Слайды доклада "Машинное обучение на платформе .NET" с Global IT Meetup. Запись доклада доступна по ссылке:
https://www.youtube.com/watch?v=rmkbb2MutOo
Распознавание лиц в реальном времени по базам фотографий глобального масштаба...Ontico
Наш алгоритм по распознаванию лиц может осуществлять поиск по миллиардам фотографий за доли секунды с высокой точностью. Уже сейчас работает решение, которое осуществляет поиск по базе в 300 млн. фотографий меньше чем за секунду и держит нагрузку 50 запросов в секунду на 5 амазоновских серверах.
Распознавание лиц в реальном времени по базам фотографий глобального масштаба...Ontico
Наш алгоритм по распознаванию лиц может осуществлять поиск по миллиардам фотографий за доли секунды с высокой точностью. Уже сейчас работает решение, которое осуществляет поиск по базе в 300 млн. фотографий меньше чем за секунду и держит нагрузку 50 запросов в секунду на 5 амазоновских серверах.
Solit 2014, MapReduce и машинное обучение на hadoop и mahout, Слисенко Конста...solit
Слисенко Константин, Минск. Компания JazzTeam, Senior Software Engineer
«Scrum для большого проекта. Как это работает на практике». Development секция. Agile отделение.
«MapReduce и машинное обучение на Hadoop и Mahout». Development секция. Для разработчиков. Высокий уровень подготовки.
Описан алгоритм, занявший второе место на соревновании
CardioQvark. Подробное описание - см. в отчёте https://alexanderdyakonov.wordpress.com/2016/04/03/%D0%B4%D0%B5%D1%82%D0%B5%D0%BA%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BA%D1%83%D1%80%D0%B8%D0%BB%D1%8C%D1%89%D0%B8%D0%BA%D0%B0/
код - https://github.com/Dyakonov/cardioqvark
Алгебраический подход к анализу данных и его приложенияАлександр Дьяконов
Доклад на конференции профессоров РАН по Отделению математических наук РАН.
15 июня 2016 г. 15:25, г. Москва, ул. Губкина, д. 8, Математический институт имени В. А. Стеклова Российской Академии наук
http://www.mathnet.ru/conf908
Machine learning with Python / Олег Шидловский / Doist [Python Meetup 27.03.15] Python Meetup
Machine learning with Python / Олег Шидловский / Web developer Doist
Олег расскажет о базовых концепциях Machine learning и покажет примеры работы с библиотеками, при помощи которых можно легко решать задачи, связанные с машинным обучением.
Python Meetup - встречи минского сообщества любителей языка программирования Python.
Присоединяйся к нам!
Мы в twitter: https://twitter.com/pythonminsk
Мы на youtube: http://www.youtube.com/pythonMinsk
Мы на slideshare: http://www.slideshare.net/MinskPythonMeetup
Because Elixir and Phoenix borrow so many good ideas from the Rails ecosystem, it’s astoundingly easy for Ruby developers to become proficient in this powerful new set of tools. First, I’ll introduce Phoenix from a Rails POV, and then show two ways it can be used in conjunction with Rails.
This is a presentation given on October 24 by Michael Uzquiano of Cloud CMS (http://www.cloudcms.com) at the MongoDB Boston conference.
In this presentation, we cover Hazelcast - an in-memory data grid that provides distributed object persistence across multiple nodes in a cluster. When backed by MongoDB, objects are naturally written to Mongo by Hazelcast. The integration points are clean and easy to implement.
We cover a few simple cases along with code samples to provide the MongoDB community with some ideas of how to integrate Hazelcast into their own MongoDB Java applications.
«Бутылочное горлышко многопоточных программ – кто виноват, и что делать. Мастер-класс.»
BitByte: 20 апреля 2013, Санкт-Петербург
http://bitbyte.itmozg.ru/
When you work in a small collocated team many engineering practices and approaches are relatively easy to use and adapt. In large project with many teams working on the same product this task is not so simple. I want to share experience report in implementing Code Review practice in big product development team (more than 150 people, 10+ feature teams). In this talk we will review what approaches works in such setup and what don’t work, what tools and additional practices are needed to support Code Review and make it more effective, what difficulties and blockers will you probably see in the real life cases, what useful metrics could be produced by this practice.
In this webinar we will compare the complexities involved in Terracotta with the code/configuration changes to migrate to Hazelcast. You will learn about important features of Hazelcast such as IMDG capabilities, off-heap data storage, distributed collections, etc. and the feature-rich product portfolio of Hazelcast. We will cover how Hazelcast can scale up and out dynamically and without downtime against the static configuration of Terracotta. Expect to leave the webinar being more educated about Hazelcast in terms of architecture, important features and best practices.
We’ll cover these topics:
- Hazelcast architecture and features
- Terracotta distributed architecture
- Scale – Vertical + Horizontal = Showcase no downtime feature in Hazelcast
- BigMemory vs. HDC
- Ease of installation – two jars against multiple jars
- Config and Code changes – cache vs. maps, off-heap vs. HDC
- Portability of Client APIs – IMap, IQueue, Topics, etc.
- Added functionalities – Showcase IExecutorService, EntryProcessors, Multimap, etc.
- DSO – Showcase EntryProcessors taking place of DSO
- Live Q&A
Presenter:
Rahul Gupta, Senior Solutions Architect
Rahul is a technology-driven professional with 12+ years of experience in building and architecting highly scalable and concurrent, low latency business critical distributed infrastructure. His expertise lies in Big Data and Real Time Analytics space where he specializes in big data governing technologies and Enterprise Architecture. Rahul is an expert in working with decision makers across different business verticals within an organization and guiding them in right decision making through in-depth technical understanding, analysis and evaluation procedures to bring home critical deals with high business values.
Perl для не программистов. Николай Мишин. Moscow.pm 4 июля 2013Moscow.pm
- Как создать презентацию не вылезая из любимого текстового редактора (notepad++, padre, vim).
- Как perl помогает автоматизировать работу без написания кода.
- Пара скриптов, которые облегчают работу на разных платформах.
- Те же скрипты на perl6.
- Автоматизация и тестирование Firefox.
Мастер-класс: Разрабатываем сайт с нуля на полном стеке БЭМ-технологий — Жека...Yandex
БЭМ упрощает разработку сайтов, которые нужно быстро создать и долго поддерживать. Эту технологию используют во фронтенде почти всех сервисов Яндекса, и она уже успела обрасти множеством библиотек и инструментов, которыми мы хотим с вами поделиться. С обширным арсеналом БЭМ, со всей его модульностью и мощью, вам останется «всего-то» придумать идею и реализовать её. На мастер-классе вы сможете вместе с нами создать то, что мы «только что» придумали. Вы узнаете, в чём преимущество вёрстки независимыми блоками и что такое уровни переопределения, познакомитесь с готовыми библиотеками блоков и инструментами для автоматизации сборки. Мы покажем, как разные инструменты — например, autoprefixer, css-препроцессор Roole или модульная система YModules — упрощают жизнь разработчика и создают по-настоящему удобную платформу, если встроить их в процесс разработки на БЭМ. На живом примере мы объясним, в чём польза декларативного подхода, когда одни и те же идеи можно использовать как для CSS, так и для JavaScript. Отдельная часть мастер-класса будет посвящена декларативным шаблонам BEMHTML и BEMTREE, которые позволяют преобразовывать сырые данные во view-ориентированный BEMJSON. Мы вместе напишем серверную часть приложения в БЭМ-методологии и используем данные от разных социальных и поисковых сервисов (RSS с Яндекс.Фоток, API Twitter и Instagram). В результате получится работающий сайт, а вы — на практике познакомитесь с полным стеком БЭМ-технологий. После мастер-класса мы сможем свободно пообщаться на профессиональные темы. Например, вы расскажете о трудностях, с которыми встретились при реализации проекта на БЭМ, и мы вместе подумаем, как воплотить вашу идею в жизнь.
Solit 2014, MapReduce и машинное обучение на hadoop и mahout, Слисенко Конста...solit
Слисенко Константин, Минск. Компания JazzTeam, Senior Software Engineer
«Scrum для большого проекта. Как это работает на практике». Development секция. Agile отделение.
«MapReduce и машинное обучение на Hadoop и Mahout». Development секция. Для разработчиков. Высокий уровень подготовки.
Описан алгоритм, занявший второе место на соревновании
CardioQvark. Подробное описание - см. в отчёте https://alexanderdyakonov.wordpress.com/2016/04/03/%D0%B4%D0%B5%D1%82%D0%B5%D0%BA%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BA%D1%83%D1%80%D0%B8%D0%BB%D1%8C%D1%89%D0%B8%D0%BA%D0%B0/
код - https://github.com/Dyakonov/cardioqvark
Алгебраический подход к анализу данных и его приложенияАлександр Дьяконов
Доклад на конференции профессоров РАН по Отделению математических наук РАН.
15 июня 2016 г. 15:25, г. Москва, ул. Губкина, д. 8, Математический институт имени В. А. Стеклова Российской Академии наук
http://www.mathnet.ru/conf908
Machine learning with Python / Олег Шидловский / Doist [Python Meetup 27.03.15] Python Meetup
Machine learning with Python / Олег Шидловский / Web developer Doist
Олег расскажет о базовых концепциях Machine learning и покажет примеры работы с библиотеками, при помощи которых можно легко решать задачи, связанные с машинным обучением.
Python Meetup - встречи минского сообщества любителей языка программирования Python.
Присоединяйся к нам!
Мы в twitter: https://twitter.com/pythonminsk
Мы на youtube: http://www.youtube.com/pythonMinsk
Мы на slideshare: http://www.slideshare.net/MinskPythonMeetup
Because Elixir and Phoenix borrow so many good ideas from the Rails ecosystem, it’s astoundingly easy for Ruby developers to become proficient in this powerful new set of tools. First, I’ll introduce Phoenix from a Rails POV, and then show two ways it can be used in conjunction with Rails.
This is a presentation given on October 24 by Michael Uzquiano of Cloud CMS (http://www.cloudcms.com) at the MongoDB Boston conference.
In this presentation, we cover Hazelcast - an in-memory data grid that provides distributed object persistence across multiple nodes in a cluster. When backed by MongoDB, objects are naturally written to Mongo by Hazelcast. The integration points are clean and easy to implement.
We cover a few simple cases along with code samples to provide the MongoDB community with some ideas of how to integrate Hazelcast into their own MongoDB Java applications.
«Бутылочное горлышко многопоточных программ – кто виноват, и что делать. Мастер-класс.»
BitByte: 20 апреля 2013, Санкт-Петербург
http://bitbyte.itmozg.ru/
When you work in a small collocated team many engineering practices and approaches are relatively easy to use and adapt. In large project with many teams working on the same product this task is not so simple. I want to share experience report in implementing Code Review practice in big product development team (more than 150 people, 10+ feature teams). In this talk we will review what approaches works in such setup and what don’t work, what tools and additional practices are needed to support Code Review and make it more effective, what difficulties and blockers will you probably see in the real life cases, what useful metrics could be produced by this practice.
In this webinar we will compare the complexities involved in Terracotta with the code/configuration changes to migrate to Hazelcast. You will learn about important features of Hazelcast such as IMDG capabilities, off-heap data storage, distributed collections, etc. and the feature-rich product portfolio of Hazelcast. We will cover how Hazelcast can scale up and out dynamically and without downtime against the static configuration of Terracotta. Expect to leave the webinar being more educated about Hazelcast in terms of architecture, important features and best practices.
We’ll cover these topics:
- Hazelcast architecture and features
- Terracotta distributed architecture
- Scale – Vertical + Horizontal = Showcase no downtime feature in Hazelcast
- BigMemory vs. HDC
- Ease of installation – two jars against multiple jars
- Config and Code changes – cache vs. maps, off-heap vs. HDC
- Portability of Client APIs – IMap, IQueue, Topics, etc.
- Added functionalities – Showcase IExecutorService, EntryProcessors, Multimap, etc.
- DSO – Showcase EntryProcessors taking place of DSO
- Live Q&A
Presenter:
Rahul Gupta, Senior Solutions Architect
Rahul is a technology-driven professional with 12+ years of experience in building and architecting highly scalable and concurrent, low latency business critical distributed infrastructure. His expertise lies in Big Data and Real Time Analytics space where he specializes in big data governing technologies and Enterprise Architecture. Rahul is an expert in working with decision makers across different business verticals within an organization and guiding them in right decision making through in-depth technical understanding, analysis and evaluation procedures to bring home critical deals with high business values.
Perl для не программистов. Николай Мишин. Moscow.pm 4 июля 2013Moscow.pm
- Как создать презентацию не вылезая из любимого текстового редактора (notepad++, padre, vim).
- Как perl помогает автоматизировать работу без написания кода.
- Пара скриптов, которые облегчают работу на разных платформах.
- Те же скрипты на perl6.
- Автоматизация и тестирование Firefox.
Мастер-класс: Разрабатываем сайт с нуля на полном стеке БЭМ-технологий — Жека...Yandex
БЭМ упрощает разработку сайтов, которые нужно быстро создать и долго поддерживать. Эту технологию используют во фронтенде почти всех сервисов Яндекса, и она уже успела обрасти множеством библиотек и инструментов, которыми мы хотим с вами поделиться. С обширным арсеналом БЭМ, со всей его модульностью и мощью, вам останется «всего-то» придумать идею и реализовать её. На мастер-классе вы сможете вместе с нами создать то, что мы «только что» придумали. Вы узнаете, в чём преимущество вёрстки независимыми блоками и что такое уровни переопределения, познакомитесь с готовыми библиотеками блоков и инструментами для автоматизации сборки. Мы покажем, как разные инструменты — например, autoprefixer, css-препроцессор Roole или модульная система YModules — упрощают жизнь разработчика и создают по-настоящему удобную платформу, если встроить их в процесс разработки на БЭМ. На живом примере мы объясним, в чём польза декларативного подхода, когда одни и те же идеи можно использовать как для CSS, так и для JavaScript. Отдельная часть мастер-класса будет посвящена декларативным шаблонам BEMHTML и BEMTREE, которые позволяют преобразовывать сырые данные во view-ориентированный BEMJSON. Мы вместе напишем серверную часть приложения в БЭМ-методологии и используем данные от разных социальных и поисковых сервисов (RSS с Яндекс.Фоток, API Twitter и Instagram). В результате получится работающий сайт, а вы — на практике познакомитесь с полным стеком БЭМ-технологий. После мастер-класса мы сможем свободно пообщаться на профессиональные темы. Например, вы расскажете о трудностях, с которыми встретились при реализации проекта на БЭМ, и мы вместе подумаем, как воплотить вашу идею в жизнь.
Mihail Zachepilo - WebAssembly powered Machine LearningMaria Kuneva
Stop talking about WebAssembly specification, let's solve a problems using it! How to WebAssembly work and how we can use it to enhance Machine Learning in browser experience.
Разработка портируемой инфраструктуры New Relic — контейнеры, CoreOS и прочие...Ontico
HighLoad++ 2017
Зал «Кейптаун», 7 ноября, 17:00
Тезисы:
http://www.highload.ru/2017/abstracts/2897.html
Нашей группе было поручено создать новый самостоятельный “регион” для всех продуктов New Relic, предназначенный для обслуживания европейских клиентов, подпадающих под ограничения GDPR. Здесь следует отметить, что так как наша компания предоставляла свои услуги исключительно через “облако” (SaaS), то хорошо выработанных процессов для настройки всей инфраструктуры “с нуля” у нас не было.
...
Serghei Iakovlev "Chaos engineering in action"Fwdays
Let's talk about what chaos engineering is and how this discipline can be applied in projects where PHP is used as the main language.
Among other things, we will cover the following topics:
What problems does chaos engineering solve?
What are the solutions exist?
How to develop your own solution?
What is a controlled failover?
A little about ZendEngine and what tools are out of the box?
A bit about chaos design.
A bit about the code leading to chaos.
Ключевые риски и лучшие практики информационной безопасности при переходе в о...Michael Kozloff
Облака снижают затраты на информационные технологии и дают эластичную масштабируемость
Утечка данных через администраторов – самый дорогой вид угроз нарушения ИБ
Облакам нужны крепкие засовы в виде лучших практик ИБ
Machine learning c использованием нейронных сетей, Дмитрий ЛапинIT61
Обзор популярных фреймворков для обучения нейронных сетей, поделюсь собственным опытом их внедрения. Расскажу об использовании готовых предобученных сетей "как есть", дообучении (fine-tuning) и обучении собственных сетей с нуля.
Евгений Жарков "Как быть хорошим фронтенд-разработчиком"Fwdays
Как искать и выбирать оптимальные решения? Для одной задачи подойдет React, для другой - Zepto. Сегодня вы пишите для браузера, завтра думаете, как использовать native-ресурсы iOS.
Не все технологии, которые удобны разработчику, могут дать удобство конечному пользователю.
Я расскажу о балансе, который позволяет бизнесу получать результат, а разработчику - решение.
4. Вступление : из-за чего сыр-бор?
Машинное обучение - это классно.
.NET - это тоже замечательно
По распространенному мнению, .NET не подходит для
решения задач машинного обучения...
4
...но мы же не станем отступать из-за таких мелочей?
https://github.com/nevoroman/ml-dotnet/tree/master/MLIntro
6. Машинное обучение : что это за зверь?
«Machine Learning is the field of study that gives computers the
ability to learn without being explicitly programmed»
— Prof. Arthur Samuel
6https://github.com/nevoroman/ml-dotnet/tree/master/MLIntro
7. Машинное обучение : когда использовать?
Когда трудно описать алгоритм решения задачи
7https://github.com/nevoroman/ml-dotnet/tree/master/MLIntro
8. Машинное обучение : когда использовать?
Когда трудно описать алгоритм решения задачи
Когда нужно предугадать некоторые значения,
имея большой набор данных
8https://github.com/nevoroman/ml-dotnet/tree/master/MLIntro
9. Машинное обучение : когда использовать?
Когда трудно описать алгоритм решения задачи
Когда нужно предугадать некоторые значения,
имея большой набор данных
Когда вы хотите улучшить работу имеющегося
алгоритма за счет накопления опыта
9https://github.com/nevoroman/ml-dotnet/tree/master/MLIntro
10. Машинное обучение : зачем мне это?
10
Анализ отзывов фанатов о
новых «Звездных войнах»
Решено в три дня и 10 строчек
кода.
https://github.com/nevoroman/ml-dotnet/tree/master/MLIntro
11. Машинное обучение : зачем мне это?
Позволяет легко решать трудные задачки
11https://github.com/nevoroman/ml-dotnet/tree/master/MLIntro
12. Машинное обучение : зачем мне это?
Позволяет легко решать трудные задачки
Базовые навыки легко осваиваются и полезны в
других областях
12https://github.com/nevoroman/ml-dotnet/tree/master/MLIntro
13. Машинное обучение : зачем мне это?
Позволяет легко решать трудные задачки
Базовые навыки легко осваиваются и полезны в
других областях
Это чертовски весело!
13https://github.com/nevoroman/ml-dotnet/tree/master/MLIntro
15. ML и .NET : мы этого точно хотим?
15
.NET имеет кучу клевых инструментов для работы с
данными
https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
16. ML и .NET : мы этого точно хотим?
16
.NET имеет кучу клевых инструментов для работы с
данными
Позволяет встраивать алгоритмы машинного
обучения, не выходя из уютного дотнета
https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
17. ML и .NET : мы этого точно хотим?
17
.NET имеет кучу клевых инструментов для работы с
данными
Позволяет встраивать алгоритмы машинного
обучения, не выходя из уютного дотнета
F#
https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
18. F#
ML и .NET : мы этого точно хотим?
https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
19. ML и .NET : препарируем F#
19https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
20. ML и .NET : препарируем F#
20https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
21. ML и .NET : препарируем F#
21
Функциональное программирование - это просто!
https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
22. ML и .NET : препарируем F#
22https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
23. ML и .NET : немного уличной магии
23https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
24. ML и .NET : витаем в облаках
24https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
25. ML и .NET : ближе к делу
Постановка задачи :
Необходимо без использования библиотек и бубна реализовать
спам-фильтр, написав для этих целей как можно меньше и кода, не
жертвуя, по возможности, читаемостью.
Решение:
F#, Байесовский классификатор и немного функциональщины
25https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
26. ML и .NET : что за классификатор?
Наивный байесовский классификатор - простой вероятностный
классификатор, основанный на применении теоремы Байеса.
26https://github.com/nevoroman/ml-dotnet/tree/master/ML&Dotnet
28. Инструментарий : чем думать будем?
Accord Framework
numl
Encog
Azure ML
28https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
29. Инструментарий : Accord Framework
29
Великолепно документирован
Огромный арсенал всевозможных алгоритмов
Гибкий
Требует некоторого времени на освоение
https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
30. Инструментарий : numl
30
Просто осваивается
Не требует долгого развертывания; для базовой реализации
алгоритма достаточно и минуты
Базовый набор алгоритмов
Отличный «тестовый стенд» - для смены алгоритма
необходимо поменять буквально одну строчку кода
https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
31. Инструментарий : Encog
31
Довольно гибок
Неплохая встроенная работа с данными
Имеет Java реализацию
Работе с ним посвящена неплохая книга
Некоторые алгоритмы он реализует просто великолепно.
https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
32. Инструментарий : Azure ML
32
Прост в использовании : ваш ребенок может случайно стать
Data Scienist'ом
Это клевые модные облачные вычисления
Функционал легко расширяется самописными модулями
Легкая и приятная работа с данными
https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
33. Инструментарий : немного побенчмаркаем
33https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
34. Инструментарий : немного побенчмаркаем
https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
35. Инструментарий : немного побенчмаркаем
Iris dataset
Method Tool Median (us) Correct
K Nearest Neighbors numl 5006.5 100%
K Nearest Neighbors Accord Framework 123.2 100%
K Nearest Neighbors scikit-learn (Python) 965.5 99%
Decision Tree numl 2338.1 86.66%
Decision Tree Accord Framework 687.7 96.66%
Decision Tree scikit-learn (Python) 501.9 93.33%
Naive Bayes numl 1657.8 80%
Naive Bayes Accord Framework 93.2 100%
Naive Bayes scikit-learn (Python) 1056.3 96.66%
https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
36. Инструментарий : немного побенчмаркаем
https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
Skin dataset
Method Tool Median (ms) Correct
K Nearest Neighbors numl 12783892.2 99.94%
K Nearest Neighbors Accord Framework 1445.6 99.94%
K Nearest Neighbors scikit-learn (Python) 1249.1 99.94%
Decision Tree numl 2663.4 78.92%
Decision Tree Accord Framework 3740.9 92.76%
Decision Tree scikit-learn (Python) 317.8 99.93%
Naive Bayes numl 1664.4 92.55%
Naive Bayes Accord Framework 46 92.35%
Naive Bayes scikit-learn (Python) 183.3 92.35%
37. Инструментарий : переваривая результаты
Accord отлично показал себя на всех выбранных алгоритмах
Некоторые алгоритмы могут работать ОЧЕНЬ медленно, но в
большинстве случаев - это проблема реализации.
На больших объемах данных Accord и numl показали сравнимые
результаты, однако Accord все еще точнее
Скорость и точность, которую показал Accord, сравнима с Scikit.
37https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
38. Инструментарий : ну и зачем нам numl?
38https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
39. Инструментарий : FsLab
39
Объединяет в себе все лучшие инструменты манипулирования данными,
созданные для F#
https://github.com/nevoroman/ml-dotnet/tree/master/MLTools
40. С чего начать?
Mathias Brandewinder - Machine Learning Projects for .NET
Developers
Matthew Kirk - Thoughtful Machine Learning
Tomas Petricek - Analyzing and Visualizing Data with F#
https://github.com/nevoroman/ml-dotnet 40
41. У вас найдется минутка поговорить о ML?
https://github.com/nevoroman/ml-dotnet 41
roman.nevolin@waveaccess.ru
nevoroman
nevoroman/ml-dotnet
Спасибо за внимание!