מאת אורי אליאבייב, 6 בספטמבר 2020

אחת השאלות הנפוצות ביותר בתחום ה-DS/ML היא איך להיכנס לתחום. בעקבות העליה בפופלאריות של עולם הבינה המלאכותית עוד ועוד אנשים מעוניינים לעשות את צעדיהם הראשונים בעולם זה, אך לא תמיד יודעים כיצד. כדי לעשות סדר בנושא ועל מנת לפרוש בפני אלו שבראשית דרכם את האופציות השונות העומדות בפניהם, הוזמנתי על ידי עמית בן דור לשיחה מקיפה על הנושא כחלק מהפודקאסט המצליח "עושים תוכנה". כך יצא שהקלטנו שני פרקים מלאים אשר עוסקים בסוגיה ממספר זוויות שונות – החל מהסבר פשוט לכל תפקיד בתחום ועד טיפים מתקדמים לאיך אפשר להתברג בתעשיית ה-ML בארץ.

בפרק הראשון, הסברנו תחילה מדוע התחום צובר תאוצה רבה כל כך בשנים האחרונות ומה המוטיבציה של אנשים רבים לנסות להצטרף אליו. דברנו על המשכורות הגבוהות, הפיתוח בחזית העשייה, הפן המחקרי של העבודה ועוד סיבות נוספות. לאחר מכן, ורגע לפני שאנחנו צוללים לאיך אפשר להיכנס לתחום, שטחנו בפני המאזינים את מגוון התפקידים הרחב שיש בעולם ה-AI והסברנו בצורה פשוטה מה מגדיר כל תפקיד, מה תחום העיסוק שלו ובמה הוא שונה משאר התפקידים. התייחסנו כמובן לתפקידי ה-Data scientist, Data Analyst, חוקר ועוד. זו הזדמנות מצוינת עבור כל מי שלא היה בטוח בהבדלים בין התפקידים, להבין כעת מה מבדיל כל תפקיד ותפקיד.

Listen to "[עושים תוכנה] איך נכנסים לעולם הData science? המתכון המלא" on Spreaker.

לכתבה המלאה >>

MDLI

אירועים

כללי

#2 MDLI ops – פרטים ורישום

מאת אורי אליאבייב, 1 בספטמבר 2020

אני שמח להזמין אתכם לאירוע השני בסדרת אירועי MDLI ops שיעניק דגש לצד הטכני יותר של העבודה היומיומית. אירועים אלו יעניקו במה לחברות ישראליות שפועלות בתחום, מה שיאפשר להן להגיע לקהל רחב יותר של משתמשים. במקביל אירועים אלו יאפשרו לחברי הקהילה לשתף מתודולוגיות עבודה נכונות או כלים אחרים מומלצים שהם חלק משגרת העבודה שלהם. האירוע הראשון כולל 3 הרצאות מגוונות ומעניינות שיעסקו כל אחת בכלי או בעיה נפוצה בעת אימון מודלים. האירוע יתקיים בתאריך ה-09.9.2020 בשעה 18:00 ויועבר בשידור חי לחברי הקבוצה. כדי שאוכל לדעת באיזה כלי לשדר את האירוע, מה שיושפע מכמות הנרשמים, חשוב להירשם בלינק המצורף כדי שאוכל לדעת כיצד להיערך לכך בהתאם.

כמו כן, לאחר האירוע אשלח את כל המצגות והוידאו בצורה מסודרת בניוזלטר של הקהילה (הירשמו לניוזלטר כדי להישאר מעודכנים), בערוץ טלגרם, בערוץ היוטיוב וגם אעדכן את העמוד הזה

ניתן להירשם בלינק הבא.

רשימת ההרצאות: לכתבה המלאה >>

תגיות: allegro, Ariel Biller, DAGsHub, Dev ops, Edo Liberty, Guy Smoilovsky, HyperCube, MDLI ops, ML ops

כללי

לא רק סייבר: נירמול היחסים עם איחוד האמירויות יכול להביא בשורה בתחום הבינה המלאכותית

מאת אורי אליאבייב, 27 באוגוסט 2020

ההסכם שהוכרז בין ישראל לאיחוד האמירויות עורר עניין רב בקרב אזרחי שתי המדינות, וניכר כי שיתוף פעולה עמוק ביניהן במגוון רחב של נושאים נמצא ממש מעבר לפינה. לצד ההתרגשות, חשוב להדגיש כי על אף שמדובר על הכרזה רשמית שהגיעה רק עכשיו, מדינת ישראל וחברות מקומיות רבות פועלות כבר שנים רבות במדינות המפרץ ומכרו להן טכנולוגיות שונות. נכון, במרבית המקרים היה מדובר בעסקאות סייבר שנחתמו בחדרי חדרים, אך יש עוד תחום שיכול להוציא את שיתוף הפעולה בין המדינות מהמחשכים לחזית הפיתוח הטכנולוגי – הבינה המלאכותית.

גורמי ממשל באיחוד האמירויות הבינו כבר לפני כמה שנים כי מדובר בתחום שצפוי לחולל מהפיכה טכנולוגית וכלכלית, והחליטו לעשות הכל כדי לתפוס מקום בשורה הראשונה. כפועל יוצא מכך, באוקטובר 2017 איחוד האמירויות הפכה למדינה הראשונה בעולם שמינתה שר לבינה מלאכותית. המינוי של עמר סלטאן אלעלמאא' (Omar Al Olama) לשר האחראי על התחום היא ראיה למידת הרצינות שמעניקה הממשלה במפרץ לתחום, ועד כמה חשובה לה ההובלה בטכנולוגיה זו דווקא. לכתבה המלאה >>

תגיות: Mohamed bin Zayed University of Artificial Intelligence, Omar Al Olama, אבו דאבי, איחוד האמירויות, בינה מלאכותית, דובאי, עמר סלטאן אלעלמאא', שר לבינה מלאכותית, שר לענייני בינה מלאכותית

כללי

סיכום תחרות Kaggle SIIM-ISIC Melanoma Classification (קבוצת MelANOVA)

מאת ים פלג, 23 באוגוסט 2020

סיכום תחרות זו עלה כחלק מפוסט של ים פלג.

קבוצת MelANOVA:

על התחרות:

מלנומה – סרטן שרוב גידולו מתחילים בעור.

דיאגנוזה למלנומה כוללת בין היתר התבוננות בנקודות חן ושומות.

הבעיה ברורה: אנחנו מקבלים תמונות של שומות -> צריכים להחזיר: "כן סרטני" / "לא סרטני".

התחרות רצה שנה אחרי שנה כבר כמה שנים ברציפות.

את התחרות פתחנו במקום הראשון.

הגשה של ספי ונתי מהרצת האלגוריתם שפיתחו לתחרות של שנה שעברה.

אף אחד מאיתנו לא חשב שהמצב ימשיך כך לאורך זמן, ישבנו וחשבנו על אסטרטגיה מנצחת להמשך התחרות.

אז איך מנצחים תחרויות מדע נתונים? [מסודר לפי סדר חשיבות]

אסטרטגית Cross Validation טובה.
ניקוי טוב של הנתונים.
הנדסת פיצ'רים טובה.
מציאת טריקים\"רמאויות קטנות" בדאטה או במטריקה.
מודל טוב.
אופטימיזציה טובה להיפרפרמטרים.
שיטה טובה לאנסמבל [בדגש על סטאקינג].
שיטה טובה לאוגמנטציות (גם בזמן האימון וגם בזמן ההרצה – TTA).
כוח מחשוב. זה תמיד עוזר.
מזל. (כן כן! מזל מאוד עוזר)

לכתבה המלאה >>

כללי

סיכום תחרות Kaggle SIIM-ISIC Melanoma Classification (קבוצת Yuval & nosound)

מאת יובל ריינה, 23 באוגוסט 2020

סיכום זה נכתב כחלק מפוסט של Yuval Reina

על התחרות

כפי שנכתב התחרות מתרכזת בזיהוי של מלנומה בתמונות של כתמים ונקודות חן שונות.

תחרות כזו מתקיימת כבר מספר שנים על פלטפורמות שונות (לאו דווקא Kaggle), כאשר החידוש השנה הוא ברצון לראות האם ניתן להשתמש במספר תמונות מאותו חולה לשם שיפור דיוק הגילוי.

המידע הוא תמונות + ID של החולה ומספר נתונים על החולה – גיל (בעת צילום התמונה), מין, על התמונה – מיקום, איזה סוג כתם זוהה (נקודת חן/מלנומה/וכו') וה Target – כן/לא מלנומה.

הקריטריון של התחרות היה AUC – ROC

האתגר העיקרי בתחרות הוא המספר הקטן של תמונות עם Target=1 . מכיוון שרצו להביא תמונות רבות מכל חולה (בין בודדות ל 200, בממוצע כ 20), ומכיוון שמרבית התמונות, גם בחולה עם מלנומה, הן ללא מלנומה, רק כ 2% מהתמונות היו עם Target=1.

הדבר הקשה על בניית המודלים, אבל יותר מכך עשה שמות ב LB של התחרות. ב Public LB היו רק 78 תמונות חיוביות מתוך מעל 3000 תמונות וב Private LB היו כנראה רק כ 170 תמונות חיוביות.

כתוצאה מכך בסוף התחרות היה Shakeup עצום: המקום הראשון הסופי היה במקום 886 לפי ה Public LB ומעטים מה 50 הראשונים היו בעמדה לקבלת מדליה לפני כן. (המשמעות של הדבר בעיניי היא שהתחרות למעשה נכשלה, המקומות הגבוהים הם די שרירותיים לפי התאמתם ל Private LB).

הקבוצה

אני הייתי חלק מקבוצת Yuval & nosound שכללה אותי ואת nosound שהוא ZAHAR CHIKISHEV (גם ישראלי). זו הפעם הרביעית שאנו משתפים פעולה בקאגל, עד כה בצורה מוצלחת למדי (2*זהב, 2*כסף)

את התחרות סיימנו במקום ה 29 (לפני ה Shakeup היינו במקום שני אבל רק בגלל שזכר מומחה ל LB Probing ושלושה ימים לפני הסיום הגיש פתרון כמעט מושלם שהציב אותנו במקום שני עם התוצאה, הלא אמיתית של 0.9913).

לכתבה המלאה >>

כללי

ריכוז מידע על ACLi הראשון

מאת אורי אליאבייב, 20 באוגוסט 2020

כפי שהובטח, אנו מארגנים גרסה מקומית של כנס ACLi בו יציגו דוברים ישראליים את העבודות אותן הם הציגו בכנס ACL עצמו. נתחיל ונציין כי אין קשר רשמי לכנס ACL העולמי וכי מדובר על יוזמה קהילתית מקומית שמטרתה היא להביא במה לחוקרים הישראלים ולאפשר להקהילה המקומית להיחשף לעבודתם. כל הרצאה בכנס תהייה בת 12 דקות בהן כל מרצה יציג את הנושאים העיקריים בעבודה שלו.

השנה, בעקבות מספר הגבוה מאוד שלי חוקרים ישראליים שהתקבלו ל-ACL, האירוע המקומי יפוצל לשני אירועים בשני תאריכים שונים. האירוע הראשון יתקיים בתאריך ה-27/08/2020, בשעה 18:00 עד 21:00 והאירוע השני יתקיים בתאריך ה-30/08/2020, בשעה 18:00 עד 21:00.

כמו כן, לאחר האירוע אשלח את כל המצגות והוידאו בצורה מסודרת בניוזלטר של הקהילה (הירשמו לניוזלטר כדי להישאר מעודכנים), בערוץ טלגרם, בערוץ היוטיוב וגם אעדכן את העמוד הזה . ההרשמה לאירוע מתבצעת דרך הטופס הזה.

לכתבה המלאה >>

תגיות: Adva Wolf, AI21 Labs, Amit Seker. Reut Tsarfaty, Amnon Shashua, and other recent advances in pre-training, Ankit Gupta, Assaf Toledo, Associate Professor, Avi Caciularu, Bar Ilan University, Bar Ilan University / The Allen Institute for Artificial Intelligence (AI2), Barak Lenz, Bart, Bayesian Hierarchical Words Representation Learning, Break It Down: A Question Understanding Benchmark, CausaLM: Causal Model Explanation Through Counterfactual Language Models, Christopher Ré. Hila Gonen, Da-Cheng Juan, Dafna Shahaf. Yosi Mass, Dan Lahav, Dan Padnos, Daniel Deutch, David Konopnicki. Roy Bar-Haim, Deep Contextualized Self-training for Low Resource Dependency Parsing, DICTA & Bar Ilan University, Djamé Seddah, Fahim Dalvi, Francesco Piccinno, Frederic Sala, From Arguments to Key Points: Towards Automatic Argument Summarization, From SPMRL to NMRL: What did we learn and unlearn in a decade of parsing MRLs, Getting the ##life out of Living: Can word pieces model complex morphology?, Google, Haggai Roitman, Hassan Sajjad, Hebrew University, Hila Gonen, IBM Research AI, Interpretable and Stable Method for Detecting Words with Usage Change across Corpora, James Glass. Adva Wolf, Julian Martin Eisenschlos. Shaltiel Shmidman, Language (Re)modelling: Towards Embodied Language Understanding, Low-Dimensional Hyperbolic Knowledge Graph Embeddings, Matt Gardner, Michael Twito, Michal Jacovi, Microsoft / Tel Aviv university, Miriam RL Petruck, Nadir Durrani, Nakdan: Professional Hebrew Diacritizer, Noam Koenigstein. Amir Feder, Null It Out: Guarding Protected Attributes by Iterative Nullspace Projection, Obtaining Faithful Interpretations from Compositional Neural Networks, Omri Abend, Or Dagan, Or Sharir, Ori Ram, other members: . Aryeh Tiktinsky, other members: . Reut Tsarfaty, other members: Carmel Rabinovitz, other members: Dan Barket, other members: Hassan Sajjad, other members: Ines Chami, other members: John M. Wu, other members: Lilach Eden, other members: Omer Levy. Eyal Ben David, other members: Oren Barkan, other members: Stav Klein. Ofir Press, other members: Yoav Goldberg, other members: Yoav Goldberg. Amir Feder, Out of the Echo Chamber: Detecting Countering Debate Speeches, PERL: Pivot-based Domain Adaptation for Pre-trained Deep Contextualized Embedding Models, PhD Student, Predicting In-game Actions from Interviews of NBA Players, Probing Classifiers and Similarity Measures for Analyzing Language Representations, pyBART: Evidenvce-based syntactic transformations for IE, Ranit Aharonov, Research scientist, researcher, Reut Tsarfaty. Yonatan Belinkov, roBERTa, Roee Aharoni, Roi Reichart., Roi Reichart. Yonatan Belinkov, Roni Friedman, Sandwich Transformers, Senior lecturer, SenseBERT: Driving Some Sense into BERT, Sentior Researcher, Shai-Shalev Shwartz, Similarity Analysis of Contextual Word Representation Models, Simple, SpanBERT, Stanford / Google Research, Stav Klein, Sujith Ravi, TAPAS: Weakly Supervised Table Parsing via Pre-training, Technion, Tel Aviv University, Tel Aviv University / Facebook AI Research, Tel Aviv University / Google, Tel Aviv University / The Allen Institute for Artificial Intelligence (AI2), Thomas Müller, Tom Hope, Towards Faithfully Interpretable NLP Systems: How should we define and evaluate faithfulness?, University of Washington, Unsupervised Domain Clusters in Pretrained Language Models, Unsupervised FAQ Retrieval with Question Generation and BERT, Uri Shalit, Yoav Goldberg, Yoav Kantor, Yoav Shoham. Idan Rejwan

MDLI

אירועים

כללי

ריכוז מידע על אירוע ECCVi 2020 המקומי

מאת אורי אליאבייב, 2 באוגוסט 2020

כפי שהובטח, אני מארגן גרסה מקומית של כנס ECCV בו יציגו דוברים ישראליים את העבודות אותן הם הולכים להציג בכנס ECCV עצמו. נתחיל ונציין כי אין קשר רשמי לכנס ECCV העולמי וכי מדובר על יוזמה קהילתית מקומית שמטרתה היא להביא במה לחוקרים הישראלים ולאפשר להקהילה המקומית להיחשף לעבודתם לפני הכנס הבינלאומי. כל הרצאה בכנס תהייה בת 12 דקות בהן כל מרצה יציג את הנושאים העיקריים בעבודה שלו.

השנה, בעקבות מספר הגבוה מאוד שלי חוקרים ישראליים שהתקבלו ל-ECCV, האירוע המקומי יפוצל לשני אירועים בשני תאריכים שונים. האירוע הראשון יתקיים בתאריך ה-17/08/2020, בשעה 18:00 עד 21:00 (הוסף ליומןן) והאירוע השני יתקיים בתאריך ה-18/08/2020, בשעה 18:00 עד 21:00 (הוסף ליומן).

כמו כן, לאחר האירוע אשלח את כל המצגות והוידאו בצורה מסודרת בניוזלטר של הקהילה (הירשמו לניוזלטר כדי להישאר מעודכנים), בערוץ טלגרם, בערוץ היוטיוב וגם אעדכן את העמוד הזה . ההרשמה לאירוע מתבצעת דרך הטופס הזה.

רשימת דוברים

17/08 לכתבה המלאה >>

תגיות: A Broader Study of Cross-Domain Few-Shot Learning, Across Scales & Across Dimensions: Temporal Super Resolution using Deep Internal Learning, AR-Net: Adaptive Frame Resolution for Efficient Action Recognition, Can You Read Me Now? Content Aware Rectification using Angle Supervision, Deep Image Compression using Decoder Side Information, DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares, Diffusion Variational Autoencoder with Random Walk Sampling, Dimitris Metaxas, DPDist : Comparing Point Clouds Using Deep Point Cloud Distance, ECCVi, IBM Research AI, Learning Canonical Representations for Scene Graph to Image Generation, Learning Object Permanence from Video, Leonid Karlinsky, OneGAN: Simultaneous Unsupervised Learning of Conditional Image Generation, OnlineAugment: Online Data Augmentation with Less Domain Knowledge, PointContrast: Unsupervised Pre-training for3D Point Cloud Understanding, Prasanna Sattigeri, Research scientist, Rogerio Feris, TAFSSL: Task-Adaptive Feature Sub-Space Learning for few-shot classification, Thanks for Nothing: Predicting Zero-Valued Activations with Lightweight Convolutional Neural Networks, Towards Precise Completion of Deformable Shapes, Yunhe Gao, Zhiqiang Tang

כללי

Gradient Origin Networks – דרך חדשה ופשוטה למפות את המרחב הלטנטי

מאת יואב רמון, 20 ביולי 2020

Gradient Origin Networks

Sam Bond-Taylor, Chris G. Willcocks

אמלק:

Gradient Origin Networks הן סוג חדש של רשתות שעוזרות לנו למפות את המרחב הלטנטי של דטה-סט מסויים, עם רשתות קטנות ופשוטות יותר לאימון מ-GANs ו-VAE. המאמר עושה זאת תוך כדי ניצול של התחום המגניב החדש שנקרא Implicit Representation Learning .

הקדמה:

אז כדי להבין את המשמעות של הרשתות האלה אנחנו דבר ראשון צריכים ללמוד על תחום שלם שאני כמעט ולא הכרתי אותו לפני שקראתי את המאמר: Implicit Representation. המטרה של התחום באופן כללי היא לייצג סיגנלים, כמו תמונות, מודלים תלת-מימדיים או כל סוג אחר של אותות בתור רשת נוירונים שממפה קואורדינטה במרחב של הסיגנל לערך של הסיגנל בקואוקדינטה הזאת.

מה זה אומר? קל להסביר את זה בתמונה:
נניח תמונה שהיא 32 על 32 פיקסלים ויש בתוכה את הספרה "5". המטרה היא לייצר רשת שמקבלת כל מיקום של פיקסל בתמונה ובתורה מוציאה ערך בין 0-1 לפי הערך של הפיקסל בתמונה שאנו מנסים לייצג. באופן זה, אנחנו מאמנים את הרשת כבעיית ריגרסיה פשוטה שמטרתה היא לסווג את הפיקסלים. אם ניתן לרשת בתור Input את הערכים (0,0) היא תביא לנו את הערך 0, ואם נביא לה את הערכים (7, 10) היא תביא לנו את הערך 1.

דרך פעולה זו טובה משתי סיבות מרכזיות:

א. זאת דרך למפות מידע (כלשהו) בהסתמך על מורכבות, ולא בהסתמך על הרזולוציה שלו. אם נרצה לשמור בפורמט PNG את אותו מספר "5" ברזולוציה פי 2 יותר גבוהה נצטרך פי 4 יותר זכרון, פה הרשת לומדת את המהות של הסיגנל ולכן יכול להכיל מידע בכל רזולוציה שנבחר לייצא.

ב. אנחנו יודעים לעשות מלא דברים עם רשתות. אנחנו יודעים לצמצם, לחקור ולהריץ אותן ביעילות על כל מיני פלטפורמות. דמיינו שלא משנה אם תפתחו משחק מחשב תלת-מימדי, תרנדרו תמונה מהאינטרנט או תפתחו מסמך וורד, מה שבעצם תורידו זאת רשת נוירונים שיודעת למפות מיקום (נקודת X,Y,Z בעולם המשחק, נקודות X,Y בתמונה או מיקום מילה במסמך) למשמעות (הפוליגון שבמיקום הזה, ערך ה-RGB או המילה עצמה).

אני לא ארחיב פה לעומק על המשמעויות הנוספות של התחום הזה ועל למה לדעתי הוא מאוד מבטיח, אבל לכל מי שרוצה להרחיב אני ממליץ לקרוא על SIREN Networks. זה מאמר שלדעתי בעתיד יחשב ממש מכונן ויש לו כמה טריקים מגניבים שעוזרים למפות את הדוגמאות בצורה יותר טובה, לדוגמא סינוס בתור אקטיבציה. לכתבה המלאה >>

תגיות: GAN, GON, Gradient Origin Networks, Implicit representation, Latent space, SIREN Networks, יואב רמון

Deep Learning

Machine Learning

כללי

ReZero -אלגוריתם לאימון מהיר של רשתות עמוקות במיוחד

מאת יואב רמון, 1 ביולי 2020

אני כמעט תמיד מתעצבן כשיש עבודה שטוענת שהיא "מגדירה את ה-Resnet מחדש". בדרך כלל מדובר באיזשהי אקטיבציה חדשה (מישהו שמע מ-Mish?) אבל לרוב יש לעבודות האלה אחת משלוש בעיות:

החוקרים ניסו לאמן רק על משימה אחת (בדרך כלל קלסיפיקציה של תמונות)
יש איזשהו טריידאוף שהוא לא תמיד ברור (האימון נהיה מהיר יותר, אבל התוצאות פחות טובות)
אין קוד פתוח.

הבעיה השלישית היא כמובן הכי חמורה, כי כדי שאני אנסה להטמיע מאמר בתוך פרוייקט שאני עובד עליו כדאי שזה יהיה משהו קל להטמעה. בעיה מספר אחת גם חמורה כי אני רוצה לדעת שגם אם אני כבר השקעתי את הזמן להשתמש בטריק אז שהסיכויים גבוהים שזה באמת יעזור.

אז עם הפתיח הזה, בואו נדבר על:

ReZero is All You Need: Fast Convergence at Large Depth

Bachlechner, B. Majumder, H. Mao, G. Cottrell, J. McAuley (UC San Diego, 2020)

לכתבה המלאה >>

תגיות: deep learning, Dynamical Isometry, Faster training, Residual connections, Resnet, ReZero, Transformers, אימון מהיר, יואב רמון

אירועים

כללי

ריכוז מידע על אירוע ICMLi הראשון

מאת אורי אליאבייב, 24 ביוני 2020

כפי שהובטח, אני מארגן גרסה מקומית של כנס ICML בו יציגו דוברים ישראליים את העבודות אותן הם הולכים להציג בכנס ICML עצמו. נתחיל ונציין כי אין קשר רשמי לכנס ICML העולמי וכי מדובר על יוזמה קהילתית מקומית שמטרתה היא להביא במה לחוקרים הישראלים ולאפשר להקהילה המקומית להיחשף לעבודתם לפני הכנס הבינלאומי. כל הרצאה בכנס תהייה בת 12 דקות בהן כל מרצה יציג את הנושאים העיקריים בעבודה שלו.

האירוע יתקיים ב6.7 בשעה 18:00 עד השעה 21:00 (לחצו כאן כדי להוסיף ליומן).

כמו כן, לאחר האירוע אשלח את כל המצגות והוידאו בצורה מסודרת בניוזלטר של הקהילה (הירשמו לניוזלטר כדי להישאר מעודכנים), בערוץ טלגרם, בערוץ היוטיוב וגם אעדכן את העמוד הזה . ההרשמה לאירוע מתבצעת דרך הטופס הזה.

לכתבה המלאה >>

תגיות: Aditya Krishnan, Alaa Maalouf, Alon Cohen, Amos Gropp, Asaf Cassel, Craig Boutilier, Cyrus Rashtchian, Dan Feldman, Daniel Greenfeld, Daphna Weinshall, deep learning, Eliya Nachmani, Elliot Creager, Eran Malach, Eran Yahav., Ethan Fetaya, Explainable k-means and k-medians Clustering, explicit gradient learning for blackbox optimization, Feature Selection Using Stochastic Gates, Gal Bahar, Gal Chechik, Gilad Yehudai, Goodbye Dimension, Guy Hacohen, Haggai Maron, Ibrahim Jubran, ICML, ICMLi, Implicit Geometroc Regualrization for Learning Shapes, Kevin Leyton-Brown, Kevin Swersky, Leshem Choshen, Let's Agree to Agree: Neural Networks Share Classification Order on Real Datasets, Lior Wolf, Lior Yariv, Logarithmic Regret for Learning Linear Quadratic Regulators Efficiently, machine learning, Martin Mladenov, Matan Atzmon, Michal Moshkovitz, Mor Sinay, Moshe Tennenholtz, MSc Student, Murad Tukan, Nave Frost, Niv Haim, Noa Agmon, Ofir Lindenbaum, Ohad Shamir, Omer Ben-Porat, Omer Levy, On Learning Sets of Symmetric Elements, Or Litany, PhD Studen, PhD Student, Postdoc, Proving the Lottery Ticket Hypothesis: Pruning is All You Need, Richard Zemel, Robert Krauthgamer, Robust Learning with the Hilbert-Schmidt Independence Criterion, Roi Sinoff, Roy Sadaka, Sahand Negahban, Sanjoy Dasgupta, Sarit Kraus, Schatten Norms in Matrix Streams: Hello Sparsity, Sets Clustering, Shai-Shalev Shwartz, Structural Language Models of Code, Technion, Tomer Koren, UCSD, Uri Alon, Uri Shalit, Vladimir Braverman, Voice Separation with an Unknown Number of Multiple Speakers, Weizmann Institute of Science, Yale University, Yaron Lipman, Yoram Louzoun, Yossi Adi, Yutaro Yamada, Yuval Kluger, אירועים Machine learning

המסלול הנכון לקריירה בבינה מלאכותית [פודקאסט עושים תוכנה]

#2 MDLI ops – פרטים ורישום

לא רק סייבר: נירמול היחסים עם איחוד האמירויות יכול להביא בשורה בתחום הבינה המלאכותית

סיכום תחרות Kaggle SIIM-ISIC Melanoma Classification (קבוצת MelANOVA)

סיכום תחרות Kaggle SIIM-ISIC Melanoma Classification (קבוצת Yuval & nosound)

על התחרות

הקבוצה

ריכוז מידע על ACLi הראשון

ריכוז מידע על אירוע ECCVi 2020 המקומי

Gradient Origin Networks – דרך חדשה ופשוטה למפות את המרחב הלטנטי

ReZero -אלגוריתם לאימון מהיר של רשתות עמוקות במיוחד

ריכוז מידע על אירוע ICMLi הראשון

קטגוריות

ארכיון

פוסטים אחרונים