-1841790248

«Формулу Путина» уточнили.
Кто к 2030 пробьется в ИИ-лидеры, станет править миром до 2100 (а успех Китая не предрешен).
«Стратегия без тактики — это самый медленный путь к победе.
Тактика без стратегии — это просто суета перед поражением»
Сунь Цзы
Формулу Путина - монополист в сфере ИИ может стать властелином мира – признали правительства всех развитых стран. Но чтобы стать частью национальных стратегий, формуле не хватало 3х важных моментов.
1) Именно монополист или один из лидеров?
2) Ключевые элементы нацстратегии у разных стран разные?
3) Какова конкретика тайминга при выработке оптимальной тактики? (например, дедлайн и временные рамки лидерства)?
Среди прочего, эти 3 важных момента определяют:
- так ли уж неизбежна ИИ-монополярность;
- за счет чего конкретная страна может выйти в ИИ-лидеры;
- сколько времени есть у страны, чтобы стать, если не монополистом, то хотя бы войти в тройку лидеров;
- как надолго может сложиться монополярный мир ИИ-властелина (чтобы тем, кто не войдет в число лидеров, получше встроиться на роли проигравших)?

Два первых месяца 2020 г. прояснили ситуацию среди лидеров ИИ гонки и приблизили нас к ответам практически на все поставленные вопросы.

Продолжить чтение еще на 5 мин.
- на Medium http://bit.do/fu7Ys
- На Яндекс Дзен https://clck.ru/MF9ga

#ИИ #ИИгонка #ИИнацстратегия #Геополитика #НовыйМировойПорядок

 CatBoost — библиотека машинного обучения для решения практических задач

Градиентный бустинг — один из наиболее часто используемых алгоритмов машинного обучения. Этот алгоритм помогает решать задачи регрессии, классификации и ранжирования на разнородных данных. При помощи градиентного бустинга в Яндексе мы выбираем наиболее релевантные документы для ответа на поисковые запросы, ранжируем музыкальные композиции, предсказываем погоду и решаем много других задач.

CatBoost — это библиотека градиентного бустинга, написанная в Яндексе и выложенная в открытый доступ. В докладе мы расскажем, что такое градиентный бустинг, как он применяется, чем отличается CatBoost от других библиотек, как при помощи него обучать модели на больших данных и как работать с разными типами данных — числовыми и категориальными.

Смотреть

@itlecture

Практические видеоуроки, интервью с предпринимателями и исследователями, лекции из ведущих университетов и видеоподкасты про data science — всё это в нашей новой подборке ▶️

https://ya.cc/t/cU4GZXz0AWmyH

​​Здорова, пацаны

Короче тема такая, каждое второе сообщение у меня в личке, это что-то вроде: «хорош ли курс %name%». Это отличный вопрос, обязательно напишите мне или кому-то типа меня перед тем как покупать курс за хуево-тутуево кэша.
Но вот в чем дело, я никогда не посоветую курс, который сам хотя бы не смотрел, а они плодятся со скоростью света. В таких ситуациях, советую взять что-то проверенное. Потому что база у МЛ одна, ничего сверхъестественного там не расскажут.
Конечно иногда на меня накатывает волна филантропии, тогда я даю шанс непроверенным продуктам (как ты в ашане) и покупаю их. Но пока что меня ждал сплошной пиздец.
Тем более, у нас уже выделено 3 программы по классик МЛ, которые с головой покрывают базовый объем информации, как теоретической, так и практической, за них могу ручаться: спецуха, одс, институт биоинформатики + одс.

А сегодня к этой тройке добавляется, прямо-таки неебовый конкурент. Свежий курс от физтеха. Причем в двух вариациях: базовый уровень и продвинутый. Базовый уровень — это ровно тот курс лекций и домашек, который прослушивают студенты физтеха на третьем курсе, а продвинутый на четвертом.

Пару слов. Это абсолютно самостоятельный продукт, его не нужно дополнять какой-то дополнительной домашкой или лекциями, если конечно бекграунд соответствует. Просмотрев базовую версию и выполнив 80% домашек, а также докинув сюда 1-2 соревнования на Kaggle, ты будешь готов ебать мозги всей Москве и мозолить глаза hr-ам разных компаний.

Быстро по структуре. Сюрпризов не будет, все по классике. 13 недель. Линейные модели, деревья, бустинги, хуюстинги, немного нейронок.

Что касается продвинутого курса, оно того стоит, пацаны, смотрим. Некоторые ноутбуки даже просто прощелкать будет полезно. Короче мастхев. Просто глянь список лекций, возможно прослушать 1-2 будет самый сок для тебя, а не проходить весь курс.

По нашей стандартной метрике тобi пiзда / качество — 9/10 для базового, из-за достаточно высокого порога входа. И 10/10 для продвинутого, тут люди к боли привыкшие.

Курсы → https://github.com/ml-mipt/ml-mipt

Ботаем, братва

DeepMind выпускает Acme, распределенную среду для разработки алгоритма обучения с подкреплением

Платформа предназначена для упрощения разработки алгоритмов обучения с подкреплением, позволяющая агентам, управляемым ИИ, работать в различных масштабах производства.

Обучение с подкреплением – это разновидность машинного обучения, при котором агент учится действовать в окружающей среде, выполняя действия и тем самым нарабатывая интуицию, после чего наблюдает результаты своих действий.

Acme - это набор инструментов для тренировки систем обучения с подкреплением. Система стремится предоставить простые, эффективные и удобочитаемые агенты, которые служат как эталонными реализациями популярных алгоритмов, так и надежными базовыми показателями, и в то же время обеспечивают достаточную гибкость для проведения новых исследований.

Github:
https://github.com/deepmind/acme

Документ:
https://arxiv.org/abs/2006.00979

​​Первым делом сюда (❗️❗️❗️)

Легкого пути в МЛ не бывает, но и сильно затягивать тоже не надо. Для нормального входа в профессию, тебе нужно хорошо знать питон и несколько разделов математики. То в каком порядке это делать — дело каждого, некоторым удобно параллельно, некоторые любят поочередно. Да, сучара, без этого никак, не надо думать, что это по сложности, как проебывать пары философии.

Вот минимум, после которого вилки зп становятся шестизначными. Любой из вариантов хорош, отличаются лишь сложностью и актуальностью, но приводят примерно к одному результату.
1. Классическая классика. Покрывает все нужные темы, погружает жестко, медленно, словно маньяк. Эффективно. Для понимания нужна некоторая математическая интуиция.
Убираем страх → Основы мат. анализа → Лин.Алгебра → Теор.вер → Питон→ МЛ.
2. Вариант чуть сложней первого, более самобытный, требует самостоятельности и понимания чем ты вообще собираешься заниматься. Нет проверок ДЗ. Требуется хороший уровень некоторых разделов математики. Слабо подходит нубам.
Убираем страх → Основы мат. анализа → Лин.Алгебра → Теор.вер → Питон→ МЛ.
3. Самый модный, молодежный вариант. Погружает не больно, но достаточно быстро. Можно использовать как вариант, если tupoy. Зумеры, ваша тема.
Убираем страх → Теор.вер → Мат. Статистика: Гланц Медико-Биологическая статистика (основы) → Питон→ МЛ.

После прохождения этих этапов, надо залетать на работу, для этого мы уже сделали сервис с вопросами интервью и некоторые ответы на них. Не стесняемся добавлять свои вопросы, перцы.

Сервис с вопросами → https://interview-mds.ru/
Вопросы с ответами → жми

А теперь база данных по каналу. Тут собрано гигантское количество курсов/ресурсов/ и пр. Это не значит, что надо смотреть все подряд, в таком случае ты выйдешь на работу примерно через N жизней. Это база создается для того, что бы ты знал куда обратиться в случае возникновения проблемы по тому или иному направлению. Возникла потребность, смотрим.

Математика, та тетка из твоих кошмаров, по совместительству царица наук.
0. Что вообще надо?
1. Необходимая литература для начала
2. Курс по линейной алгебре
3. Курс по теор. вер.
4. Курс по статистике
5. Супер понятная линейная алгебра
6. Интенсивы мат. анализ
7. Два Подхода к изучению статистики
8. Линейная алгебра для DL от MIT
9. Базовый Теор. Вер. МФТИ
10. План по мат. анализу
11. Основательный подход к статистике

Питон, это не тот python, которого ты душишь под одеялом.
1. Необходимые для старта курсы
2. Питон не для начинающих

Data Science, с ним будешь первый парень на деревне.
1. Стартовые курсы на выбор
2. ML курс от Физтеха
3. ML курс от института Биоинформатики