AI & ML дайджест #17: курсы по ML & DL, обзор популярных GAN архитектур, AI бот для ребенка
За окном карантин, и многие сейчас пытаются придумать решение для помощи в борьбе с COVID-19. Мы в VITEch Lab Healthcare также работаем в этом направлении, и я планирую с первыми нашими решениями познакомить вас на страницах DOU в ближайшее время. А пока предлагаю свежую подборку интересных материалов, которая поможет разнообразить вашу самоизоляцию.
Курсы
Machine Learning Course — один из лучших базовых курсов, который ведет Andrew Ng.
Machine Learning — курс от Columbia University на платформе edX.
Deep Learning Specialization — специализация, которая включает в себя 5 курсов для полного погружения в Deep Learning от deeplearning.ai.
Practical Deep Learning — отличный курс по Deep Learning, направленный на получение практического опыта от fast.ai.
MLcourse.ai — открытый курс ODS.ai, сообщества по машинному обучению.
DLcourse.ai — открытый русскоязычный курс по нейронным сетям и глубокому обучению.
Статьи
Image segmentation in 2020: Architectures, Losses, Datasets, and Frameworks — в статье сделан обзор популярных архитектур сегментации изображений, рассказывается про функцию потери, а также популярные датасеты и фреймворки.
6 GAN Architectures You Really Should Know — в этой статье вы познакомитесь с некоторыми из самых популярных GAN архитектур: CycleGAN, StyleGAN, pixelRNN, text-2-image, DiscoGAN, lsGAN.
Agent57: Outperforming the human Atari benchmark — об агенте, который играет в Atari игры лучше человека.
An Illustrated Guide to Graph Neural Networks — статья об основных институтах и механизмах графических нейронных сетей.
AI for 3D Generative Design — о генерации 3D-моделей на основе описания на естественном языке.
A visual debugger for Jupyter — о том, как устроен дебагер в Jupyter и его возможностях.
How to Get Beautiful Results with Neural Style Transfer — статья о том, как работает Neural Style Transfer.
Grad-CAM: Visualize class activation maps with Keras, TensorFlow, and Deep Learning — в этом руководстве вы узнаете, как визуализировать карты активации классов для отладки нейронных сетей, используя алгоритм Grad-CAM.
Building a Bot That Plays Videos for My Toddler — о создании бота, на которого можно оставить ребенка, чтобы он игрался с ним :)
Научные статьи
Ежедневно в канале #article_essence Slack-чата Open Data Science сообщества обсуждаются разные научные статьи. Кто еще не присоединился к нашему сообществу, приглашаю сделать это, а пока предлагаю свежую подборку из канала.
Improved Techniques for Training Single-Image GANs — об улучшенной архитектуре SinGAN под названием ConSinGAN, которая позволяет создавать генераторы из всего лишь одного изображения, чтобы решать задачи генерации изображения разных разрешений и формы, inpainting.
Cycle Text-To-Image GAN with BERT — про решение задачи text-to-image с помощью Cycle loss и фичей из BERT.
TResNet: High Performance GPU-Dedicated Architecture — инженерная статья о том, как с помощью модификаций архитектуры и оптимизаций производительности достичь высокого качества, не теряя в скорости.
First Order Motion Model for Image Animation — про архитектуру, которая позволяет анимировать изображения, только используя source изображение и motion target видео без дополнительного обучения (при условии, что модель обучалась на схожем домене).
GAN Compression: Efficient Architectures for Interactive Conditional GANs — в статье авторы рассказывают о своем новом методе для сжатия conditional GAN-ов. Большинство генераторов в таких моделях очень тяжелые, что не позволяет использовать их в реальном времени. Они смогли сильно сжать их без особой просадки качества с помощью дистилляции и NAS.
AutoML-Zero: Evolving Machine Learning Algorithms From Scratch — ресерчеры гугла сделали следующий шаг в задаче AutoML — определили пространство поиска так, что может быть найдена не только архитектура, но и сам ML — алгоритм: градиентный спуск, релу, нормализация градиентов, усреднение весов, регуляризации и тп — используя базовые математические операции как строительные блоки.
Видео
Modeling 3D Shapes by Reinforcement Learning
Interview with Sergey Kolesnikov | Catalyst: PyTorch Framework for DL & RL | Open Source, Soft. Engg
Machine Learning That Works: Interview with Pawel Godula
Connecting physics and deep learning to generalize medical image analysis tasks
Спасибо, что дочитали этот выпуск. Надеюсь, каждый нашел для себя полезное. Буду благодарен за любые предложения для следующего дайджеста.
Будьте здоровы и оставайтесь дома!
Присоединяйтесь к Telegram-каналу дайджеста и его страницам в соцсетях: Medium, Facebook, Twitter, LinkedIn.
← Предыдущий выпуск: AI & ML дайджест #16