Ежедневный информационный бюллетень — 15 декабря 2020 г.

Борьба с изменением климата с помощью машинного обучения, архитектуры глубокого обучения для создания высококачественной анимации и веб-приложения для создания кода для машинного обучения в сегодняшнем выпуске Data Science Daily 📰

traingenerator — веб-приложение для генерации кода шаблона для машинного обучения.

Созданный Johannes Rieke, traingenerator позволяет создавать пользовательский код шаблона для PyTorch и sklearn, используя простой веб-интерфейс, созданный с помощью streamlit. Он также предлагает несколько вариантов предварительной обработки, настройки модели, обучения и визуализации (с использованием Tensorboard или comet.ml). Он экспортируется в файлы .py, Jupyter Notebook или Google Colab.

инструкции

  1. Посетите https://traingenerator.jrieke.com
  2. Укажите модель на боковой панели (нажмите ›, если она закрыта)
  3. Код обучения будет сгенерирован ниже
  4. Загрузите и запустите

Github: https://github.com/jrieke/traingenerator

Нейрипс 2020 | Машинное обучение против изменения климата

В прошлую пятницу NeurIPS 2020 в партнерстве с Climate Change AI (CCAI) — организацией исследователей, инженеров, предпринимателей, инвесторов, политиков, компаний и неправительственных организаций, стремящихся ускорить эффективную работу в пересечение изменения климата и машинного обучения — для проведения семинара Борьба с изменением климата с помощью машинного обучения, на котором изучалось, как сообщество машинного обучения могло бы сотрудничать с другими областями и практиками в этой борьбе.

Машинное обучение (ML), без сомнения, является бесценным инструментом в борьбе с изменением климата. Уже изучается широкий спектр приложений и методов, от интеллектуального проектирования электросетей до спутникового слежения за выбросами парниковых газов и многих других.

Читать официальную статью здесь

MoGlow: вероятностный и управляемый синтез движения с использованием нормализующих потоков

MoGlow – это новая архитектура глубокого обучения для создания высококачественной анимации. Его ключевые преимущества включают в себя:

  1. Это общее. В отличие от большинства предшествующих работ по генерации движения, этот же метод работает для создания широкого спектра типов движений, таких как различные движения человека, движения собаки, а также жесты рук и тела, управляемые речью.
  2. Оно управляемо: выходное движение может быть обусловлено произвольным управляющим входом, например направлением ходьбы, что используется для обеспечения интерактивного управления выходным движением без алгоритмической задержки.
  3. Он вероятностный и изучает все распределение вероятных выходных движений, которые соответствуют желаемому элементу управления.

Оценки показывают, что MoGlow обеспечивает убедительно естественное движение и приближается к современной производительности в каждом приложении, на котором он был протестирован, несмотря на то, что MoGlow является полностью общим и бесплатным. исходя из предположений, специфичных для конкретной задачи, в то время как каждый современный метод специально разработан только для одной задачи.

Демо-видео: https://youtu.be/pe-YTvavbtA
Проект: https://simonalexanderson.github.io/MoGlow< br /> Документ:https://arxiv.org/abs/1905.06598

Связаться с нами

Свяжитесь с нами по адресу [email protected], чтобы получить информацию здесь. Изучите науку о данных и машинное обучение на бесплатных практических курсах по науке о данных на Jovian.

Подпишитесь на нас в Twitter, LinkedIn и YouTube, чтобы оставаться в курсе.