Нейронные сети

Нейронные сети 1 Введение
Нейронные сети 2 Немного биологии
Нейронные сети 3 В целом об искусственной нейронной сети 1
Нейронные сети 4 Искусственный нейрон
Нейронные сети 5 Структура нейронной сети
Нейронные сети 6 Нюансы работы нейронной сети
Нейронные сети 7 Обучение сети
Нейронные сети 8 Технология обучения сети Часть 1
Нейронные сети 9 Технология обучения сети Часть 2
Нейронные сети 10 Работа одного нейрона

#ии #Нейронныесети

🎥 Нейронные сети 10 Работа одного нейрона
👁 25 раз ⏳ 1003 сек.


🎥 Нейронные сети 9 Технология обучения сети Часть 2
👁 5 раз ⏳ 905 сек.


🎥 Нейронные сети 8 Технология обучения сети Часть 1
👁 9 раз ⏳ 1367 сек.


🎥 Нейронные сети 7 Обучение сети
👁 4 раз ⏳ 1077 сек.


🎥 Нейронные сети 6 Нюансы работы нейронной сети
👁 3 раз ⏳ 1396 сек.


🎥 Нейронные сети 5 Структура нейронной сети
👁 5 раз ⏳ 905 сек.


🎥 Нейронные сети 4 Искусственный нейрон
👁 5 раз ⏳ 600 сек.


🎥 Нейронные сети 2 Немного биологии
👁 9 раз ⏳ 488 сек.


🎥 Нейронные сети 3 В целом об искусственной нейронной сети 1
👁 7 раз ⏳ 535 сек.
Видео взято с https://www.youtube.com/channel/UC5dqkmvoovlmFsFZ3ACAVTw

🎥 Нейронные сети 1 Введение
👁 10 раз ⏳ 509 сек.
Видео взято с канала https://www.youtube.com/channel/UC5dqkmvoovlmFsFZ3ACAVTw

​Releasing PAWS and PAWS-X: Two New Datasets to Improve Natural Language Understanding Models

http://ai.googleblog.com/2019/10/releasing-paws-and-paws-x-two-new.html

🔗 Releasing PAWS and PAWS-X: Two New Datasets to Improve Natural Language Understanding Models
Posted by Yuan Zhang, Research Scientist and Yinfei Yang, Software Engineer, Google Research Word order and syntactic structure have a l...

​Можно ли запрограммировать произвольность?
В чем различие человека и программы
Нейронные сети, которые и составляют сейчас практически всю область искусственного интеллекта, могут учитывать в принятии решения гораздо больше факторов, чем человек, делать это быстрее и в большинстве случаев более точно. Но программы действуют только так как их запрограммировали или обучили. Они могут быть очень сложными, учитывать много факторов и действовать очень вариативно. Но все равно не могут заменить человека в принятии решений. Чем же отличается от такой программы человек? Здесь надо отметить 3 ключевых отличия, из которых вытекают все прочие:
1. Человек обладает картиной мира, которая позволяет ему по части информации дополнять картину такими данными, которые не прописаны в программе. Кроме того, картина мира структурно устроена так, что позволяет нам иметь хоть какое-то представление обо всем. Даже если это нечто круглое и светится в небе (НЛО). Обычно для этого строят онтологии, но онтологии не обладают такой полнотой, плохо учитывают многозначность понятий, их взаимное влияние и пока применимы только в строго ограниченных темах.
2. Человек обладает логикой, которая учитывает эту картину мира, что нами называется здравым смыслом или comon sense. Любое утверждение обладает смыслом, и учитывает скрытые недекларированные знания. Несмотря на то, что законам логики много сот лет, никто до сих пор не знает, как функционирует обычная, не математическая, логика рассуждений. Мы по сути не знаем как запрограммировать даже обычные силлогизмы.
3. Произольность. Программы не обладают произвольностью. Это пожалуй самое сложное из всех трех отличий. Что мы называем произвольностью? Возможность построить новое поведение, отличное от того, что мы выполняли при тех же обстоятелствах ранее, или построить поведение в новых, не встречавшихся ранее обстоятелствах. То есть по сути это создание на ходу новой программы поведения без проб и ошибок с учетом новых, в том числе внутренних, обстоятельств.

🔗 Можно ли запрограммировать произвольность?
В чем различие человека и программы Нейронные сети, которые и составляют сейчас практически всю область искусственного интеллекта, могут учитывать в принятии реш...

​Beginner’s Guide to Linear Regression in Python with cuML

🔗 Beginner’s Guide to Linear Regression in Python with cuML
Break down of simple & multiple linear regression and how to easily implement both with RAPIDS AI’s cuML in Google Colab

​120 years of Olympic History Analysis

🔗 120 years of Olympic History Analysis
This content is about exploratory data analysis of 120 years of Olympic History. The dataset that is used is available publicly on Kaggle…

​How to use H2O AutoML for Kannada MNIST Digits Classification

🔗 How to use H2O AutoML for Kannada MNIST Digits Classification
Kannada MNIST dataset is another MNIST-type Digits dataset for Kannada (Indian) Language. All details of the dataset curation has been…

​Exploring your data with just 1 line of Python

🔗 Exploring your data with just 1 line of Python
Getting all your standard data analysis done in less than 30 seconds. The wonders of Pandas Profiling.

​Fasttext на PHP\Python. Первые шаги
Чё, зачем, почему

Уже достаточно давно популярность набрали разного рода алгоритмы машинного обучения. Также, благодаря крупным компаниям, которые двигают технологический прогресс, появилось много opensource продуктов. Одним из них является Fasttext, о котором пойдет речь ниже.

🔗 Fasttext на PHP\Python. Первые шаги
Чё, зачем, почему Уже достаточно давно популярность набрали разного рода алгоритмы машинного обучения. Также, благодаря крупным компаниям, которые двигают техн...

The Seven Legit Deep Learning Courses To Become DL Expert (Free)

https://techgrabyte.com/7-free-deep-learning-courses-quality/?fbclid=IwAR1cpsS8xnC1EYXQMVr5zcUSjESApW5IaGpOothGhFptm6zPCfXVZbkmJHo

🎥 «Docker: как начать и что он даст простому веб-разработчику?»
👁 1 раз ⏳ 6958 сек.
{ GeekCode | GeekDay | GeekBrains | GeekWeek2019 | MailRu }

Docker: технология, которая у всех на слуху, но мало кто знает, как ей правильно пользоваться. Цель семинара - рассказать вам, как простой начинающий веб-разработчик может начать использовать Docker и какую выгоду он от него получит.

Рассмотрим на семинаре:

- Понятие "контейнеризации"
- Историю появления и развития Docker
- Образы Докера и Docker Hub
- Dockerfile
- Монтирование файловых систем в контейнеры
- Сетевые возможности
- Docker Compose

​Strong «caffe» на завтрак и выездные хакатоны: почему это важно для развития Data Science сообщества
Я Data Scientist в команде Data Lake Platform в Райффайзенбанке. Три года назад в банке не было направления Big Data, а сейчас у нас есть отдельная платформа для работы с большими данными и активно развивающееся сообщество. По мере развития data driven культуры мы сталкиваемся с множеством вопросов: техническими, коммуникационными и не только.

В статье хочу рассказать, как наше сообщество Raiffeisen Data University помогает решать часть из них.

🔗 Strong «caffe» на завтрак и выездные хакатоны: почему это важно для развития Data Science сообщества
Я Data Scientist в команде Data Lake Platform в Райффайзенбанке. Три года назад в банке не было направления Big Data, а сейчас у нас есть отдельная платформа для...

​Similarity and Distance Metrics for Data Science and Machine Learning

🔗 Similarity and Distance Metrics for Data Science and Machine Learning
Applied in Recommendation Systems

​Что внутри чат-бота?
Меня зовут Иван Бондаренко. Я занимаюсь алгоритмами машинного обучения для анализа текстов и устной речи примерно с 2005 года. Сейчас работаю в Московском Физтехе ведущим научным разработчиком лаборатории бизнес-решений на основе Центра компетенций НТИ по Искусственному интеллекту МФТИ и в компании Data Monsters, которая занимается вопросами практической разработки диалоговых систем для решения тех или иных задач в индустрии. Также немного преподаю у нас в университете. Мой рассказ будет посвящен тому, что такое чат-бот, как алгоритмы машинного обучения и другие подходы применяются для автоматизации общения человека и компьютера и где это может быть реализовано.

Полную версию моего выступления на «Ночи научных историй» можно посмотреть в видеозаписи, а краткие тезисы я приведу в тексте ниже.

🔗 Что внутри чат-бота?
Меня зовут Иван Бондаренко. Я занимаюсь алгоритмами машинного обучения для анализа текстов и устной речи примерно с 2005 года. Сейчас работаю в Московском Физтех...

​Q-Learning

🔗 Q-Learning
Introduction through a simple table based implementation with learning rate, discount factor and exploration

​Boosting our Educational System and our Workforce using AI

🔗 Boosting our Educational System and our Workforce using AI
The most critical resource, in any country, is human capital. A skilled workforce and an oiled educational system lie at the foundation of…

​Avengers, resemble!

🔗 Avengers, resemble!
Finding the ideal costume through facial recognition

​Built by Stanford researchers: TunaGAN: Modify high-resolution face images with good qualitative and quantitative performance.

https://www.profillic.com/paper/arxiv:1908.06163

🔗 Profillic: AI models, code & research to supercharge your projects
Explore state-of-the-art in machine learning, AI, and robotics research. Browse models, source code, papers by topics and authors. Connect with researchers and engineers working on related problems in machine learning, deep learning, natural language processing, robotics, computer vision, data mining, neural networks, artificial intelligence/AI, data science... and explore working together on projects, github code

​Как работает ИИ в игре Hitman (2016)
Выпущенный компанией IO Interactive в 2016 году Hitman вернул франшизу к её корням: созданию богатых и интересных сценариев, в которых Агент 47 должен устранять свои цели, часто импровизированным и непрактичным способом. Для решения этой задачи внутри игры применяется множество систем ИИ, именно их мы и будем изучать. Мы углубимся в структуру систем ИИ, отвечающих в последнем поколении игр Hitman за различные функции: создание реагирующих на ситуацию NPC, телохранителей, системы толп, управляемые искусственным интеллектом анимации и многое другое.

Об игре Hitman
Перед игроками в Hitman стоит задача убийства жестоких и беспринципных личностей, о смерти которых никто особо жалеть не будет. Но в каждом из случаев смысл больше заключается в уникальных историях, которые игрок может создавать самостоятельно, уничтожая цели сложным или забавным образом. Hitman пронизан системами, позволяющими игроку экспериментировать, импровизировать и реагировать на изменения в разворачивающейся вокруг более крупной картине. Переоденьтесь барменом и отравите жертву напитком, сломайте ей шею, притворившись массажистом, испугайте цель, изобразив чумного доктора или даже завоюйте доверие звукозаписывающей команды, сыграв на барабанах. Игра предоставляет пользователям широкий набор интересных и часто заранее обговоренных способов проникновения или же скрывает от них информацию в более сложных и длительных сценариях.

🔗 Как работает ИИ в игре Hitman (2016)
Выпущенный компанией IO Interactive в 2016 году Hitman вернул франшизу к её корням: созданию богатых и интересных сценариев, в которых Агент 47 должен устранять...

​Listen to our narrated articles

🔗 Listen to our narrated articles
Conveniently listen to some of our best content on your schedule

​Важно ли, что компьютеры и люди видят мир по-разному?
По некоторым параметрам машинное зрение превосходит человеческое. По другим, возможно, оно никогда нас не догонит.

Когда инженеры впервые решили научить компьютеры видеть, они считали само собой разумеющимся, что компьютеры будут видеть всё так же, как люди. Первые предложения по компьютерному зрению из 1960-х были «очевидно мотивированы характеристиками человеческого зрения», — сказал Джон Цоцос, специалист по информатике из Йоркского университета.

С тех пор многое поменялось.

Компьютерное зрение переросло стадию воздушных замков и превратилось в активно развивающуюся область. Сегодня компьютеры опережают людей в некоторых задачах по распознаванию образов, к примеру, в классификации картинок («собака или волк?») или обнаружении аномалий на медицинских фотографиях. И процесс обработки визуальных данных «нейросетями» всё сильнее отличается от процесса, используемого людьми.

Компьютеры обыгрывают нас в нашей же игре, играя в неё по другим правилам.

🔗 Важно ли, что компьютеры и люди видят мир по-разному?
По некоторым параметрам машинное зрение превосходит человеческое. По другим, возможно, оно никогда нас не догонит. Когда инженеры впервые решили научить компью...