Ежедневный информационный бюллетень - 13 декабря 2020 г.
Создание оптимизированных структур роботов, создание гигантского хранилища функций машинного обучения и создание поддельных покемонов с использованием GAN в сегодняшнем информационном бюллетене Data Science Daily 📰
RoboGrammar: графическая грамматика для проектирования роботов, оптимизированных для местности
RoboGrammar - это полностью автоматизированный подход к созданию оптимизированных структур роботов для перемещения по заданной местности. В этой структуре каждая конструкция робота представлена в виде графа, а грамматика графа используется для выражения возможных конфигураций физических сборок роботов. Затем каждую конструкцию робота можно выразить в виде последовательности грамматических правил. Используя лишь небольшой набор правил, грамматика может описать сотни тысяч возможных конструкций роботов.
Бумага: https://people.csail.mit.edu/jiex/papers/robogrammar/paper.pdf
Страница проекта: https://people.csail.mit.edu/jiex/papers/robogrammar/index.html
Пояснение к видео: https://youtu.be/RAyQYCCYRP8
Создание фальшивых покемонов с помощью генеративных состязательных сетей
Генеративная состязательная сеть (GAN) - это форма обучения без учителя, когда две нейронные сети сталкиваются в конфликте друг с другом. Для задачи генерации изображений первая нейронная сеть пытается сгенерировать поддельные изображения, используя начальное число случайных чисел или даже начальные изображения.
В этой статье Джастин Клейбер пытается создать поддельных покемонов с помощью генерирующей состязательной сети (GAN).
Он использует набор данных Kaggle с изображениями более 800 покемонов. Для GAN ~ 800 изображений - это небольшой набор данных; он также использует преобразования PyTorch для создания зеркальных и разноцветных обучающих изображений. Это утроило размер обучающих данных с гораздо лучшими результатами.
Создание магазина функций Gigascale ML для DoorDash
DoorDash Inc. - американская служба доставки еды. Он был запущен в Пало-Альто, Калифорния, в 2012 году. По состоянию на январь 2020 года у него была самая большая доля рынка доставки еды в Соединенных Штатах.
Представьте себе создание модели машинного обучения для такой компании, как DoorDash, с миллионами пользователей, объем данных функций может вырасти до миллиардов записей, причем миллионы активно извлекаются во время вывода модели при ограничениях с низкой задержкой. Преодоление этих проблем и более глубокое изучение выбора и дизайна магазина функций - вот что в первую очередь обсуждается в этой статье.
Некоторые из ближайших целей здесь - предотвратить перерасход бюджета, поставить под угрозу производительность во время выполнения во время вывода модели и ограничить скорость развертывания модели.
Статья: https://doordash.engineering/2020/11/19/building-a-gigascale-ml-feature-store-with-redis
Связаться с нами
Напишите нам по адресу c [email protected], чтобы получить здесь информацию. Изучите науку о данных и машинное обучение с бесплатными практическими курсами по науке о данных на Jovian.
Подпишитесь на нас в Twitter, LinkedIn и YouTube, чтобы оставаться в курсе.
