Теорія ймовірностей 2.2 - Підготовчі курси на програму «Науки про дані» 2020. - YouTube
https://www.youtube.com/watch?v=B9rkQ-wMXQg&list=PLr1w0qwTp9lB5NohQd3sA1SVxEEp8mjYv

Am awesome tutorial on Time Series machine learning and digital signal processing:
Feature engineering with Autocorrelation, Fast Fourier Transform , Power Spectral Density functions and Random Forest Classifier as the model. https://ataspinar.com/2018/04/04/machine-learning-with-signal-processing-techniques/

A guide for using the Wavelet Transform in Machine Learning
https://ataspinar.com/2018/12/21/a-guide-for-using-the-wavelet-transform-in-machine-learning/

Happy New Year, folks!

        while not Singularity:
            year += 1

https://www.youtube.com/watch?v=HL7DEkXV_60

https://arxiv.org/abs/2006.00712 - My favorite SOTA Neural Network now is able to compute the Holographic Quantum Chromodynamic)

The neural ordinary differential equation (Neural ODE) is a novel machine learning architecture whose weights are smooth functions of the continuous depth. We apply the Neural ODE to holographic QCD by regarding the weight functions as a bulk metric, and train the machine with lattice QCD data of chiral condensate at finite temperature. The machine finds consistent bulk geometry at various values of temperature and discovers the emergent black hole horizon in the holographic bulk automatically. The holographic Wilson loops calculated with the emergent machine-learned bulk spacetime have consistent temperature dependence of confinement and Debye-screening behavior. In machine learning models with physically interpretable weights, the Neural ODE frees us from discretization artifact leading to difficult ingenuity of hyperparameters, and improves numerical accuracy to make the model more trustworthy.

https://arxiv.org/abs/2011.05364 - Gaussian ODE😍😍😍❤️ Learning ODE Models with Qualitative Structure Using Gaussian Processes

Recent advances in learning techniques have enabled the modelling of dynamical systems for scientific and engineering applications directly from data. However, in many contexts, explicit data collection is expensive and learning algorithms must be data-efficient to be feasible. This suggests using additional qualitative information about the system, which is often available from prior experiments or domain knowledge. In this paper, we propose an approach to learning the vector field of differential equations using sparse Gaussian Processes that allows us to combine data and additional structural information, like Lie Group symmetries and fixed points, as well as known input transformations. We show that this combination improves extrapolation performance and long-term behaviour significantly, while also reducing the computational cost.

Applying GANs for the Time Sereies forecasting problem? Why not: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8717640 https://git.opendfki.de/koochali/forgan

ICLR 2019 | ‘Fast as Adam & Good as SGD’ — New Optimizer Has Both | by Synced | SyncedReview | Medium
https://medium.com/syncedreview/iclr-2019-fast-as-adam-good-as-sgd-new-optimizer-has-both-78e37e8f9a34

https://github.com/Luolc/AdaBound - a nice and neat pytorch extension for AdaBound Oprimizer

https://milets19.github.io/papers/milets19_poster_4.pdf DenseNet for Time Series Classification. Very useful paper, describes both various preprocessing types and architectures of the Dense blocks,then compares performances and scores. Strongly recommend for practitioners #timeseries #DenseNet

https://arxiv.org/pdf/1608.06993.pdf DenseNet original paper #DenseNet #stateoftheart #SOTA #CNN

Who needs fancy DenseNets, EfficientNets, NasNets and so on if you have THIS: Making ResNets Great Again!
https://arxiv.org/pdf/2103.07579.pdf

https://youtu.be/ABbDB6xri8o Tesla AI pipeline, sooo huge and so amazing. Take a look.

P.S. something similar I’m trying to build in my start up, but yet I’m not even close

Нейросеть Codex от OpenAI: увольняйте ваших Data Scientist’ов

Будущее наступило! Нейросеть Codex (gpt 3 для генерации кода) позволяет решать data science задачи на естественном языке!

https://youtu.be/Ru5fQZ714x8

Descent algorithm complexity https://www.quantamagazine.org/computer-scientists-discover-limits-of-major-research-algorithm-20210817/

🤖🏆 SimVLM — Новый CLIP

Представьте себе одну модель, которая может:
- Классифицировать фото
- Отвечать на вопросы по фото
- Дополнять текстовые описания
- Решать задачу «визуального обоснования»
- Выполнять мультимодальный перевод

А самое главное, делать все это в режиме zero-shot (обучение без обучения)!

Встречайте: SimVLM, который по факту является мультимодальной сетью Text + Image (как CLIP), с классической трансформер архитектурой. ViT+Bert энкодер + декодер GPT (см картинку поста).

Такой текстовый-визуальный претрейн сравнили с современными (SOTA) методами, включая LXMERT, VL-T5, UNITER, OSCAR, Villa, SOHO, UNIMO и VinVL.

SimVLM превосходит все существующие модели и бьет SOTA по всем рассматриваемым задачам, часто со значительным отрывом.

Скоро сделаю подробный обзор архитектуры.

📄 paper

#sota #paper #multimodal #zeroshot #сохраненки

CLIP — Главная нейросеть 2021

📄 Детальный разбор CLIP на habr от Мишин Лернинг

Нейросеть CLIP — устойчивый классификатор, который не нужно даже обучать. Кроме того, этой сети нашли десятки разных применений: от нейронного поиска по фото и видео до генеративного искусства, от zero-shot классификации изображений до zero-shot Domain Adaptation для StyleGAN (NADA).

CLIP — это действительно новый взгляд на объединение NLP и CV. Последние несколько лет мы наблюдали триумфы в области обработки естественного языка, и языковые модели действительно наделали много шума, совершив новую революцию и, в очередной раз, отложив новую "зиму" искусственного интеллекта в долгий ящик.

Совсем недавно мы начали наблюдать явление, когда технологии, вроде бы изначально присущие только NLP, стали бить рекорды в компьютерном зрении: Vision Transformers. Теперь методы few-shot и zero-shot learning проникают в сферу компьютерного зрения уже благодаря гибридным nlp и cv моделям.

#сохраненки #статьи #habr

Infinitely Deep Bayesian Neural Nets with Stochastic Differential Equations. Next big thing since Neural ordinary differential equations model. Might become a SOTA for stochastic process forecasting and noisy time-series/signal processing #sde #neuralsde #sota

Happy programmer’s day!!! Have a bug-free code and indulgent project managers.