deepmipt / Dlschl
Stars: ✭ 103
Labels
Projects that are alternatives of or similar to Dlschl
Storytelling With Data
Plots from the book "Storytelling with data" implementation using Python and matplotlib
Stars: ✭ 100 (-2.91%)
Mutual labels: jupyter-notebook
Pycebox
⬛ Python Individual Conditional Expectation Plot Toolbox
Stars: ✭ 101 (-1.94%)
Mutual labels: jupyter-notebook
Resources Intel Edge Ai Scholarship 2020
A place to collect resources shared bythe community of Intel® Edge AI Foundation course
Stars: ✭ 102 (-0.97%)
Mutual labels: jupyter-notebook
Style Tranfer
Implementation of original style transfer paper (Gatys et al)
Stars: ✭ 101 (-1.94%)
Mutual labels: jupyter-notebook
Keras Openpose Reproduce
Keras implementation of Realtime Multi-Person Pose Estimation
Stars: ✭ 102 (-0.97%)
Mutual labels: jupyter-notebook
Hands On Data Science For Marketing
Hands-On Data Science for Marketing, published by Packt
Stars: ✭ 102 (-0.97%)
Mutual labels: jupyter-notebook
Rnn Robinhood
Automated trading on Robinhood via RNN
Stars: ✭ 102 (-0.97%)
Mutual labels: jupyter-notebook
Stylegan2 Tensorflow 2.x
Unofficial implementation of StyleGAN2 using TensorFlow 2.x.
Stars: ✭ 102 (-0.97%)
Mutual labels: jupyter-notebook
Rasalit
Visualizations and helpers to improve and debug machine learning models for Rasa Open Source
Stars: ✭ 101 (-1.94%)
Mutual labels: jupyter-notebook
Hackermath
Introduction to Statistics and Basics of Mathematics for Data Science - The Hacker's Way
Stars: ✭ 1,380 (+1239.81%)
Mutual labels: jupyter-notebook
Pythondataanalysiscookbook
Python Data Analysis Cookbook, published by Packt
Stars: ✭ 100 (-2.91%)
Mutual labels: jupyter-notebook
Hic Data Analysis Bootcamp
Workshop on measuring, analyzing, and visualizing the 3D genome with Hi-C data.
Stars: ✭ 102 (-0.97%)
Mutual labels: jupyter-notebook
Object detection demo live
This is the code for the "How to do Object Detection with OpenCV" live session by Siraj Raval on Youtube
Stars: ✭ 101 (-1.94%)
Mutual labels: jupyter-notebook
Codesearchnet
Datasets, tools, and benchmarks for representation learning of code.
Stars: ✭ 1,378 (+1237.86%)
Mutual labels: jupyter-notebook
Dataminingnotesandpractice
记录我学习数据挖掘过程的笔记和见到的奇技，持续更新～
Stars: ✭ 103 (+0%)
Mutual labels: jupyter-notebook
Keras Oneclassanomalydetection
[5 FPS - 150 FPS] Learning Deep Features for One-Class Classification (AnomalyDetection). Corresponds RaspberryPi3. Convert to Tensorflow, ONNX, Caffe, PyTorch. Implementation by Python + OpenVINO/Tensorflow Lite.
Stars: ✭ 102 (-0.97%)
Mutual labels: jupyter-notebook
Школа Глубокого Обучения (DLSchool)
Лаборатория нейронных систем и глубокого обучения МФТИ
Новый репозиторий: https://github.com/DLSchool/dlschool
Официальный сайт Школы
YouTube-канал Школы
Что?
“Школа глубокого обучения” – кружок, рассчитанный на старшеклассников, интересующихся программированием и математикой. Занятия будут вести студенты Физтех-школы прикладной математики и информатики Физтеха. Цель курса – познакомить учеников с основными принципами глубокого обучения в интерактивном формате и на примере практических задач.
Когда?
Школа стартовала 28 октября (2017). Планируемый объем курса – 18 занятий (1 занятие в неделю).
Где?
Очные занятия будут приходить по адресу г. Москва, Климентовский переулок, д. 1, стр. 1 (Московский корпус МФТИ) по субботам в 17:00.
Также будет доступно онлайн обучение с записями лекций и проверкой заданий.
На кого рассчитаны занятия?
Школа рассчитана на учеников старших классов, которые умеют программировать, хорошо знают математику и любят изучать что-то новое. Огромным плюсом будет знание языка Python.
Программа занятий (первая часть курса)
| № занятия | Содержание занятия | Тип занятия |
|---|---|---|
| 1 | Введение. Искусственный интеллект, нейросети и глубокое обучение | лекция |
| 1 | Основы языка Python | семинар |
| 2 | Введение в машинное обучение | лекция |
| 2 | Библиотеки Numpy и Matplotlib | семинар |
| 3 | Искусственные нейронные сети. Формальная модель нейрона. Градиентный спуск | интерактивная лекция |
| 4 | Однослойная нейронная сеть. Обучение многослойных нейронных сетей (DNN). Метод обратного распространения ошибки. Инициализация; переобучение нейросетей, регуляризация | интерактивная лекция |
| 5 | Как правильно обучать нейросети. Формирование обучающей выборки. Виды функционала потерь. Батчи. Продвинутые методы оптимизации. | интерактивная лекция |
| 6 | Задача классификации изображений. Проблема выделения признаков, фильтры. Функция свертки. Построение карт признаков | лекция |
| 7 | Зоопарк сверточных нейросетей. Современные архитекутры свёрточных нейросетей, их плюсы и минусы | лекция |
| 8 | Задачи детектирования и сегментации | интерактивная лекция |
Программа занятий (вторая часть курса)
| № занятия | Содержание занятия | Тип занятия |
|---|---|---|
| 1 | Введение в рекуррентные сети | лекция |
| 2 | Векторные представления текстов. Word embeddings | лекция |
| 2 | Работа с текстом. Примеры использования Word2Vec | семинар |
| 3 | LSTM, GRU (part 1) | лекция |
| 3 | LSTM, GRU (part 1) | семинар |
| 4 | LSTM, GRU (part 2). Machine Translation | лекция |
| 4 | LSTM, GRU (part 2). Machine Translation | семинар |
| 5 | Автоэнкодеры | интерактивная лекция |
| 6 | Генеративные состязательные сети. Часть 1 (GANs) | интерактивная лекция |
| 7 | Генеративные состязательные сети. Часть 2 (GANs) | интерактивная лекция |
| 8 | Введение в Reinforcement Learning | лекция |
| 8 | Обучаем своего умного агента-игрока с помощью RL | семинар |
| 9 | Бонус | TBA |
Как поступить?
Сейчас проект запускается в пилотном формате. Нам бы очень хотелось принять всех желающих, но в этом году мы сможем проводить семинары и принимать домашние задания у ограниченного количества человек.
Все материалы школы, включая домашние задания, будут размещены в открытом доступе.
Note that the project description data, including the texts, logos, images, and/or trademarks,
for each open source project belongs to its rightful owner.
If you wish to add or remove any projects, please contact us at [email protected].