Discover and read the best of Twitter Threads about #MachineLearning

Most recents (24)

Excited to share our work @NatureMedicine offering a novel framework [MRDetect] for ultra-sensitive cancer monitoring through whole genome mutational integration of cfDNA
#LiquidBiopsy #WGS #cfDNA #MachineLearning
👇👇👇 Image
Therapy monitoring is a central pillar of modern medicine. And yet, in many areas of oncology, we lack sensitive monitoring tools for residual disease detection. ctDNA carries the potential to change this, but is scarce in low-burden disease.
The central paradigm in the field aims to overcome ctDNA scarcity through deep targeted sequencing of informative sites. However, we show that limited number of fragments imposes a hard ceiling on cfDNA deep targeted sequencing, with sensitivity limited ~1:1,000 per site. Image
Read 13 tweets
Thread: Predicting #COVID deaths in the US from 8k to 100k.

I started predicting the US COVID death toll ~2 months ago. All of my predictions to date have proven accurate. The most painful predictions I have ever made.

Why have we failed to stop the #coronavirus in the US?

My first prediction on Apr 4 (toll @ 8k) was for the Easter Sunday (20k):

In my Apr 12 thread (toll @ 20k), I explained the fundamental systems concepts for the #coronavirus epidemic:

Read 20 tweets
Esta mañana he estado hablando con los alumnos de @MaristasHuelva sobre Bioinformática, el grado que tenemos en la @_usj_, y del doble grado con @FarmaciaUSJ
Les he puesto ejemplos basados en la #Covid_19, así que reaprovecho lo que les he contado para hacer un hilo aquí.
No voy a entrar tanto al cómo se hacen estas cosas, me quedaré en las diferentes aplicaciones, pero ya os imagináis que detrás de todas ellas están muchas de las tecnologías de moda: #IA, #MachineLearning, #BigData, etc. Y otras que no están tan de moda pero que ayudan mucho.
El primer ejemplo que les he puesto ha sido la web de @nextstrain, donde están analizando los datos genómicos que están publicados del virus y estudian como se propaga por el mundo y cómo muta
Read 16 tweets
@qaggnews — I can provide you with a list of the results if you’re able to add some more Steganography labels to each image?
PixelKnot [done]
Appended Data
@QAlertsApp @Qanon76 @qntmpkts
Lots and lots of images that come back #spooky
Here are the 2 scripts I threw together to grab the image links & download them to a folder on my desktop.
(Caveat: these are written with Linux users in mind.. with Python & wget installed)
Read 8 tweets
Es un orgullo para la Comunidad de Desarrolladores de Argentina poder acompãnar iniciativas como el #ConnectDay junto a estas empresas @plataforma5la, @distillerylatam, @revistasg y @clarikagroup 💪
¡Hoy es el #ConnectDay! Desde CoDeAr estamos felices de poder acompañar a @wtmriodelaplata, @GDGCordobaARG, @gdgriodelaplata en este día de charlas y de compartir conocimiento en comunidad. Podés sumarte a la transmisión en vivo desde acá:
Comienza la primer charla sobre #DataScience y #Economía, en el contexto de las #transdisciplinas.
Read 118 tweets
Daily Bookmarks to GAVNet 5/14/2020

Machine learning platform generates novel COVID-19 antibody sequences for experimental testing…
#MachineLearning #antibody
The Gaslighting Has Begun. Resist.
#power #scale #pandemic
Choices for the “New Normal” | Health Disparities | JAMA | JAMA Network…
#health #coronavirus
Read 8 tweets
How to move towards Quantitative Trading :

1) Learn Python
2) Learn key trading libraries & Pandas
3) Data visualisation using seaborn & matplotlib
3) Statistics for Financial Markets
4) Backtest your strategies
5)Optimise & Automate
6) ML insights for trading

#quant #trading
1) This is a good basic course on Udemy to learn about Python required for trading…

2) Learn about Pandas( cruciwl for data cruncing & handling time series data)…

Also install talib: an essential library for a trader. It has inbuilt functions for all technical indicators making our life easy.…

Read 9 tweets
HELLO! Over at @NIHRIO, we're MONITORING, TRACKING and ANALYSING tweets from the UK public in REAL-TIME related to #mentalhealth, #coronavirus and the #UKlockdown. 1/20
We want to help understand and gauge the impact of the #UKlockdown and #coronavirus pandemic on the sentiment, beliefs and thoughts of the UK public concerning #mentalhealth. 2/20
To do this, we're using #textmining and #machinelearning to scrape for relevant UK public tweets and perform rapid topic and sentiment detection, classification and analysis to try and gain insight into the 'public voice'. 3/20
Read 20 tweets
I had tried to get this working a while back and gave it another shot tonight.
This uses #MachineLearning to identify #steganography--you can train the program to recognize any* type of steganography (as long as you have a clean set & steg set of images to train it with)
This "calibration" attack is based on this white paper outlining how to break #F5steganography.…

#PixelKnot is based on the F5 algo, hence it's able to find indication of data hidden in these images where there is an allusion to that app being used.
There's some math involved, some estimation, potential Photoshop blur work, and a little more as well if you want to replicate this technique.. or, you can run a tool like Aletheia (the one I'm running) and it has built-in detection as well as 'trainable'…
Read 9 tweets
I take pride in being able to make complex things seem simple.

I've been learning machine learning actively, passively & actively again for the past 30 months.

And I'd like to share:

#machinelearning #learningmachinelearning #learningml #ml #ai

So I've decided to do something slightly uncomfortable. I'm going to put myself out there. A lot.

Blog posts, webinar series, talks (post-COVID-19) etc.

"Learning Machine Learning".

I love to debate (or argue)

#machinelearning #learningmachinelearning #learningml #ml #ai

In a recent very frustrating argument, I promised the audience that I would be back.

Yesterday, I posted the following on the WhatsApp group:
#machinelearning #learningmachinelearning #learningml #ml #ai

Read 22 tweets
#DataProductManagement still follows the software development practices from #productmanagement standpoint. This essentially may not for #dataProducts. 1/n
2/n: Usually for building software products #productmanagement looks to understand #marketproblem = Many customers * Same/Similar Problem statement. This is them considered as an opportunity in #Enterprise #ProductManagement and gets the funding 2 build
3/n: #DataProducts on the contrary are build to solve unique problems within the company. @netflix building recommendation system to push content and then using the same data to understand which content to invest in.
Read 6 tweets
Thrilled and proud that @PNASNews published our study Today: The Diversity-Innovation Paradox in Science. Find it here:…. GitHub:…. Short primer:…. 1/n
Study by myself, @viveksck, Sebastian Munoz-Najar Galvez, Bryan He, @jurafsky, &Dan McFarland. We study the diversity-innovation paradox: Diversity breeds innovation, yet underrepresented groups that diversify organizations have less successful careers within them. 2/n
Does the diversity-innovation paradox hold for scientists as well? To answer this question, we use text analysis and machine learning as well as US census and dissertations of more than 1.2 million recipients of doctoral degrees from 1977 to 2015. 3/n
Read 13 tweets
Guys boarding the #MachineLearning train by learning Python and a bunch of libraries and just plain old stacking and ensembling and stuff - is not going to get you anywhere.

A thread on Machine Learning.
The first and foremost important thing to do if you really want to do meaningful stuff that can even be remotely considered Machine Learning with an impact - you gotta learn the math that makes ML happen.
Must know these math topics:
1. Probability Statistics
2. Linear Algebra
3. Multivariate Calculus (and throw in some Stochastic Calculus too)
Get the basics right.
Read 15 tweets
Machine Learning - IX
- Seshadhiri Dhanasekaran

இன்று நாம் காண இருக்கும் டாபிக் Gradient Descent. இது ஒரு optimization (மேம்படுத்தல்) முறை.

#MachineLearning Image
ML algorithmகள் டேட்டாவில் எப்படி உருவானது என கற்கும்போது அதன் கற்றல் திறனை (learning rate and fitting) மேம்படுத்த உதவும். இதில் Gradient Descent தான் அதிகமாக பயன்படுத்த படுகிறது. இந்த gradient descentல பல வகைகள் உள்ளன.
1. Stochastic Gradient Descent
2. Batch Gradient Descent
3. Mini Batch Gradient Descent Image
Read 11 tweets
Machine Learning - VIII
- Seshadhiri Dhanasekaran

இன்னிக்கு நாம Bias (சார்பு) மற்றும் Variance ( மாறுபாடு) குறித்து விரிவாக பாப்போம்.

Supervised Learningல ஒரு algorithm டேட்டாவில் இருந்து அது எப்படி உருவானது என்பதை கற்று கொள்ள உதவுகிறது . இந்த கற்று கொள்ளும் போது Prediction Errors வரும். இதுல 3 types ஆப் error இருக்கு.

1. Bias Error
2. Variance Error
3. Irreducible Error
இதுல Irreducible Error என்பது சரி செய்ய இயலாதது. அதாவது அந்த கேள்வி/problemக்கு இந்த algorithm செட் ஆகலன்னு அர்த்தம் இல்லனா சரியா variables assume பண்ணாத காரணத்தால் ஏற்படுவது.
Read 20 tweets
Machine Learning - VII
- Seshadhiri Dhanasekaran

முதலில் ஒரு ML Algorithm அப்ளை செய்வதற்கு முன் செய்யவேண்டியது hypothesis டெஸ்டிங். இந்த hypothesis டெஸ்டிங் என்பது நம்முடைய அனுமானம் சரியாக இருக்கிறதா இல்லையா என்பதை பரிசோதித்து கொள்ள உதவும்.
டேட்டாவில் இருந்து ஒரு சிறிய சாம்பிள் எடுத்து அதன் மேல நீங்கள் hypothesis டெஸ்டிங் செய்யலாம்.

population என்பது மொத்த டேட்டாவாகும். மொத்த டேட்டாவில் இருந்து ஒரு சிறிய பகுதி எடுத்தால் அது தான் சாம்பிள்.
Read 15 tweets
Machine Learning - VI
- Seshadhiri Dhanasekaran

ML மாடலில் சில முக்கியமான termionologies உள்ளன. அவற்றை விரிவாக காண்போம்.

Machine learning மாடல்கள் அனைத்துமே mathsஇல் இருந்து உருவானவையே.

6.Standard Deviation
ஒரு எடுத்துக்காட்டு கொண்டு இதை விரிவாக காண்போம். கீழ்க்காணும் நம்பர் ஒரு dataset. இதில் மேல்குறிப்பிட்ட terminologies எப்படி கணக்கிடுவது என காண்போம்.

Read 17 tweets
Machine Learning - V
- Seshadhiri Dhanasekaran


ஒரு மெஷின் லேர்னிங் மாடலை நீங்கள் implement செய்யும்போது படிப்படியாக தான் செய்ய முடியும். எடுத்த உடனே மாடலை apply செய்து ரிசல்ட் காட்ட முடியாது.
ஒரு machine learning சார்ந்த product(அ) டாஸ்க் என்னவாக இருந்தாலும் மெஷின் லேர்னிங் நீங்கள் இந்த 7- ஸ்டெப் paradigms பின்பற்ற வேண்டும்.
1. Data Collection
2. Exploratory Data analysis (EDA)
3. Data Cleaning and Preparation
4. Feature Selection
5. Train Algorithm on Training data
6. Test the Algorithm
7. Deploy the Algorithm on Testing Data

ஒவ்வொன்றாக விரிவாக உதாரணம் கொண்டு பார்ப்போம்.
Read 19 tweets
AI Machine Learning - III
By Seshadhiri Dhanasekaran

குறிப்பு : ஒரு 15 நிமிஷம் பொறுமையாக படிக்கவும். Maths, equationsன்னு வரும் ஆனா மரண சிம்பிளா இருக்கும். Don't worry 😊
நாம சின்ன வயதில் இருந்து அடிக்கடி இந்த பார்முலா பார்த்து இருப்போம். y = mx + c. Equation of Straight Line.
இதையே தான் நாம மெஷின் லேர்னிங்ல y = B0 +B1 x
இதில் x - கடந்த கால டேட்டா ,
y - நாம் கண்டுபுடிக்க இருக்கும் டேட்டா.
B0 என்பது intercept
B1 என்பது slope.
இதனுடன் நீங்கள் X சேர்த்தால் உங்களுக்கு Y கிடைக்கும். சுருக்கமாக y = f(x). அந்த function லீனியரா நான்லீனியரா என்பதை டேட்டாவை investigate செய்து நீங்கள் முடிவு செய்ய வேண்டும்.
Read 16 tweets
AI தமிழில் - II
AI ஒரு பெரிய வட்டம் என்றால் அதில் உள்ள ஆக பெரிய வட்டம் மெஷின் லேர்னிங்.
Credits: Seshadhiri Dhanasekaran
மெஷின் லேர்னிங் என்னனா ஒரு மெஷின் எப்படி வேலை செய்யணும்ன்னு நாம செய்முறை, வழிமுறைகளை (instruction) ஆக கொடுப்பது. இந்த மெஷின் லேர்னிங் இப்போதும், இன்னும் அடுத்த 25 வருடத்திற்கு கோலோச்ச போகும் துறை.
ஒருத்தருக்கு லோன் கொடுக்கலாமா வேண்டாமான்னு சிஸ்டம் ஸ்கோர் சொல்வது ஒரு சிறந்த உதாரணம். இதை போல் நீங்க எந்த ஒரு விஷயத்தையும் டேட்டா இருந்தால் அதை கொண்டு முடிவு எடுக்க செய்யலாம்.
Read 15 tweets
CVE-2019-20634 is a 💣🎇

@moo_hax shows that the #MachineLearning system powering @proofpoint email protection (versions up to 2019-09-08) are vulnerable to model stealing & evasion attacks.…

Adversarial ML is now an #infosec problem. Wow.

To the best of my knowledge, this is the first CVE assigned to an adversarial ML attack with a CRITICAL rating from @NISTcyber nonetheless. Wow.

And all hot on the heels of @CERT_Division first vuln note on the topic, a week back. Wow again.

Trailblazing, @moo_hax! 1/
Part I: Attack summary: @moo_hax & @monoxgas do:

1) Model Stealing - Query proofpoint email protection, observe the response. From this (query, response) pair, create a surrogate model

2) Evasion - Attack a surrogate model offline, and find samples that evade the model 2/
Read 10 tweets
Blogs are great tools to showcase your work as a machine learning engineer. By writing blog posts, you better describe your projects and results. Also, it makes your projects discoverable by search engines.

#MachineLearning #DataScience
A practical way to start blogging is to use tools like @Medium or @ThePracticalDev. You don't have to waste time with details like domains, templates, or hosting. You have to focus only in writing.

#MachineLearning #DataScience
Read 3 tweets
I started feeding a GPT-2 1558M model Alice's Adventures in Wonderland. If you wanted to read a story generated by a machine, now's your chance. #AliceInWonderland #gpt2 #MachineLearning #literature
Alice was beginning to get very tired of sitting by her sister on the bank, and of having nothing to do: once or twice she had peeped into the book her sister was reading, but it had no pictures or conversations in it,
"and what is the use of a book," thought Alice "without pictures or conversations?"

So she was considering in her own mind (as well as she could, for the hot day made her feel very sleepy and stupid), whether the pleasure of making a daisy-chain would be worth the trouble
Read 19 tweets
If you are diving into Machine Learning some time after school, then you need a brush on Calculus. Probably you won't have the time to take a full course on Calculus, so you have to focus on the essential topics for MachineLearning. Check them:
1) Functions: you need to be familiar with functions, you must explain what a function is, and you need to be familiar with some of the main types of functions, like linear, quadratic, exponential, logarithmic and trigonometric functions
2) Derivatives: learn what is a derivative and how to find the derivatives of simple functions. Don't spend too much time on finding derivatives of complicated functions. Learn the basics and learn how to use numerical software to find derivatives.
Read 8 tweets

Related hashtags

Did Thread Reader help you today?

Support us! We are indie developers!

This site is made by just two indie developers on a laptop doing marketing, support and development! Read more about the story.

Become a Premium Member ($3.00/month or $30.00/year) and get exclusive features!

Become Premium

Too expensive? Make a small donation by buying us coffee ($5) or help with server cost ($10)

Donate via Paypal Become our Patreon

Thank you for your support!