Что почитать и посмотреть для старта в Data Science: книги, словари и курсы
Подборка ресурсов по математике, статистике и программированию для начинающих Дата Сайентистов. Ознакомьтесь с материалами, если вы планируете учиться на онлайн-курсах. Так вы опередите одногруппников, а заодно прокачаете полезный навык — изучать дополнительные материалы самостоятельно.
https://habr.com/ru/company/netologyru/blog/467011/
🔗 Что почитать и посмотреть для старта в Data Science: книги, словари и курсы
Подборка ресурсов по математике, статистике и программированию для начинающих Дата Сайентистов. Ознакомьтесь с материалами, если вы планируете учиться на онлайн-...
Подборка ресурсов по математике, статистике и программированию для начинающих Дата Сайентистов. Ознакомьтесь с материалами, если вы планируете учиться на онлайн-курсах. Так вы опередите одногруппников, а заодно прокачаете полезный навык — изучать дополнительные материалы самостоятельно.
https://habr.com/ru/company/netologyru/blog/467011/
🔗 Что почитать и посмотреть для старта в Data Science: книги, словари и курсы
Подборка ресурсов по математике, статистике и программированию для начинающих Дата Сайентистов. Ознакомьтесь с материалами, если вы планируете учиться на онлайн-...
Хабр
Что почитать и посмотреть для старта в Data Science: книги, словари и курсы
Подборка ресурсов по математике, статистике и программированию для начинающих Дата Сайентистов. Ознакомьтесь с материалами, если вы планируете учиться на онлайн-курсах. Так вы опередите...
Data Science and Machine Learning Bootcamp with R
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
🎥 Data Science and Machine Learning Bootcamp with R - Part 1
👁 1 раз ⏳ 5688 сек.
🎥 Data Science and Machine Learning Bootcamp with R - Part 2 // Matrices
👁 1 раз ⏳ 3003 сек.
🎥 Data Science and Machine Learning Bootcamp with R - Part 3 // Data Frames
👁 1 раз ⏳ 4147 сек.
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
🎥 Data Science and Machine Learning Bootcamp with R - Part 1
👁 1 раз ⏳ 5688 сек.
This comprehensive course is comparable to other Data Science bootcamps that usually cost thousands of dollars, but now you can learn all that info...🎥 Data Science and Machine Learning Bootcamp with R - Part 2 // Matrices
👁 1 раз ⏳ 3003 сек.
This comprehensive course is comparable to other Data Science bootcamps that usually cost thousands of dollars, but now you can learn all that information at a fraction of the cost! With over 100 HD video lectures and detailed code notebooks for every lecture this is one of the most comprehensive course for data science and machine learning on Udemy!
We'll teach you how to program with R, how to create amazing data visualizations, and how to use Machine Learning with R! Here a just a few of the topics we w🎥 Data Science and Machine Learning Bootcamp with R - Part 3 // Data Frames
👁 1 раз ⏳ 4147 сек.
This comprehensive course is comparable to other Data Science bootcamps that usually cost thousands of dollars, but now you can learn all that information at a fraction of the cost! With over 100 HD video lectures and detailed code notebooks for every lecture this is one of the most comprehensive course for data science and machine learning on Udemy!
We'll teach you how to program with R, how to create amazing data visualizations, and how to use Machine Learning with R! Here a just a few of the topics we wVk
Data Science and Machine Learning Bootcamp with R - Part 1
This comprehensive course is comparable to other Data Science bootcamps that usually cost thousands of dollars, but now you can learn all that info...
Meta-Learning with Implicit Gradients
https://arxiv.org/abs/1909.04630
🔗 Meta-Learning with Implicit Gradients
A core capability of intelligent systems is the ability to quickly learn new tasks by drawing on prior experience. Gradient (or optimization) based meta-learning has recently emerged as an effective approach for few-shot learning. In this formulation, meta-parameters are learned in the outer loop, while task-specific models are learned in the inner-loop, by using only a small amount of data from the current task. A key challenge in scaling these approaches is the need to differentiate through the inner loop learning process, which can impose considerable computational and memory burdens. By drawing upon implicit differentiation, we develop the implicit MAML algorithm, which depends only on the solution to the inner level optimization and not the path taken by the inner loop optimizer. This effectively decouples the meta-gradient computation from the choice of inner loop optimizer. As a result, our approach is agnostic to the choice of inner loop optimizer and can gracefully handle many gradient steps without
https://arxiv.org/abs/1909.04630
🔗 Meta-Learning with Implicit Gradients
A core capability of intelligent systems is the ability to quickly learn new tasks by drawing on prior experience. Gradient (or optimization) based meta-learning has recently emerged as an effective approach for few-shot learning. In this formulation, meta-parameters are learned in the outer loop, while task-specific models are learned in the inner-loop, by using only a small amount of data from the current task. A key challenge in scaling these approaches is the need to differentiate through the inner loop learning process, which can impose considerable computational and memory burdens. By drawing upon implicit differentiation, we develop the implicit MAML algorithm, which depends only on the solution to the inner level optimization and not the path taken by the inner loop optimizer. This effectively decouples the meta-gradient computation from the choice of inner loop optimizer. As a result, our approach is agnostic to the choice of inner loop optimizer and can gracefully handle many gradient steps without
Full Stack Deep Learning Bootcamp
Lectures of Day 1
https://fullstackdeeplearning.com/march2019
🔗 Full Stack Deep Learning
Hands-on program for software developers familiar with the basics of deep learning seeking to expand their skills.
Lectures of Day 1
https://fullstackdeeplearning.com/march2019
🔗 Full Stack Deep Learning
Hands-on program for software developers familiar with the basics of deep learning seeking to expand their skills.
Fullstackdeeplearning
Full Stack Deep Learning
Hands-on program for software developers familiar with the basics of deep learning seeking to expand their skills.
🎥 Поиск биомаркеров из протеомов и других экспрессионных данных методами машинного обучения
👁 3 раз ⏳ 3193 сек.
👁 3 раз ⏳ 3193 сек.
Лектор: Елена Чуклина, ETH ZürichVk
Поиск биомаркеров из протеомов и других экспрессионных данных методами машинного обучения
Лектор: Елена Чуклина, ETH Zürich
🎥 Python Voice Assistant Tutorial #7 - Speaking Events (With Pyttsx3)
👁 1 раз ⏳ 672 сек.
👁 1 раз ⏳ 672 сек.
In this tutorial we will add to our previously created functions to get our assistant to speak out events that we have on a specific day. We will be using pyttsx3 to do this.
Text-Based Tutorial: https://techwithtim.net/tutorials/voice-assistant/speaking-events/
*****
Enroll in The Fundamentals of Programming w/ Python
https://tech-with-tim.teachable.com/p/the-fundamentals-of-programming-with-python
Instagram: https://www.instagram.com/tech_with_tim
Website https://techwithtim.net
Twitter: https://twittVk
Python Voice Assistant Tutorial #7 - Speaking Events (With Pyttsx3)
In this tutorial we will add to our previously created functions to get our assistant to speak out events that we have on a specific day. We will be using pyttsx3 to do this.
Text-Based Tutorial: https://techwithtim.net/tutorials/voice-assistant/speaking…
Text-Based Tutorial: https://techwithtim.net/tutorials/voice-assistant/speaking…
SoftTriple Loss: Deep Metric Learning Without Triplet Sampling
Authors: Qi Qian, Lei Shang, Baigui Sun, Juhua Hu, Hao Li, Rong Jin
Abstract: Distance metric learning (DML) is to learn the embeddings where examples from the same class are closer than examples from different classes. It can be cast as an optimization problem with triplet constraints. Due to the vast number of triplet constraints, a sampling strategy is essential for DML.
https://arxiv.org/abs/1909.05235
🔗 SoftTriple Loss: Deep Metric Learning Without Triplet Sampling
Distance metric learning (DML) is to learn the embeddings where examples from the same class are closer than examples from different classes. It can be cast as an optimization problem with triplet constraints. Due to the vast number of triplet constraints, a sampling strategy is essential for DML. With the tremendous success of deep learning in classifications, it has been applied for DML. When learning embeddings with deep neural networks (DNNs), only a mini-batch of data is available at each iteration. The set of triplet constraints has to be sampled within the mini-batch. Since a mini-batch cannot capture the neighbors in the original set well, it makes the learned embeddings sub-optimal. On the contrary, optimizing SoftMax loss, which is a classification loss, with DNN shows a superior performance in certain DML tasks. It inspires us to investigate the formulation of SoftMax. Our analysis shows that SoftMax loss is equivalent to a smoothed triplet loss where each class has a single center. In real-world d
Authors: Qi Qian, Lei Shang, Baigui Sun, Juhua Hu, Hao Li, Rong Jin
Abstract: Distance metric learning (DML) is to learn the embeddings where examples from the same class are closer than examples from different classes. It can be cast as an optimization problem with triplet constraints. Due to the vast number of triplet constraints, a sampling strategy is essential for DML.
https://arxiv.org/abs/1909.05235
🔗 SoftTriple Loss: Deep Metric Learning Without Triplet Sampling
Distance metric learning (DML) is to learn the embeddings where examples from the same class are closer than examples from different classes. It can be cast as an optimization problem with triplet constraints. Due to the vast number of triplet constraints, a sampling strategy is essential for DML. With the tremendous success of deep learning in classifications, it has been applied for DML. When learning embeddings with deep neural networks (DNNs), only a mini-batch of data is available at each iteration. The set of triplet constraints has to be sampled within the mini-batch. Since a mini-batch cannot capture the neighbors in the original set well, it makes the learned embeddings sub-optimal. On the contrary, optimizing SoftMax loss, which is a classification loss, with DNN shows a superior performance in certain DML tasks. It inspires us to investigate the formulation of SoftMax. Our analysis shows that SoftMax loss is equivalent to a smoothed triplet loss where each class has a single center. In real-world d
Automate Data Cleaning with Unsupervised Learning
🔗 Automate Data Cleaning with Unsupervised Learning
Cleaning text for your NLP projects has never been so fun and easy!
🔗 Automate Data Cleaning with Unsupervised Learning
Cleaning text for your NLP projects has never been so fun and easy!
Medium
Automate Data Cleaning with Unsupervised Learning
Cleaning text for your NLP projects has never been so fun and easy!
Hierarchical Neural Architecture Search
🔗 Hierarchical Neural Architecture Search
The easiest way to achieve more efficient Neural Architecture Search, making these gains accessible to those without 10s or 100s of GPUs.
🔗 Hierarchical Neural Architecture Search
The easiest way to achieve more efficient Neural Architecture Search, making these gains accessible to those without 10s or 100s of GPUs.
Medium
Hierarchical Neural Architecture Search
The easiest way to achieve more efficient Neural Architecture Search, making these gains accessible to those without 10s or 100s of GPUs.
How to master Python’s main data analysis library in 20 Minutes
🔗 How to master Python’s main data analysis library in 20 Minutes
A code-along guide of essential Pandas functionalities.
🔗 How to master Python’s main data analysis library in 20 Minutes
A code-along guide of essential Pandas functionalities.
Medium
How to master Python’s main data analysis library in 20 Minutes
A code-along guide of essential Pandas functionalities.
Как мы промышленность и big data подружили
Промышленное программирование
Приходит как-то на завод специалист по цифровизации. Здесь походил, там походил, лоб наморщил и говорит: «Я знаю, как у вас тут можно кое-что оптимизировать. Экономить конкретно будете! Дайте только мне доступ во-о-от к этим данным по производству». В ответ на заводе разводят руки. «Вот у нас по продажам аналитика. Вот по турбинам что-то есть — шибко умные турбины у Siemens. А по остальному оборудованию отродясь ничего не было».
Вы прочитали миниатюру о конфликте двух миров — промышленности и аналитики. Мы как раз из последнего, и вот как все выглядит для нас: с одной стороны — созданные для управления оборудованием и недоступные для простых смертных протоколы обмена данными с большим количеством цифр в названии. С другой — аналитические системы, красивая отчетность, удобные дэшборды и прочие приятности.
https://habr.com/ru/company/croc/blog/466933/
🔗 Как мы промышленность и big data подружили
Приходит как-то на завод специалист по цифровизации. Здесь походил, там походил, лоб наморщил и говорит: «Я знаю, как у вас тут можно кое-что оптимизировать. Эко...
Промышленное программирование
Приходит как-то на завод специалист по цифровизации. Здесь походил, там походил, лоб наморщил и говорит: «Я знаю, как у вас тут можно кое-что оптимизировать. Экономить конкретно будете! Дайте только мне доступ во-о-от к этим данным по производству». В ответ на заводе разводят руки. «Вот у нас по продажам аналитика. Вот по турбинам что-то есть — шибко умные турбины у Siemens. А по остальному оборудованию отродясь ничего не было».
Вы прочитали миниатюру о конфликте двух миров — промышленности и аналитики. Мы как раз из последнего, и вот как все выглядит для нас: с одной стороны — созданные для управления оборудованием и недоступные для простых смертных протоколы обмена данными с большим количеством цифр в названии. С другой — аналитические системы, красивая отчетность, удобные дэшборды и прочие приятности.
https://habr.com/ru/company/croc/blog/466933/
🔗 Как мы промышленность и big data подружили
Приходит как-то на завод специалист по цифровизации. Здесь походил, там походил, лоб наморщил и говорит: «Я знаю, как у вас тут можно кое-что оптимизировать. Эко...
Хабр
Как подружить промышленность и big data
Приходит как-то на завод специалист по цифровизации. Здесь походил, там походил, лоб наморщил и говорит: «Я знаю, как у вас тут можно кое-что оптимизировать. Эко...
Counterfactual Story Reasoning and Generation”, presents the TimeTravel dataset that tests causal reasoning capabilities over natural language narratives.
Paper:
https://arxiv.org/abs/1909.04076
Code+Data:
https://github.com/qkaren/Counterfactual-StoryRW
🔗 Counterfactual Story Reasoning and Generation
Counterfactual reasoning requires predicting how alternative events, contrary to what actually happened, might have resulted in different outcomes. Despite being considered a necessary component of AI-complete systems, few resources have been developed for evaluating counterfactual reasoning in narratives. In this paper, we propose Counterfactual Story Rewriting: given an original story and an intervening counterfactual event, the task is to minimally revise the story to make it compatible with the given counterfactual event. Solving this task will require deep understanding of causal narrative chains and counterfactual invariance, and integration of such story reasoning capabilities into conditional language generation models. We present TimeTravel, a new dataset of 29,849 counterfactual rewritings, each with the original story, a counterfactual event, and human-generated revision of the original story compatible with the counterfactual event. Additionally, we include 80,115 counterfactual "branches" without a rewritten storyline to support future work on semi- or un-supervised approaches to counterfactual story rewriting. Finally, we evaluate the counterfactual rewriting capacities of several competitive baselines based on pretrained language models, and assess whether common overlap and model-based automatic metrics for text generation correlate well with human scores for counterfactual rewriting.
Paper:
https://arxiv.org/abs/1909.04076
Code+Data:
https://github.com/qkaren/Counterfactual-StoryRW
🔗 Counterfactual Story Reasoning and Generation
Counterfactual reasoning requires predicting how alternative events, contrary to what actually happened, might have resulted in different outcomes. Despite being considered a necessary component of AI-complete systems, few resources have been developed for evaluating counterfactual reasoning in narratives. In this paper, we propose Counterfactual Story Rewriting: given an original story and an intervening counterfactual event, the task is to minimally revise the story to make it compatible with the given counterfactual event. Solving this task will require deep understanding of causal narrative chains and counterfactual invariance, and integration of such story reasoning capabilities into conditional language generation models. We present TimeTravel, a new dataset of 29,849 counterfactual rewritings, each with the original story, a counterfactual event, and human-generated revision of the original story compatible with the counterfactual event. Additionally, we include 80,115 counterfactual "branches" without a rewritten storyline to support future work on semi- or un-supervised approaches to counterfactual story rewriting. Finally, we evaluate the counterfactual rewriting capacities of several competitive baselines based on pretrained language models, and assess whether common overlap and model-based automatic metrics for text generation correlate well with human scores for counterfactual rewriting.
arXiv.org
Counterfactual Story Reasoning and Generation
Counterfactual reasoning requires predicting how alternative events, contrary
to what actually happened, might have resulted in different outcomes. Despite
being considered a necessary component...
to what actually happened, might have resulted in different outcomes. Despite
being considered a necessary component...
Throwing dice with maximum entropy principle
🔗 Throwing dice with maximum entropy principle
Entropy function is used in a variety of ML and DL applications. Here I show why entropy function is unique, using words, math and python.
🔗 Throwing dice with maximum entropy principle
Entropy function is used in a variety of ML and DL applications. Here I show why entropy function is unique, using words, math and python.
Нейронные сети
#Нейросети
#video
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
🎥 Нейронные сети Лекция 1
👁 2 раз ⏳ 4808 сек.
🎥 Нейронные сети Лекция 2
👁 1 раз ⏳ 4875 сек.
🎥 Нейронные сети Лекция 3
👁 1 раз ⏳ 3035 сек.
🎥 Нейронные сети Лекция 4
👁 1 раз ⏳ 4726 сек.
🎥 Нейронные сети Лекция 5
👁 1 раз ⏳ 4730 сек.
🎥 Нейронные сети Лекция 6
👁 1 раз ⏳ 3174 сек.
#Нейросети
#video
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
🎥 Нейронные сети Лекция 1
👁 2 раз ⏳ 4808 сек.
🎥 Нейронные сети Лекция 2
👁 1 раз ⏳ 4875 сек.
🎥 Нейронные сети Лекция 3
👁 1 раз ⏳ 3035 сек.
🎥 Нейронные сети Лекция 4
👁 1 раз ⏳ 4726 сек.
🎥 Нейронные сети Лекция 5
👁 1 раз ⏳ 4730 сек.
Сети с обратными связями. Сети Кохонена и Гроссберга, Хопфилда. Instar и Outstar. Устойчивость (Ляпунов) для сетей Хопфилда.🎥 Нейронные сети Лекция 6
👁 1 раз ⏳ 3174 сек.
Vk
Нейронные сети Лекция 1
vk.com video
Умные алгоритмы обработки строк в ClickHouse
В ClickHouse постоянно возникают задачи, связанные с обработкой строк. Например, поиск, вычисление свойств UTF-8 строк или что-то более экзотическое, будь то поиск типа учёта регистра или поиск по сжатым данным.
Всё началось с того, что руководитель разработки ClickHouse Лёша Миловидов o6CuFl2Q пришёл к нам на факультет компьютерных наук в НИУ ВШЭ и предложил огромное количество тем для курсовых и дипломов. Когда я увидел «Умные алгоритмы обработки строк в ClickHouse» (я, человек, который увлекается разными алгоритмами, в том числе экспериментальными), сразу же настроил планов, как сделаю самый крутой диплом.
https://habr.com/ru/company/yandex/blog/466183/
🔗 Умные алгоритмы обработки строк в ClickHouse
В ClickHouse постоянно возникают задачи, связанные с обработкой строк. Например, поиск, вычисление свойств UTF-8 строк или что-то более экзотическое, будь то пои...
В ClickHouse постоянно возникают задачи, связанные с обработкой строк. Например, поиск, вычисление свойств UTF-8 строк или что-то более экзотическое, будь то поиск типа учёта регистра или поиск по сжатым данным.
Всё началось с того, что руководитель разработки ClickHouse Лёша Миловидов o6CuFl2Q пришёл к нам на факультет компьютерных наук в НИУ ВШЭ и предложил огромное количество тем для курсовых и дипломов. Когда я увидел «Умные алгоритмы обработки строк в ClickHouse» (я, человек, который увлекается разными алгоритмами, в том числе экспериментальными), сразу же настроил планов, как сделаю самый крутой диплом.
https://habr.com/ru/company/yandex/blog/466183/
🔗 Умные алгоритмы обработки строк в ClickHouse
В ClickHouse постоянно возникают задачи, связанные с обработкой строк. Например, поиск, вычисление свойств UTF-8 строк или что-то более экзотическое, будь то пои...
Хабр
Умные алгоритмы обработки строк в ClickHouse
В ClickHouse постоянно возникают задачи, связанные с обработкой строк. Например, поиск, вычисление свойств UTF-8 строк или что-то более экзотическое, будь то пои...
Дмитрий Мацкевич, Dbrain: о предпринимательстве как психическом
Первая часть моего разговора с Дмитрием Мацкевичем, гендиректором ИИ-стартапа Dbrain и популяризатором нейронауки. Это очередное в серии интервью с топовыми специалистами в своих областях про продуктовый подход, предпринимательство, психологию и изменение поведения.
https://habr.com/ru/post/467245/
🔗 Дмитрий Мацкевич, Dbrain: о предпринимательстве как психическом отклонении, ИИ и эмоциональной безоп
Первая часть моего разговора с Дмитрием Мацкевичем, гендиректором ИИ-стартапа Dbrain и популяризатором нейронауки. Это очередное в серии интервью с топовыми спе...
Первая часть моего разговора с Дмитрием Мацкевичем, гендиректором ИИ-стартапа Dbrain и популяризатором нейронауки. Это очередное в серии интервью с топовыми специалистами в своих областях про продуктовый подход, предпринимательство, психологию и изменение поведения.
https://habr.com/ru/post/467245/
🔗 Дмитрий Мацкевич, Dbrain: о предпринимательстве как психическом отклонении, ИИ и эмоциональной безоп
Первая часть моего разговора с Дмитрием Мацкевичем, гендиректором ИИ-стартапа Dbrain и популяризатором нейронауки. Это очередное в серии интервью с топовыми спе...
Хабр
Дмитрий Мацкевич, Dbrain: о предпринимательстве как психическом отклонении, ИИ и эмоциональной безопасности
Первая часть моего разговора с Дмитрием Мацкевичем, основателем и CEO ИИ-стартапа Dbrain и популяризатором нейронауки. Это очередное в серии интервью с топовыми специалистами в своих областях про...
Разница между Data Scientist и подростком в спорткаре
В последнее время появилось множество курсов, как академических, так и частных, которые ставят перед собой целью обучить анализу данных и готовят специалистов, способных решать бизнес-задачи с применением машинного обучения. Если посмотреть внимательно на программы этих курсов — все они примерно одинаковые, отличие только в форматах обучения (онлайн-офлайн) и в преподавателях.
https://habr.com/ru/company/dataschool/blog/467239/
🔗 Разница между Data Scientist и подростком в спорткаре
В последнее время появилось множество курсов, как академических, так и частных, которые ставят перед собой целью обучить анализу данных и готовят специалистов,...
В последнее время появилось множество курсов, как академических, так и частных, которые ставят перед собой целью обучить анализу данных и готовят специалистов, способных решать бизнес-задачи с применением машинного обучения. Если посмотреть внимательно на программы этих курсов — все они примерно одинаковые, отличие только в форматах обучения (онлайн-офлайн) и в преподавателях.
https://habr.com/ru/company/dataschool/blog/467239/
🔗 Разница между Data Scientist и подростком в спорткаре
В последнее время появилось множество курсов, как академических, так и частных, которые ставят перед собой целью обучить анализу данных и готовят специалистов,...
Хабр
Разница между Data Scientist и подростком в спорткаре
В последнее время появилось множество курсов, как академических, так и частных, которые ставят перед собой целью обучить анализу данных и готовят специалистов,...
Компьютер сделает вам вкусно
Это базилик. Вы наверняка знакомы с этим растением, имеющим очень необычный вкус и запах. Или даже пробовали его в составе салатов или блюд с соусом песто. Но учёные из Лаборатории антидисциплинарных исследований Массачусетского технологического института (MIT Media Lab) уверяют, что смогли вырастить кусты базилика, который будет вкуснее и ароматнее всех, что вы встречали ранее.
https://habr.com/ru/company/cloud4y/blog/466755/
🔗 Компьютер сделает вам вкусно
Это базилик. Вы наверняка знакомы с этим растением, имеющим очень необычный вкус и запах. Или даже пробовали его в составе салатов или блюд с соусом песто. Но у...
Это базилик. Вы наверняка знакомы с этим растением, имеющим очень необычный вкус и запах. Или даже пробовали его в составе салатов или блюд с соусом песто. Но учёные из Лаборатории антидисциплинарных исследований Массачусетского технологического института (MIT Media Lab) уверяют, что смогли вырастить кусты базилика, который будет вкуснее и ароматнее всех, что вы встречали ранее.
https://habr.com/ru/company/cloud4y/blog/466755/
🔗 Компьютер сделает вам вкусно
Это базилик. Вы наверняка знакомы с этим растением, имеющим очень необычный вкус и запах. Или даже пробовали его в составе салатов или блюд с соусом песто. Но у...
Хабр
Компьютер сделает вам вкусно
Это базилик. Вы наверняка знакомы с этим растением, имеющим очень необычный вкус и запах. Или даже пробовали его в составе салатов или блюд с соусом песто. Но учёные из Лаборатории...
Эпопея по созданию робота с нюхом собаки
Андрей Мершин до сих пор зол на собак. «Ну, вообще-то я их люблю», – говорит греческо-русский ученый в своем уютном офисе в Mассачусетском институте (MIT). – «Но они меня просто уделывают».
Он включает видео, чтобы показать то, о чём говорит. В нём черно-белый спаниель по кличке Люси подходит к шести стаканчикам с человеческой мочой. Собака нюхает их, иногда – коротко, иногда – чуть подольше, явно пытаясь в чём-то разобраться. На самом деле, она совершает диагностику. Ищет контрольный аромат, свидетельствующий о раке простаты. Оказывается, этот рак придает характерную нотку мужской моче. Вполне заметную – по крайней мере, для собаки. Когда Люси находит стаканчик от больного раком, она садится напротив него и получает от тренеров вкусняшку.
Среди людей – которые слетали на Луну, получили фото черной дыры и создали машины с автопилотами, – определение рака простаты до сих пор считается очень непростой задачей. В основном, человечество пытается проверить кровь пациента на повышенные уровни специфических протеинов (PSA). Но успех этого занятия – крайне сомнителен. Ученый, который впервые открыл PSA, назвал тест «чуть более удачным, чем подбрасывание монетки». А ложноположительное срабатывание может привести к биопсии простаты, крайне неприятной процедуре, при которой большая полая игла вставляется через стенку прямой кишки для извлечения образцов ткани.
С другой стороны, правильно натренированные собаки могут определять рак простаты с точностью больше 90%, и для них это вообще не составляет проблем. Люси справляется с шестью образцами меньше чем за две минуты.
https://habr.com/ru/company/pochtoy/blog/467101
🔗 Эпопея по созданию робота с нюхом собаки
Андрей Мершин до сих пор зол на собак. «Ну, вообще-то я их люблю», – говорит греческо-русский ученый в своем уютном офисе в Mассачусетском институте (MIT). – «...
Андрей Мершин до сих пор зол на собак. «Ну, вообще-то я их люблю», – говорит греческо-русский ученый в своем уютном офисе в Mассачусетском институте (MIT). – «Но они меня просто уделывают».
Он включает видео, чтобы показать то, о чём говорит. В нём черно-белый спаниель по кличке Люси подходит к шести стаканчикам с человеческой мочой. Собака нюхает их, иногда – коротко, иногда – чуть подольше, явно пытаясь в чём-то разобраться. На самом деле, она совершает диагностику. Ищет контрольный аромат, свидетельствующий о раке простаты. Оказывается, этот рак придает характерную нотку мужской моче. Вполне заметную – по крайней мере, для собаки. Когда Люси находит стаканчик от больного раком, она садится напротив него и получает от тренеров вкусняшку.
Среди людей – которые слетали на Луну, получили фото черной дыры и создали машины с автопилотами, – определение рака простаты до сих пор считается очень непростой задачей. В основном, человечество пытается проверить кровь пациента на повышенные уровни специфических протеинов (PSA). Но успех этого занятия – крайне сомнителен. Ученый, который впервые открыл PSA, назвал тест «чуть более удачным, чем подбрасывание монетки». А ложноположительное срабатывание может привести к биопсии простаты, крайне неприятной процедуре, при которой большая полая игла вставляется через стенку прямой кишки для извлечения образцов ткани.
С другой стороны, правильно натренированные собаки могут определять рак простаты с точностью больше 90%, и для них это вообще не составляет проблем. Люси справляется с шестью образцами меньше чем за две минуты.
https://habr.com/ru/company/pochtoy/blog/467101
🔗 Эпопея по созданию робота с нюхом собаки
Андрей Мершин до сих пор зол на собак. «Ну, вообще-то я их люблю», – говорит греческо-русский ученый в своем уютном офисе в Mассачусетском институте (MIT). – «...
Хабр
Эпопея по созданию робота с нюхом собаки
Андрей Мершин до сих пор зол на собак. «Ну, вообще-то я их люблю», – говорит греческо-русский ученый в своем уютном офисе в Mассачусетском институте (MIT). – «Но они меня просто уделывают». Он...