Подборка материалов с Хабра по машинному обучению и искусственному интеллекту

#data_analysis #habr

1. Математика для искусственных нейронных сетей для новичков
Линейная регрессия: https://habrahabr.ru/post/307004/
Градиентный спуск: https://habrahabr.ru/post/307312/

2. Обучение с подкреплением для самых маленьких
https://habrahabr.ru/post/308094/

3. 8 лекций, которые помогут разобраться в машинном обучении и нейросетях
http://goo.gl/z8UL5r

4. Стилизация изображений с помощью нейронных сетей: никакой мистики, просто матан
http://goo.gl/66Uq7y

5. Небольшая статья с опросом "А вот про нейронные сети, ИИ и т.д"
https://habrahabr.ru/post/308356/

6. Языковая проблема искусственного интеллекта
Оригинал: http://goo.gl/z8p3xN
Перевод: http://goo.gl/s9qLtY

7. Самое главное о нейронных сетях
Лекция с Яндекса: http://goo.gl/UxCiSY
Статья: http://goo.gl/ZHQfCI

История искусственного интеллекта

1. Рождение теории 1936-1956
2. Золотой век 1956-1976
3. Кризис нейронных сетей 1969-1980
4. Первая зима 1975-1980
5. Краткое возвращение 1980-1984
6. Вторая зима 1984-1993
7. Новая эра 1993-н.в.

https://www.youtube.com/watch?v=UlVoZVakmYs&list=PLDCR37g8W9nHI3LDgZ6xRexrCHgUzBnvz

#data_analysis #novice

Подборка видеороликов по созданию и обучению ИИ от DeepMind

DeepMind Technologies – британский стартап, занимающийся разработками в области машинного обучения (подраздел искусственного интеллекта, изучающий методы построения моделей, способных обучаться, и алгоритмов для их построения и обучения) и систем нейронауки.

https://www.youtube.com/watch?v=V1eYniJ0Rnk&list=PLujxSBD-JXglGL3ERdDOhthD3jTlfudC2

#data_analysis

Подборка материалов по машинному обучению и анализу данных

#data_analysis

Большая подборка материалов по машинному обучению: книги, видеокурсы, онлайн-курсы
https://proglib.io/p/learning-ml/

Как научиться data science?
https://proglib.io/p/learn-data/

9 бесплатных книг по машинному обучению
https://proglib.io/p/machine-learning-free-books-list/

6 приложений, использующих глубокое обучение, для начинающих
https://proglib.io/p/6-deep-learning-applications/

Математические основы анализа данных: подборка материалов по вузовской математике
https://proglib.io/p/math-materials-for-ds/

Подборка материалов по машинному обучению и анализу данных

#data_analysis #collections

Почитать:

Подробное руководство для начинающих: «Машинное обучение для самых маленьких»
https://proglib.io/p/the-simplest-introduction-to-machine-learning/

Статья, благодаря которой вы узнаете как буквально за неделю научиться использовать машинное обучение на практике.
https://proglib.io/p/basics-of-ml/

В качестве продолжения к предыдущей статье рекомендуем ознакомится с руководством — «Машинное обучение за год»
https://proglib.io/p/machine-learning-for-year/

10 лучших бесплатных книг по машинному обучению по версии ThePixelBeard
https://vk.com/wall-54530371_102437

Подборка книг, которые помогут изучить основы анализа данных
https://proglib.io/p/data-science-books/

Посмотреть:

Доклад от Виктора Кантора на тему: «Как построить карьеру в машинном обучении»
https://vk.com/wall-54530371_104912

Курс «Введение в анализ данных»
https://vk.com/wall-54530371_104722

10 лучших видео на YouTube, которые вам стоит посмотреть, если вы решили начать изучать анализ данных
https://proglib.io/p/10-data-science-videos/

Машинное обучение и Python
https://vk.com/wall-54530371_102823

Подборка докладов о машинном обучении
https://vk.com/wall-54530371_89845

Подборка статей по машинному обучению с нашего сайта

#data_analysis

1. Машинное обучение для самых маленьких — быстрое введение
https://proglib.io/p/the-simplest-introduction-to-machine-learning/

2. 10 лучших видео об анализе данных на YouTube — лекции и уроки для тех, кто хочет войти в курс дела
https://proglib.io/p/10-data-science-videos/

3. Основы машинного обучения за неделю — подневный план по практическому освоению
https://proglib.io/p/basics-of-ml/

4. Машинное обучение за год — история одного программиста о его опыте освоения и рекомендации по материалу для изучения
https://proglib.io/p/machine-learning-for-year/

5. 7 книг для начинающего специалиста по анализу данных
https://proglib.io/p/data-science-books/

Подборка лучших материалов по машинному обучению за прошлый месяц

#data_analysis #collections

Проанализировав 1900 различных материалов по искусственному интеллекту, машинному и глубинному обучению, которые были опубликованы в сентябре. Мы отобрали 10 наилучших статей, которые заслуживают вашего внимания.

1. Машинное обучение за год: от новичка до использования на работе
https://vk.cc/5My9aa

2. Neural Network Zoo
https://vk.cc/5My9hV

3. Вы можете стать "Rock Star" машинного обучения.
https://vk.cc/5My9qm

4. 40 популярных вопросов с интервью из сферы Machine Learning и Data Science.
https://vk.cc/5My9PR

5. Как работает сверточная нейронная сеть
https://vk.cc/5Myaa4

6. Теория машинного обучения. Часть первая: введение
https://vk.cc/5MyapS

7. Почему глубинное обучения изменит твою жизнь
https://vk.cc/5MyaA9

8. Введение в машинное обучение с Keras и TensorFlow.
https://vk.cc/5MyaLt

9. Как получить работу в сфере Deep Learning.
https://vk.cc/5MyaUK

10. Метод k-средних и сегментация изображений
https://vk.cc/5Myb4M

Серия видео с недавней конференции Data Fest

#data_analysis

Data Fest — конференция, которая объединяет исследователей, инженеров и разработчиков, связанных с data science во всех её проявлениях.

1. Тематическое моделирование на пути к разведочному информационному поиску — Константин Воронцов
2. Порождение и выбор моделей машинного обучения — Вадим Стрижов
3. Тензорные разложения и их применения — Иван Оселедец
4. Панельная дискуссия «Обучение machine learning» — модератор Иван Ямщиков
5. CRAYFIS: поиск космических лучей ультравысоких энергий — Максим Борисяк
6. Машинное обучение в анализе медицинских данных — Иван Дрокин
7. Исследование связности в мозге на основе электрофизиологических данных — Илья Захаров
8. Нейробайесовский подход к задачам машинного обучения — Дмитрий Ветров
9. Глубокое обучение: деконструкция мифа — Сергей Бартунов

Плейлист: https://www.youtube.com/playlist?list=PLJOzdkh8T5kqfhWXhtYevTUHIvrylDLYu

Обсуждение: https://vk.com/wall-54530371_88944

Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных (2015)
Автор: Петер Флах

#data_analysis #book

Перед вами один из самых интересных учебников по машинному обучению - разделу искусственного интеллекта, изучающего методы построения моделей, способных обучаться, и алгоритмов для их построения. Автор воздал должное невероятному богатству предмета и не упустил из вида объединяющих принципов. Читатель с первых страниц погружается в машинное обучение в действии, но без не нужных на первых порах технических деталей. По мере изучения предмета тщательно подобранные примеры, сопровождаемые иллюстрациями, постепенно усложняются. В книге описан широкий круг логических, геометрических и статистических моделей, затрагиваются и такие находящиеся на переднем крае науки темы, как матричная факторизация и анализ РХП. Особое внимание уделено важнейшей роли признаков. Устоявшаяся терминология дополняется введением в рассмотрение новых полезных концепций. В конце каждой главы приводятся ссылки на дополнительную литературу с авторскими комментариями. Книга ясно написана и хорошо организована. Начав с основ, автор умело ведет читателя, знакомя его с полезными фактами и подробно описывая ряд методов машинного обучения. Приводится также псевдокод ключевых алгоритмов. Благодаря всему этому книга задает новый стандарт изучения такой сложной дисциплины как машинное обучение.

По ссылке ниже вы найдете книгу в pdf

Давно хотели разобраться, как стать аналитиком данных, но не знали с чего начать?

#data_analysis

В этой статье собрали для вас большое количество обучающих материалов по таким темам, как big data, data mining, машинное обучение и не только!

https://proglib.io/p/learn-data/

Большая подборка материалов по машинному обучению: книги, видеокурсы, онлайн-курсы

#data_analysis #collections

https://proglib.io/p/learning-ml/

Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных (2015)
Автор: Петер Флах

#data_analysis #book

Перед вами один из самых интересных учебников по машинному обучению - разделу искусственного интеллекта, изучающего методы построения моделей, способных обучаться, и алгоритмов для их построения. Автор воздал должное невероятному богатству предмета и не упустил из вида объединяющих принципов. Читатель с первых страниц погружается в машинное обучение в действии, но без не нужных на первых порах технических деталей. По мере изучения предмета тщательно подобранные примеры, сопровождаемые иллюстрациями, постепенно усложняются. В книге описан широкий круг логических, геометрических и статистических моделей, затрагиваются и такие находящиеся на переднем крае науки темы, как матричная факторизация и анализ РХП. Особое внимание уделено важнейшей роли признаков. Устоявшаяся терминология дополняется введением в рассмотрение новых полезных концепций. В конце каждой главы приводятся ссылки на дополнительную литературу с авторскими комментариями. Книга ясно написана и хорошо организована. Начав с основ, автор умело ведет читателя, знакомя его с полезными фактами и подробно описывая ряд методов машинного обучения. Приводится также псевдокод ключевых алгоритмов. Благодаря всему этому книга задает новый стандарт изучения такой сложной дисциплины как машинное обучение.

По ссылке ниже вы найдете книгу в pdf

Стартап в сфере искусственного интеллекта в 2018

В статье кратко рассмотрено текущее положение вопроса создания стартапа в сфере искусственного интеллекта и основные этапы этого процесса.

https://proglib.io/p/ai-startup/

#startup #work

Глубокое обучение (2018)
Авторы: Николенко С. И., Кадурин

#data_analysis_rus

Нейронные сети произвели фурор в IT, и интерес к ним не угасает. Эта подборка видеолекций внесёт ясность в понимание процессов нейросети.

https://proglib.io/p/clear-neural-networks/

#networks

После долгих выходных начинаем работу с супер-полезной информации: как пройти путь от новичка до профи в машинном обучении за 3 месяца

Как за три месяца получить самообразование в машинном обучении? - в статье приводятся ссылки на соответствующие ресурсы.

https://proglib.io/p/ml-3months/

#fundamental

С чего начать обучение Machine Learning, если бесконечно далёк от этой темы?

Нужно как можно больше практиковаться. Наши коллеги из SkillFactory прислали мне информацию о курсе, который полностью состоит из практики и актуальных кейсов.
Ребята делают ставку на практику и решение конкретных боевых задач. Теорию вы и в интернете найдёте ;)

Курс ведёт руководитель отдела аналитики Mail.ru.

«Практический Machine Learning» от SkillFactory — https://goo.gl/rzp4u9

​​Курс по машинному обучению на базе Python - https://goo.gl/SeBDSP

На курсе вы узнаете, как проходит полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Научитесь пользоваться современными аналитическими инструментами и адаптировать их под конкретные задачи.

Преподаватели курса — сотрудники Яндекса.

В финале обучения напишете дипломный проект, применимый к реальным данным в e-commerce, соц.медиа и бизнес-аналитике, который можно добавить в портфолио.

Пока я мечтал сделать единое окно для всех открытых датасетов, Майкрософт взял и сделал. Не без проблем (вот сейчас например тормозит поиск), но сама идея идеальная. Следующий шаг - место где можно купить готовую предобученную модель для твоих задач. Например с подпиской на обновления модели за деньги.

Последние 4 года у меня четкое ощущение, что Майкрософт делает ну очень много для либерализации разработки ИИ и всего что с этим связано. Да, у гугла есть успешная история с тензорфлоу, у фейсбука с каффе. У майкрософта есть полный набор - от готовых облачных сервисов, до фреймворков и вот теперь открытых датасетов. Можно только поздравить команду Майкрософт Ресерч, и спасибо сказать. https://www.microsoft.com/en-us/research/blog/announcing-microsoft-research-open-data-datasets-by-microsoft-research-now-available-in-the-cloud/?OCID=msr_blog_opendata_tw

​​В сети появилось решение на Python для экспорта данных Search Console в BigQuery. Описание тут.

via @BigQuery