NeuroHive - Нейронные сети. Страница 15

​​Функция рекомендации новых контактов в LinkedIn используется для расширения личной сети связей пользователей. Блок People You May Know также выдает рекомендации по хэштегам, компаниям, группам, рассылкам и мероприятиям. Когда пользователи совершают переходят по рекомендации, к графу их социальной сети добавляются связи. В личном графе есть три типа связей: коннект (когда пользователь добавлять другого пользователя в свою сеть), наблюдение (когда пользователь следит за другим пользователем) и подписка (когда пользователь подписан на обновления компании, хэштега или мероприятия).

​​Если вы начинающий Data Engineer, для дальнейшего роста вам понадобится овладеть инструментами работы с Big Data. Начните осваивать их уже 16 октября на демо-занятии «Написание эффективных пользовательских функций в Spark». Вместе с Егором Матешуком вы рассмотрите пользовательские функции (UDF), различные способы их создания в Scala и Python, а также обсудите их производительность.

Демо-занятие является частью онлайн-курса «Экосистема Hadoop, Spark, Hive». Для вас это возможность попробовать курс, познакомиться с преподавателем и получить ценные навыки. Для регистрации пройдите вступительный https://otus.pw/Wlxr/

​​Dynabench — это платформа для динамического сбора данных и тестирования моделей. Для сбора данных платформа задействует ресурсы ручной и автоматической разметки одновременно. В Dynabench для оценки моделей машинного обучения используется новая процедура, — состязательный сбор данных. Метод измеряет, как просто обмануть модель человеку. Это является более стабильным индикатором качества модели, чем текущие методы оценки.

​​Nvidia опубликовали обновленную реализацию StyleGAN2. Обновленная StyleGAN2 выдает результаты, сравнимые с оригинальной StyleGAN2. При этом модель не требует более пары тысяч изображений для обучения, что на порядок меньше требуемого размера обучающей выборки для оригинальной StyleGAN2. Обучение модели быстрее в ~1.6x раз, инференс быстрее в ~1.3x раз, потребление GPU памяти в ~1.5x ниже.

​​Исследователи из Baidu предложили нейросетевую модель для задачи распознавания символов на изображении (OCR). Предложенный фреймворк состоит из трёх частей: детектирование границ текста, исправление наклона текста и распознавание текста.

​​Хотите узнать какие подводные камни в работе с современной BigData?
12 октября пройдет демо-урок «Современные большие данные, анализ и оптимизация производительности распределенных приложений»
Кирилл Султанов, расскажет, про подводные камни в работе с современной BigData: кастомизация, распределенное профилирование, контрибьют в open source.
Все, что нужно - чтобы выйти в продакшн!
Демо-урок является частью онлайн-курса «Промышленный ML на больших данных». Используйте эту возможность, чтобы получить ценные знания, оценить качество знаний и формат обучения. Для регистрации пройдите вступительный тест https://otus.pw/1BrX/

​​В Microsoft разработали нейросеть, которая восстанавливает старые поврежденные снимки. Предложенная модель использует два вариационных автоэнкодера (VAEs). Модель учится восстанавливать фотографии на основе реальных и синтетических снимков.

​​KILT (Knowledge Intensive Language Tasks) — это унифицированный бенчмарк для обучения моделей, которые используют знания о мире для предсказаний. KILT объединяет в себе 11 публичных датасетов, которые охватывают 5 типов задач: проверка фактов, универсальная вопросно-ответная система (open-domain question answering), заполнение пробелов, поиск связей между сущностями и генерация диалогов.

​​Как вывести ML-модели в промышленную среду? Для большинства Data Scientist это сложная задача. 19 октября пройдет демо-урок «Вывод ML моделей в промышленную среду на примере онлайн-рекомендаций»
Дмитрий Бугайченко, управляющий директор в Сбербанке, расскажет, как Data Science выходит из ноутбука Data Scientist, проходит через аналитическую платформу и среду исполнения в пром, и в итоге попадает к пользователям. Вы узнаете, какие трюки помогают масштабировать алгоритм, какие компоненты и технические решения позволяют вывести ML в промышленную среду, какие паттерны помогают ML работать в режиме онлайн и многое другое.
Демо-урок является частью онлайн-курса «Промышленный ML на больших данных». Используйте эту возможность, чтобы получить ценные знания, оценить качество знаний и формат обучения. Для регистрации пройдите вступительный тест https://otus.pw/eVG9/

​​OTDD — это подход для оценки расстояния между датасетами для задач классификации. OTDD основывается на транспортной задаче. Подход позволяет оценить близость датасетов, даже если наборы классов в двух датасетах разнятся. OTDD может применяться для задач тюнинга предобученной модели и ассистирования в аугментации данных.

​​3DDFA — это нейросеть, которая размечает лицо человека в 3D по видеозаписи. На инференсе 3DDFA обрабатывает изображение за 0.27 миллисекунд на GeForce GTX TITAN X.

​​CowMask — это метод аугментации, который основан на маскировании. Метод позволяет обучать более устойчивые self-supervised модели. Модель с CowMask выдает state-of-the-art результаты на датасете ImageNet с использованием 10% размеченных данных при обучении.

​​MEAL V2 — это способ улучшить точность классификации стандартной ResNet-50 до 80%+ на датасете ImageNet без изменений в архитектуре. MEAL V2 основывается на MEAL, методе дистилляции знаний через дискриминаторы.

​​Diffbot собирают самый крупный граф знаний интернета. Система получает html-код веб-страницы, анализирует текстовые и визуальные данные и дополняет существующий граф. Граф перестраивается каждые 5 дней. Каждый месяц к графу добавляется 150 миллионов новых ассоциаций формата субъект-действие-объект.

​​LaSOT — это масштабный датасет для обучения и оценки моделей трекинга объектов. Датасет содержит 1.5 тысяч видеоклипов с объектами 85 разных классов. Всего в датасете более 3.87 миллионов кадров. Каждый клип содержит разметку для одного объекта. Границы объекта на кадрах размечали вручную.

Разметка данных — один из наиболее сложных и трудозатратных процессов в машинном обучении. Зачастую разметкой приходится заниматься вручную. И тут на помощь могут прийти такие платформы как Яндекс.Толока, которая позволяет автоматизировать этот процесс.

Сейчас на платформе трудятся более 8 млн исполнителей, которые выполняют около 13 млн заданий в день. Но как при подобной автоматизации процессов не пожертвовать качеством выполненных работ?

В этом помогают правила, которых придерживается система проверки и контроля качества произведенных работ. Более подробную информацию вы можете почерпнуть из статьи. https://clck.ru/R2wjE

​​Исследователи из MPI Informatik и University College London обучили нейросеть, которая меняет угол обзора сцены на изображении. Нейросеть учитывает смену освещения. На инференсе модель принимает на вход набор координат, которые описывают параметры угла обзора, времени и освещения. На выходе модель в реальном времени генерирует 2D изображение с заданными координатами.

​​Исследователи использовали состязательные атаки с патчами для изображений с воздуха, чтобы скрыть самолёты от нейросетевых детекторов. Патч может предотвратить автоматическое распознавание объекта, даже если закрывает малую часть объекта на изображении. Исследователи протестировали разные конфигурации патчей, меняя размер, расположение, количество и яркость. По результатам экспериментов, состязательная атака с патчами по качеству скрытия объекта на изображении конкурирует с традиционными методами.