PyCharm BlogBest Python AI Frameworks in 2026
#Python #Pycharm #Datascience #Huggingface #Keras #Langchain #Pytorch #Scikitlearn #Tensorflow
https://blog.jetbrains.com/pycharm/2026/06/best-python-ai-frameworks-in-2026/
HabrКакой подход к предсказанию последовательности стоит выбрать
Построение прогноза последовательности (графика) это тема отдельной книги, поэтому в статье я только слегка коснусь двух подходов: - построение прогноза по одной точке, используя цикл; - построение прогноза на весь период одним махом. И постараюсь пояснить на примерах, почему один из них скорее всего будет пустой тратой времени.
Guia de TICurso de Deep Learning Gratuito: Aprenda Redes Neurais com Python na Prática
https://guiadeti.com.br/curso-deep-learning-gratuito-python/
#deeplearning #inteligenciaartificial #keras #machinelearning #python #redesneurais #tecnologia
https://guiadeti.com.br/curso-deep-learning-gratuito-python/?fsp_sid=566
Patrick 
One Open-source Project Daily
Reversi reinforcement learning by AlphaGo Zero methods.
https://github.com/mokemokechicken/reversi-alpha-zero
#1ospd #opensource #alphagozero #deeplearning #keras #machinelearning #reinforcementlearning #reversi #tensorflow
Reversi reinforcement learning by AlphaGo Zero methods.
https://github.com/mokemokechicken/reversi-alpha-zero
#1ospd #opensource #alphagozero #deeplearning #keras #machinelearning #reinforcementlearning #reversi #tensorflow
Как свёрточные нейронные сети видят мир
Привет, Хабр! Меня зовут Яна Вольнова, я ex-разработчик систем распознавания образов, а сейчас преподаю глубокое машинное обучение в МГТУ им. Н.Э. Баумана и пишу курсы для Яндекс Практикума, например,
https://habr.com/ru/companies/yandex_praktikum/articles/1015974/
#компьютерное_зрение #сверточные_нейронные_сети #cnn #opencv #keras
SESH.sxNarrativ with Keras [EU] & N-June @ La Récré - 17 Apr feat. Keras
anonchegTitle: P3: Distributing deep learning training with Tensorflow [2023-07-27 Thu]
import numpy as np
print(np.argmax(predictions))
print(y_train[:1])
assert np.argmax(predictions) == y_train[:1][0]
❤️🧡💛💚💙💜\n#distributed #nn #tensorflow #keras
import numpy as np
print(np.argmax(predictions))
print(y_train[:1])
assert np.argmax(predictions) == y_train[:1][0]
❤️🧡💛💚💙💜\n#distributed #nn #tensorflow #keras
Title: P2: Distributing deep learning training with Tensorflow [2023-07-27 Thu]
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
model.compile(optimizer='adam',
loss=loss_fn,
metrics=['accuracy'])
# -- train
model.fit(x_train, y_train, epochs=5)
# -- checks the model's performance
model.evaluate(x_test, y_test, verbose=2)
# -- inferece
predictions = model(x_train[:1]).numpy()\n#distributed #nn #tensorflow #keras
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
model.compile(optimizer='adam',
loss=loss_fn,
metrics=['accuracy'])
# -- train
model.fit(x_train, y_train, epochs=5)
# -- checks the model's performance
model.evaluate(x_test, y_test, verbose=2)
# -- inferece
predictions = model(x_train[:1]).numpy()\n#distributed #nn #tensorflow #keras
Title: P1: Distributing deep learning training with Tensorflow [2023-07-27 Thu]
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])\n#distributed #nn #tensorflow #keras
Title: P2: P0: Distributing deep learning training with Tensorflow [2023-07-27 Thu]
strategy with a following toy model. Wish me luck! 🍀
import tensorflow as tf
mnist = tf.keras.datasets.mnist\n#distributed #nn #tensorflow #keras