Andre Santos Ribeiro

@ASantosRibeiro

PhD student: Imperial College of London, UK; Interests: Medical Imaging Processing, Brain Connectivity, Machine Learning

London, UK
যোগদান করেছেন জানুয়ারী ২০১৪

টুইট

আপনি @ASantosRibeiro-কে ব্লক করেছেন

আপনি কি এই টুইটগুলি দেখতে চাওয়ার বিষয়ে নিশ্চিত? টুইটগুলি দেখা হলে @ASantosRibeiro অবরোধ মুক্ত হবে না।

  1. পুনঃ টুইট করেছেন
    ১৬ ঘন্টা আগে

    "Reproducible machine learning with PyTorch and Quilt" (). Interesting post, but I think "reproducibility" is a bit overselling it. Would be curious to hear from people who tried Quilt how it's beneficial compared to the trad. code on github+data on AWS S3?

    পূর্বাবস্থায়
  2. ১৮ ঘন্টা আগে

    Tiny Gradient Boosted Trees (TinyGBT) is a simple pure python implementation of gradient boosted trees. A good way to dive in one of the most used machine learning tecniques in competitions.

    পূর্বাবস্থায়
  3. পুনঃ টুইট করেছেন
    ১৫ জুলাই

    Heard great things about UMAP (Uniform Manifold Approx. & Projection for Dim. Reduction) vs e.g., T-SNE, but haven't had a chance to read up on it, yet. Conveniently, I just see that there's a recording from a UMAP talk at SciPy 2018 on YouTube: . Perfect.

    পূর্বাবস্থায়
  4. পুনঃ টুইট করেছেন
    ১২ জুলাই

    All of the available winners' solution from our ML competitions in one meta-kernel! Thank you

    পূর্বাবস্থায়
  5. ১২ জুলাই

    Imagenet like for language models.

    পূর্বাবস্থায়
  6. ১০ জুলাই

    Glow, a reversible generative model.

    পূর্বাবস্থায়
  7. পুনঃ টুইট করেছেন
    ৭ জুলাই
    পূর্বাবস্থায়
  8. পুনঃ টুইট করেছেন
    ৩ জুলাই

    This new family of GAN loss functions looks promising! I'm especially excited about Fig 4-6, where we see that the new loss results in much faster learning during the first several iterations of training. I implemented the RSGAN loss on a toy problem and it worked well.

    পূর্বাবস্থায়
  9. পুনঃ টুইট করেছেন
    ২৮ জুন

    NN models used to win recent Avito kaggle competition.

    পূর্বাবস্থায়
  10. পুনঃ টুইট করেছেন
    ৩ জুলাই

    That's an awesome ML ensemble Library! A user of mlxtend took the ensemble methods to the next level and added a computational graph approach to handle parallelization: "ML-Ensemble, a Python library for memory efficient parallelized ensemble learning"

    পূর্বাবস্থায়
  11. পুনঃ টুইট করেছেন
    ৭ ফেব, ২০১৭

    How biased is the crowd? Small number of people produce majority of what we see on the web.

    পূর্বাবস্থায়

লোড হতে বেশ কিছুক্ষণ সময় নিচ্ছে।

টুইটার তার ক্ষমতার বাইরে চলে গেছে বা কোনো সাময়িক সমস্যার সম্মুখীন হয়েছে আবার চেষ্টা করুন বা আরও তথ্যের জন্য টুইটারের স্থিতি দেখুন।

    আপনিও পছন্দ করতে পারেন

    ·