Кто это нарисовал — нейросеть или художник Тест-угадайка от Tproger и «Системный Блокъ»


Оглавление (нажмите, чтобы открыть):

Страница

Системный Блокъ

Информация

Биография: Хроника перехода культуры в цифру.

Digital Humanities, машинная поэзия, data-урбанистика, цифровая антропология, визуализация данных, парадоксальные применения искусственного интеллекта.

Другое

Действия

331 запись

Компьютерные лингвисты из Вышки, университета Тренто и университета Осло разработали vec2graph — инструмент для визуализации семантической близости слов в виде сети. Воспользоваться vec2graph может любой желающий. Рассказываем, как это работает и зачем нужно

Когда в начале XX века в газетной статье «Пребывание вдовствующей императрицы Марии Федоровны в Финляндии» опечатались в первом слове, заменив «р» на «о», вышел жуткий скандал. А как находить такие близкие по написанию слова автоматически? Разбираемся с помощью питона и расстояния Левенштейна

С помощью инструментов тематического моделирования мы выделили темы в повести Дж. Р. Р. Толкина «Хоббит, или Туда и Обратно» и нарисовали график по этим данным. Каждый столбец показывает одну главу повести, а цветом кодируется, Показать полностью… из каких тем эта глава состоит.

Темы, выделенные алгоритмом, можно интерпретировать как сцены повести, а в некоторых случаях — как целые сюжетные линии. Например, тема «Разговоры о сокровищах», где мелькают слова, отсылающие к событиям самой первой главы, скорее всего представляет репрезентацию конкретных сцен, где Гэндальф с гномами бесцеремонно оккупируют столовую Бильбо. То же можно сказать и про тему «Загадки в темноте», которой целиком посвящена 5 глава, где Бильбо спасается от Голлума в пещерах гоблинов и находит Кольцо. Другие топики, например, «Озерный город» или «На подступах к горе» почти целиком занимают вторую часть книги, и отражают не конкретную сцену, а целый сюжет, включая первое посещение гномами Города, победу над драконом и последующие бедствия Эсгарота. Есть еще и третий вариант — такие темы, как «Гоблины и битвы» в разных частях книги отсылают к различным событиям: например, в 6 и 4 главах эта тема повествует о сражении с гоблинами в Туманных горах, в то время как 17-18 главы рассказывают о Битве Пяти Воинств у Одинокой Горы (где гоблины также принимали участие). Интересно, что по содержанию некоторых топиков (если они «занимают» главу целиком) даже можно проследить последовательность событий в сюжете. Диаграмма отражает, к примеру, что в 4 главе произошла первая стычка с гоблинами, в пятой Бильбо пытался перехитрить Голлума, затем в шестой компания снова спасалась от гоблинов и варгов, в седьмой всех спас Беорн, а в восьмой герои уже отправились в Лихолесье.

Топ-3 самых длинных глав: первая, «Незваные гости» (7441 слов), восьмая, «Пауки и мухи» (6238 слов) и седьмая, «Небывалое пристанище» (6014 слов).

Самые короткие: Глава 16, Ночной вор (1630 слов); Глава 19, «Последняя глава» (1880 слов); Глава 11, «На пороге» (2014).

Средняя длина предложения:

Больше всего в главе 11 «На пороге» (69.4 знаков); и главе 9 «В бочках — на волю» (66.8 знаков).
Меньше всего в главе 5 «Загадки в темноте» (11.9 знаков); и главе 17 «Гроза разразилась» (21.0 знак).

Топ-10 самых частотных слов в книге: бильбо (704 упоминаний); гном (397); торин (263); сказать (239); свой (234); гоблин (229); гора (227); гэндальф (201); эльф (184); время (179).

Графики, полные списки тем и условные названия, которыми мы их обозначаем, приложены к посту.

Стоит ли, на ваш взгляд, увеличить число топиков или уменьшить? Как их интерпретировать? Пишите нам об этом в комментариях!

Автор: Владимир Селеверстов
Иллюстратор: Анна Руденко

Информационный проект «Системный блокъ»

«Системный блокъ» — это уникальное издание, цель которого рассказывать о преобразовании человеческой культуры в наш век интеллектуальных алгоритмов, больших данных и беспилотных машин.

Системный блокъ был запущен в виде паблика во ВКонтакте в 2020 году. На данный момент сообщество уже имеет более 55 000 подписчиков. Паблик и сайт Системного блока привлекают внимание читателей интересным контентом о цифровых технологиях в искусстве, гуманитарных науках, образовании и других направлениях.

Что можно найти на сайте Системного блока?

На сайте проекта «Системный блокъ» можно найти

  • курсы;
  • интервью;
  • статьи из области филологии, урбанистики, нейронауки, музыки, образовании, обществе, визуализации и многом другом.
Мастер Йода рекомендует:  Как добавить на изображение контактную информацию с помощью Photoshop

Команда проекта «Системный блокъ»

Руководитель проекта — Даниил Скоринкин, преподаватель Школы лингвистики, факультета гуманитарных наук, а также руководитель программы «Цифровые методы в гуманитарных науках».

Вместе с ним в проекте участвует 29 авторов и 12 редакторов, среди которых молодые ученые, художники и научные сотрудники.

Кому будет интересно издание «Системный блокъ»?


Всем, кто увлекается цифровой антропологией, применениями искусственного интеллекта, визуализацией данных, data-урбанистикой, машинной поэзией, а также тем, кто хотел бы трудиться над самим проектом. Чтобы присоединиться к команде Системного блока, нужно заполнить анкету участника на официальном сайте.

Как работает нейросеть

Нейросети сегодня используют везде. Они помогают «умной» видеокамере распознать лицо, банкомату — цифры на чеке, а гугл-переводчику — найти на картинке слово и верно перевести его.

Всем хочется найти понятное объяснение того, как работают нейросети, но в интернете обычно рассказывают либо слишком сложные вещи, либо очевидные. Мы попытались доступно изложить базовые идеи, стоящие за созданием нейронных сетей. Статья не претендует на полноту и абсолютную научную точность. Зато мы постарались быть понятными.

Мы где-то между. Источник картинки: https://vas3k.ru/blog/machine_learning/

Нейросеть — это обучаемая система. Она действует не по заданным правилам, а на основе прошлого опыта. Как нейросети получают опыт? При помощи алгоритма обратного распространения ошибки. Сначала нейронная сеть делает предсказание какого-нибудь значения, а затем предсказание сравнивается с истинным (в нашем примере истинное значение на клавиатуре пускай вводит программист: так будет проще). Вычисляется разность между предсказанным и истинным значением — это величина ошибки. На втором шаге устройство нейросети корректируется так, чтобы в следующий раз уменьшить ошибку.

Как это работает?

Еще в сороковые годы учёные подумали: если мы хотим создать искусственный интеллект, почему бы не «срисовать» его устройство с человеческого мозга? В биологии нейронами называют нервные клетки, способные хранить, получать и передавать электрические импульсы по специальным «усикам» — аксонам и дендритам. У нейрона много дендритов, они «приносят» импульсы, а аксон всегда один, и он «уносит» импульсы от нейрона.

Искусственная нейросеть тоже состоит из нейронов. Чтобы было проще, договоримся, что искусственный нейрон в компьютере — это просто некая воображаемая чёрная коробка, у которой много входных отверстий и одно выходное (как аксон и дендриты, помните?). Как выходной сигнал формируется из кучи входных — определяет внутренний алгоритм нейрона.

Чтобы разобраться, опишем небольшую программу, которая будет распознавать простые изображения, скажем, картинки с цифрами.

В исходном состоянии наша система будет иметь «пустую» память. Этакий новорожденный мозг, готовый к бою. Чтобы заставить его корректно работать, нам нужно будет потратить время на обучение. Мы подаем на вход программе какие-то данные, а у нее есть какие-то варианты «ответа» нам.

Сколько вариантов выхода может быть в задаче распознавания (арабских) цифр? Правильно, столько же, сколько символов мы будем уметь определять, а именно — 10 (ноль тоже считается).

Определимся со входными данными. Давайте будем подавать на вход маленькие черно-белые картинки размером 3 на 5 пикселей. Программа будет их видеть немного иначе — как набор нулей и единиц. На месте черного пикселя — 1, на месте белого — 0 (примерно как пятерку на картинке ниже).

В конце распознавания у нас будет набор нейронов, каждый из которых пытается найти конкретную фиксированную цифру. Он считает, что нашел цифру, и что он прав на сколько-то процентов. Чем больше процент, тем вероятнее, что именно этот нейрон прав на самом деле.

Для работы нам нужно где-то хранить предыдущие результаты, память нейрона, позволяющую ему обучаться, например — в картинке 3×5, какую мы подаем на вход. Для примера, так выглядит визуализация памяти нейрона, распознающего букву «К» после прогона более сложной программы по разным шрифтам (эта нейросеть распознает не цифры, а буквы):

Самые насыщенные области соответствуют наиболее часто встречающимся пикселям.

Итак, на вход мы будем подавать изображение, поэтому входные данные представляют собой табличку пикселей. Каждый пиксель картинки на входе может быть либо черным (1), либо белым (0).

Теперь раскроем магию черного ящика: внутри него происходит простое математическое преобразование. Входные переменные (1 — черный пиксель, 0 — белый пиксель) умножаются на специальные числа, называемые весами.

Все полученные произведения складываются. Важно, что результат умножения каждого пикселя на вес попадает в память нейрона. Например, если пиксель был черным (подал на вход 1), он умножается, скажем, на 3, то 3 попадает в память нейрона. А если был белым — на 3 умножаем 0 и получаем 0: белый пиксель не оказал влияния на сумму произведений. Чем больше множитель (вес) — тем сильнее (важнее для нейрона) сигнал.

Если полученная сумма превосходит некое заранее заданное число, нейрон считает, что нашёл на картинке свою цифру. «Вес» может быть отрицательным: если пиксель с таким весом оказался черным, от суммы, наоборот, отнимаем 3, а не прибавляем ее.

Резонный вопрос: как определить «веса» пикселей? Это самый важный вопрос: именно расстановкой и коррекцией весов и занимается нейросеть во время обучения. Именно с помощью подбора весов нейросеть постепенно запоминает, какие части данных важны, а какие — нет. Давайте рассмотрим, как обучается нейрон, пытающийся «узнать» единственную цифру 5.

Программа будет говорить нам, является скормленная ей картинка изображением цифры 5 или нет, то есть на выходе получаем простой ответ: «Да» или «Нет». о

Расплата за ошибку

Если нейрон выдает правильный ответ — радуемся и ничего не делаем. А если ошибается — наказываем его. Если получен ответ «Нет» (т.е. цифра не найдена, хотя она на картинке есть) — прибавляем значения входов к весам каждого пикселя. Если ответ «Да» (т.е. нейрон говорит, что цифра найдена, хотя ее на картинке нет) — вычитаем значения входов из веса каждого пикселя.

Представим, что текстовый файл, заполненный нулями 3×5 — это чистая память нейрона, начальные значения весов каждого пикселя:

Загружаем на вход картинку цифры 5:

Программа сравнивает с собственной памятью эту комбинацию, но в каждом случае, где точка оказалась черной, единица на входе умножится на ноль. Сумма нескольких ноликов равна нулю, так что программа выдаст на выход ответ «Нет». Это неверно, поэтому к каждому пикселю, где были черные точки (которые вместе составляют цифру 5), прибавляем «вес» 1 и обновляем сохраненную память. Вот, что получится:

Теперь чувствительность входов, где были черные точки, повысилась, а память программы обновилась. Она как бы один раз запомнила, как выглядит пятерка. В следующий раз, если загрузить ей ту же картинку, она распознает ее. Но теперь мы усложним задачу и будем подавать разные цифры.

После долгих попыток обучения нейрона по распознаванию картинки с цифрой 5 его память станет выглядеть примерно вот так:

Самое интересное в этой картинке — две точки со значением веса −4: если пиксели в этих местах черные, программа сразу теряет уверенность в том, что видит перед собой пятерку. Почему? Потому, что существуют цифры 6 и 9, которые похожи на пятерку вплоть до двух пикселей — как раз тех, что получили отрицательные значения.


Программа, получив на вход 6 или 9, то есть набор всех пикселей для пятерки и один лишний, сложила значения их весов, и сумма превзошла нужную — а значит, выдала ложное срабатывание. А это, как вы помните, ведет к понижению весов всех входных пикселей. Веса всех других пикселей в процессе обучения восстановились, а этих двух — нет: программа «запомнила», что в этой части картинки искать пятёрку не нужно.

Источники:

© Читайте «Системный Блокъ» — ваше личное «Черное зеркало» в мире Big Data.

Кто это нарисовал — нейросеть или художник? Тест-угадайка от Tproger и «Системный Блокъ»

Мариана Зорькина на мероприятии в Яндексе «Data&Science: цифровые методы в гуманитарных науках» рассказала про то, как компьютерные технологии помогают современным исследователям читать художественные тексты, как различные подходы, начиная с таких простых, как базовая статистика, и заканчивая нейронными сетями, позволяют лучше понимать поэзию. В частности, рассказала о чтении классической китайской поэзии, отличающейся сложной системой образов и отсылок к другим текстам.

Другие доклады конференции: https://events.yandex.ru/events/ds/02-mar-2020/

Мариана Зорькина – докторант Цюрихского университета, литературовед, китаист, редактор издания «Системный Блокъ». Её исследовательские интересы включают в себя цифровые гуманитарные науки, систему образов классический китайской поэзии и количественные методы в литературоведении.

Машинное обучение

Множество информации о том, что представляет из себя машинное обучение, и практические пособия по инструментам для его разработки.

Трансляция HighLoad++ 2020

В программе: архитектура и эксплуатация проектов, базы данных и системы хранения, системное администрирование, нагрузочное тестирование и не только.

Чем разработчику заняться в промышленности: компьютерное зрение, машинное обучение, IoT

Разработка — это не только про улучшение жизни за счёт смартфонов и прочих атрибутов обычного человека в городе. Почитайте, какие IT-решения сейчас востребованы в промышленности и как можно своими руками их протестировать.

Вакансии, где нужны знания по теме «Машинное обучение»

6 шагов по созданию проектов машинного обучения

Статья расскажет, как приступить к созданию проекта с машинным обучением. Какие данные необходимо собирать, как правильно моделировать и развёртывать.

Подборка полезных материалов по машинному обучению (не для малышей)

Машинное обучение — популярное направление, по которому написано множество книг и курсов. Какие из них полезны и заслуживают внимания? Делимся в статье.

События и курсы

Математика для ИИ: линейная алгебра

Насколько глубоко нужно знать математику, чтобы заниматься ИИ? Разбираемся в базовых терминах, которые могут пригодиться, чтобы войти в эту сферу.

Мастер Йода рекомендует:  MIT объявил об основании Колледжа вычислительных технологий

Реализация и разбор алгоритма «случайный лес» на Python

Принципы работы алгоритма «случайный лес» — от загрязнения Джини и единичного дерева принятия решений до решения задачи на основе реального набора данных.

Обзор методов классификации в машинном обучении с помощью Scikit-Learn

Для машинного обучения на Python написано очень много библиотек. Сегодня мы рассмотрим одну из самых популярных — Scikit-Learn. Scikit-Learn упрощает процесс создания классификатора и помогает более чётко выделить концепции машинного…

Лучшие датасеты для машинного обучения и анализа данных

Для машинного обучения (и не только) требуется много хороших данных. Вместо того чтобы собирать их самому, можно воспользоваться готовыми датасетами.

Как выучить машинное обучение: книги, курсы, подходы — отвечают эксперты

Тема машинного обучения популярна, но в ней легко запутаться. Спросим у экспертов, как обучиться машинному обучению.

Проекты искусственного интеллекта, с которыми можно поиграться уже сегодня


Статья расскажет о применении искусственного интеллекта и машинного обучения на практике. Обучение осуществляется в игровой форме.

Искусственный интеллект: основные задачи и методы на примерах из жизни

В данном материале на примерах их жизни описаны несколько методологий и задач искусственного интеллекта: от нейронок до экспертных систем…

ИИ, больше RTX и автопилот: главное с конференции GTC 2020

Её проводит NVIDIA, поэтому многие анонсы и выступления связаны именно с достижениями в сферах ИИ, графики, облачных ресурсов и беспилотного транспорта.

GPU — это не только про игры: четыре примера с NVIDIA GTC 2020

По итогам NVIDIA GTC 2020 собрали для вас четыре современных примера применения GPU: технологические тренды, за которые стоит зацепиться айтишникам.

Ищем свободное парковочное место с Python и глубоким обучением

В городах остро встаёт проблема нехватки парковочных мест. В этой статье мы напишем на Python программу, которая будет сообщать о наличии свободных мест.

Знакомство с Kaggle: изучаем науку о данных на практике

Теорию лучше совмещать с практикой. Если вы изучаете Data Science, то вам стоит попробовать себя в соревнованиях Kaggle.

Генерим аниме-тян с помощью машинного обучения: обзор забавного проекта

Машинное обучение можно применять в разных сферах, в том числе и искусстве. Рассматриваем проект по созданию лиц аниме-девушек с помощью глубокого обучения.

Кто это нарисовал — нейросеть или художник? Тест-угадайка от Tproger и «Системный Блокъ»

Сможет ли робот превратить кусок холста в произведение искусства? А если это нейросеть, обученная на великих картинах? Почувствуйте всю силу современных технологий в тесте «Нейросеть или художник», который мы сделали…

Искусственный интеллект: как и где изучать — отвечают эксперты

Наш подписчик прислал вопрос в редакцию Tproger: «Искусственный интеллект: как и где изучать». Представляем вашему вниманию ответы экспертов.

Машинное обучение с CNTK от Microsoft: анализ временных рядов

Продолжаем знакомство с библиотекой CNTK. В этот раз мы познакомимся с регрессионным анализом.

«Умная» колонка, наушники с технологией открытого звука и мультиподписка на сервисы: итоги конференции YaC 2020

Приглашенные спикеры рассказали об использовании цифровых технологий в сферах торговли, маркетинга и информационных технологий.

Как работает беспилотный транспорт

Знаете ли вы, как работает беспилотный транспорт? В статье вы прочитаете о перспективах автономных автомобилей и технологиях, применяемых для их создания и обучения. А также о том, рискуют ли таксисты и дальнобойщики потерять работу с появлением автономных автомобилей.

Обзор самых популярных алгоритмов машинного обучения

В машинном обучении существует множество разных алгоритмов, в которых порой не только новичку, но и профессионалу сложно разобраться. Представляем вашему вниманию краткий обзор топ-10 алгоритмов, с которых можно начать знакомство с машинным обучением.

Тест на знание алгоритмов

Без знания алгоритмов программисту невозможно устроиться на работу. Проверьте свои знания с помощью нашего интерактивного теста на владение алгоритмами.

Практикум: машинное обучение в медицине на примере CNTK от Microsoft

На практическом примере использования библиотеки CNTK в медицинских целях показано, как нужно правильно подбирать критерии оптимизации, чтобы получить наибольшую точность модели машинного обучения…

Microsoft Cognitive Toolkit (CNTK): руководство для начала работы с библиотекой


Что такое Microsoft Cognitive Toolkit, зачем вам её использовать, как установить библиотеку и запустить свою первую нейронную сеть.

Создаём политического Twitter-бота с помощью Node.js и StdLib

Автоматизация правит миром. Разбираемся, как, используя цепи Маркова, на основе двух существующих аккаунтов, сделать самообучающегося Twitter-бота.

Пишем нейросеть на Go с нуля

В этой статье мы шаг за шагом создадим нейросеть на Go для решения задачи классификации, попробовав с её помощью различить цветы ириса.

Доступно о машинном обучении: распознавание речи

Скрытые модели Маркова и преобразование Фурье – доступная реальность в алгоритмах распознавания речи.

Курс «Введение в компьютерное зрение»

Русскоязычный курс, рассматривающий как базовые понятия компьютерного зрения, так и ряд современных алгоритмов, позволяющих решать практические задачи. Отдельно отмечается связь методов компьютерного зрения с обработкой зрительной информации в мозгу человека. Курс…

Автостопом по машинному обучению на Python

В этой статье кратко описаны восемь главных алгоритмов машинного обучения и то, как использовать их на практике. Будет полезно для структурирования знаний.

Доступно о машинном обучении: классификация электронных писем

Три способа классифицировать входящую корреспонденцию. Google начала серию статей, рассказывающих о повседневном и полезном применении машинного обучения.

Руководство по машинному обучению для начинающих: модель прогноза выживших на «Титанике»

Руководство написано для тех, кто раннее не был знаком с машинным обучением. Это введение в машинное обучение на основе написания алгоритма, который будет предсказывать, сколько человек выживет при крушении «Титаника». Предполагается, что вы уже имеете опыт работы с Python и что вы знакомы с Pandas на базовом уровне.

Машинное обучение

Множество информации о том, что представляет из себя машинное обучение, и практические пособия по инструментам для его разработки.

Трансляция HighLoad++ 2020

В программе: архитектура и эксплуатация проектов, базы данных и системы хранения, системное администрирование, нагрузочное тестирование и не только.

Чем разработчику заняться в промышленности: компьютерное зрение, машинное обучение, IoT

Разработка — это не только про улучшение жизни за счёт смартфонов и прочих атрибутов обычного человека в городе. Почитайте, какие IT-решения сейчас востребованы в промышленности и как можно своими руками их протестировать.

Вакансии, где нужны знания по теме «Машинное обучение»

6 шагов по созданию проектов машинного обучения

Статья расскажет, как приступить к созданию проекта с машинным обучением. Какие данные необходимо собирать, как правильно моделировать и развёртывать.

Подборка полезных материалов по машинному обучению (не для малышей)

Машинное обучение — популярное направление, по которому написано множество книг и курсов. Какие из них полезны и заслуживают внимания? Делимся в статье.

События и курсы

Математика для ИИ: линейная алгебра

Насколько глубоко нужно знать математику, чтобы заниматься ИИ? Разбираемся в базовых терминах, которые могут пригодиться, чтобы войти в эту сферу.

Реализация и разбор алгоритма «случайный лес» на Python


Принципы работы алгоритма «случайный лес» — от загрязнения Джини и единичного дерева принятия решений до решения задачи на основе реального набора данных.

Обзор методов классификации в машинном обучении с помощью Scikit-Learn

Для машинного обучения на Python написано очень много библиотек. Сегодня мы рассмотрим одну из самых популярных — Scikit-Learn. Scikit-Learn упрощает процесс создания классификатора и помогает более чётко выделить концепции машинного…

Лучшие датасеты для машинного обучения и анализа данных

Для машинного обучения (и не только) требуется много хороших данных. Вместо того чтобы собирать их самому, можно воспользоваться готовыми датасетами.

Как выучить машинное обучение: книги, курсы, подходы — отвечают эксперты

Тема машинного обучения популярна, но в ней легко запутаться. Спросим у экспертов, как обучиться машинному обучению.

Проекты искусственного интеллекта, с которыми можно поиграться уже сегодня

Статья расскажет о применении искусственного интеллекта и машинного обучения на практике. Обучение осуществляется в игровой форме.

Искусственный интеллект: основные задачи и методы на примерах из жизни

В данном материале на примерах их жизни описаны несколько методологий и задач искусственного интеллекта: от нейронок до экспертных систем…

ИИ, больше RTX и автопилот: главное с конференции GTC 2020

Её проводит NVIDIA, поэтому многие анонсы и выступления связаны именно с достижениями в сферах ИИ, графики, облачных ресурсов и беспилотного транспорта.

GPU — это не только про игры: четыре примера с NVIDIA GTC 2020

По итогам NVIDIA GTC 2020 собрали для вас четыре современных примера применения GPU: технологические тренды, за которые стоит зацепиться айтишникам.

Ищем свободное парковочное место с Python и глубоким обучением

В городах остро встаёт проблема нехватки парковочных мест. В этой статье мы напишем на Python программу, которая будет сообщать о наличии свободных мест.

Знакомство с Kaggle: изучаем науку о данных на практике

Теорию лучше совмещать с практикой. Если вы изучаете Data Science, то вам стоит попробовать себя в соревнованиях Kaggle.

Генерим аниме-тян с помощью машинного обучения: обзор забавного проекта

Машинное обучение можно применять в разных сферах, в том числе и искусстве. Рассматриваем проект по созданию лиц аниме-девушек с помощью глубокого обучения.

Кто это нарисовал — нейросеть или художник? Тест-угадайка от Tproger и «Системный Блокъ»

Сможет ли робот превратить кусок холста в произведение искусства? А если это нейросеть, обученная на великих картинах? Почувствуйте всю силу современных технологий в тесте «Нейросеть или художник», который мы сделали…

Искусственный интеллект: как и где изучать — отвечают эксперты

Наш подписчик прислал вопрос в редакцию Tproger: «Искусственный интеллект: как и где изучать». Представляем вашему вниманию ответы экспертов.

Машинное обучение с CNTK от Microsoft: анализ временных рядов

Продолжаем знакомство с библиотекой CNTK. В этот раз мы познакомимся с регрессионным анализом.

Мастер Йода рекомендует:  Apache Foundation обратилась к Sun с открытым письмом.

«Умная» колонка, наушники с технологией открытого звука и мультиподписка на сервисы: итоги конференции YaC 2020

Приглашенные спикеры рассказали об использовании цифровых технологий в сферах торговли, маркетинга и информационных технологий.

Как работает беспилотный транспорт


Знаете ли вы, как работает беспилотный транспорт? В статье вы прочитаете о перспективах автономных автомобилей и технологиях, применяемых для их создания и обучения. А также о том, рискуют ли таксисты и дальнобойщики потерять работу с появлением автономных автомобилей.

Обзор самых популярных алгоритмов машинного обучения

В машинном обучении существует множество разных алгоритмов, в которых порой не только новичку, но и профессионалу сложно разобраться. Представляем вашему вниманию краткий обзор топ-10 алгоритмов, с которых можно начать знакомство с машинным обучением.

Тест на знание алгоритмов

Без знания алгоритмов программисту невозможно устроиться на работу. Проверьте свои знания с помощью нашего интерактивного теста на владение алгоритмами.

Практикум: машинное обучение в медицине на примере CNTK от Microsoft

На практическом примере использования библиотеки CNTK в медицинских целях показано, как нужно правильно подбирать критерии оптимизации, чтобы получить наибольшую точность модели машинного обучения…

Microsoft Cognitive Toolkit (CNTK): руководство для начала работы с библиотекой

Что такое Microsoft Cognitive Toolkit, зачем вам её использовать, как установить библиотеку и запустить свою первую нейронную сеть.

Создаём политического Twitter-бота с помощью Node.js и StdLib

Автоматизация правит миром. Разбираемся, как, используя цепи Маркова, на основе двух существующих аккаунтов, сделать самообучающегося Twitter-бота.

Пишем нейросеть на Go с нуля

В этой статье мы шаг за шагом создадим нейросеть на Go для решения задачи классификации, попробовав с её помощью различить цветы ириса.

Доступно о машинном обучении: распознавание речи

Скрытые модели Маркова и преобразование Фурье – доступная реальность в алгоритмах распознавания речи.

Курс «Введение в компьютерное зрение»

Русскоязычный курс, рассматривающий как базовые понятия компьютерного зрения, так и ряд современных алгоритмов, позволяющих решать практические задачи. Отдельно отмечается связь методов компьютерного зрения с обработкой зрительной информации в мозгу человека. Курс…

Автостопом по машинному обучению на Python

В этой статье кратко описаны восемь главных алгоритмов машинного обучения и то, как использовать их на практике. Будет полезно для структурирования знаний.

Доступно о машинном обучении: классификация электронных писем

Три способа классифицировать входящую корреспонденцию. Google начала серию статей, рассказывающих о повседневном и полезном применении машинного обучения.

Руководство по машинному обучению для начинающих: модель прогноза выживших на «Титанике»

Руководство написано для тех, кто раннее не был знаком с машинным обучением. Это введение в машинное обучение на основе написания алгоритма, который будет предсказывать, сколько человек выживет при крушении «Титаника». Предполагается, что вы уже имеете опыт работы с Python и что вы знакомы с Pandas на базовом уровне.

Машинное обучение

Множество информации о том, что представляет из себя машинное обучение, и практические пособия по инструментам для его разработки.

Трансляция HighLoad++ 2020

В программе: архитектура и эксплуатация проектов, базы данных и системы хранения, системное администрирование, нагрузочное тестирование и не только.

Чем разработчику заняться в промышленности: компьютерное зрение, машинное обучение, IoT

Разработка — это не только про улучшение жизни за счёт смартфонов и прочих атрибутов обычного человека в городе. Почитайте, какие IT-решения сейчас востребованы в промышленности и как можно своими руками их протестировать.

Вакансии, где нужны знания по теме «Машинное обучение»


6 шагов по созданию проектов машинного обучения

Статья расскажет, как приступить к созданию проекта с машинным обучением. Какие данные необходимо собирать, как правильно моделировать и развёртывать.

Подборка полезных материалов по машинному обучению (не для малышей)

Машинное обучение — популярное направление, по которому написано множество книг и курсов. Какие из них полезны и заслуживают внимания? Делимся в статье.

События и курсы

Математика для ИИ: линейная алгебра

Насколько глубоко нужно знать математику, чтобы заниматься ИИ? Разбираемся в базовых терминах, которые могут пригодиться, чтобы войти в эту сферу.

Реализация и разбор алгоритма «случайный лес» на Python

Принципы работы алгоритма «случайный лес» — от загрязнения Джини и единичного дерева принятия решений до решения задачи на основе реального набора данных.

Обзор методов классификации в машинном обучении с помощью Scikit-Learn

Для машинного обучения на Python написано очень много библиотек. Сегодня мы рассмотрим одну из самых популярных — Scikit-Learn. Scikit-Learn упрощает процесс создания классификатора и помогает более чётко выделить концепции машинного…

Лучшие датасеты для машинного обучения и анализа данных

Для машинного обучения (и не только) требуется много хороших данных. Вместо того чтобы собирать их самому, можно воспользоваться готовыми датасетами.

Как выучить машинное обучение: книги, курсы, подходы — отвечают эксперты

Тема машинного обучения популярна, но в ней легко запутаться. Спросим у экспертов, как обучиться машинному обучению.

Проекты искусственного интеллекта, с которыми можно поиграться уже сегодня

Статья расскажет о применении искусственного интеллекта и машинного обучения на практике. Обучение осуществляется в игровой форме.

Искусственный интеллект: основные задачи и методы на примерах из жизни

В данном материале на примерах их жизни описаны несколько методологий и задач искусственного интеллекта: от нейронок до экспертных систем…

ИИ, больше RTX и автопилот: главное с конференции GTC 2020

Её проводит NVIDIA, поэтому многие анонсы и выступления связаны именно с достижениями в сферах ИИ, графики, облачных ресурсов и беспилотного транспорта.

GPU — это не только про игры: четыре примера с NVIDIA GTC 2020

По итогам NVIDIA GTC 2020 собрали для вас четыре современных примера применения GPU: технологические тренды, за которые стоит зацепиться айтишникам.

Ищем свободное парковочное место с Python и глубоким обучением

В городах остро встаёт проблема нехватки парковочных мест. В этой статье мы напишем на Python программу, которая будет сообщать о наличии свободных мест.

Знакомство с Kaggle: изучаем науку о данных на практике

Теорию лучше совмещать с практикой. Если вы изучаете Data Science, то вам стоит попробовать себя в соревнованиях Kaggle.

Генерим аниме-тян с помощью машинного обучения: обзор забавного проекта

Машинное обучение можно применять в разных сферах, в том числе и искусстве. Рассматриваем проект по созданию лиц аниме-девушек с помощью глубокого обучения.

Кто это нарисовал — нейросеть или художник? Тест-угадайка от Tproger и «Системный Блокъ»


Сможет ли робот превратить кусок холста в произведение искусства? А если это нейросеть, обученная на великих картинах? Почувствуйте всю силу современных технологий в тесте «Нейросеть или художник», который мы сделали…

Искусственный интеллект: как и где изучать — отвечают эксперты

Наш подписчик прислал вопрос в редакцию Tproger: «Искусственный интеллект: как и где изучать». Представляем вашему вниманию ответы экспертов.

Машинное обучение с CNTK от Microsoft: анализ временных рядов

Продолжаем знакомство с библиотекой CNTK. В этот раз мы познакомимся с регрессионным анализом.

«Умная» колонка, наушники с технологией открытого звука и мультиподписка на сервисы: итоги конференции YaC 2020

Приглашенные спикеры рассказали об использовании цифровых технологий в сферах торговли, маркетинга и информационных технологий.

Как работает беспилотный транспорт

Знаете ли вы, как работает беспилотный транспорт? В статье вы прочитаете о перспективах автономных автомобилей и технологиях, применяемых для их создания и обучения. А также о том, рискуют ли таксисты и дальнобойщики потерять работу с появлением автономных автомобилей.

Обзор самых популярных алгоритмов машинного обучения

В машинном обучении существует множество разных алгоритмов, в которых порой не только новичку, но и профессионалу сложно разобраться. Представляем вашему вниманию краткий обзор топ-10 алгоритмов, с которых можно начать знакомство с машинным обучением.

Тест на знание алгоритмов

Без знания алгоритмов программисту невозможно устроиться на работу. Проверьте свои знания с помощью нашего интерактивного теста на владение алгоритмами.

Практикум: машинное обучение в медицине на примере CNTK от Microsoft

На практическом примере использования библиотеки CNTK в медицинских целях показано, как нужно правильно подбирать критерии оптимизации, чтобы получить наибольшую точность модели машинного обучения…

Microsoft Cognitive Toolkit (CNTK): руководство для начала работы с библиотекой

Что такое Microsoft Cognitive Toolkit, зачем вам её использовать, как установить библиотеку и запустить свою первую нейронную сеть.

Создаём политического Twitter-бота с помощью Node.js и StdLib

Автоматизация правит миром. Разбираемся, как, используя цепи Маркова, на основе двух существующих аккаунтов, сделать самообучающегося Twitter-бота.

Пишем нейросеть на Go с нуля

В этой статье мы шаг за шагом создадим нейросеть на Go для решения задачи классификации, попробовав с её помощью различить цветы ириса.

Доступно о машинном обучении: распознавание речи

Скрытые модели Маркова и преобразование Фурье – доступная реальность в алгоритмах распознавания речи.

Курс «Введение в компьютерное зрение»

Русскоязычный курс, рассматривающий как базовые понятия компьютерного зрения, так и ряд современных алгоритмов, позволяющих решать практические задачи. Отдельно отмечается связь методов компьютерного зрения с обработкой зрительной информации в мозгу человека. Курс…

Автостопом по машинному обучению на Python

В этой статье кратко описаны восемь главных алгоритмов машинного обучения и то, как использовать их на практике. Будет полезно для структурирования знаний.

Доступно о машинном обучении: классификация электронных писем

Три способа классифицировать входящую корреспонденцию. Google начала серию статей, рассказывающих о повседневном и полезном применении машинного обучения.

Руководство по машинному обучению для начинающих: модель прогноза выживших на «Титанике»

Руководство написано для тех, кто раннее не был знаком с машинным обучением. Это введение в машинное обучение на основе написания алгоритма, который будет предсказывать, сколько человек выживет при крушении «Титаника». Предполагается, что вы уже имеете опыт работы с Python и что вы знакомы с Pandas на базовом уровне.

Добавить комментарий