Сентябрь 2018 г.
Новости о машинном обучении (ML), искусственном интеллекте (AI), Data Science (DS) и связанных областях расширенной аналитики.
Добро пожаловать в третью публикацию xplore.ai из 15 тщательно отобранных прочтений ИИ за месяц. Цель этой серии - предоставить аудитории тщательно подобранный список самых интересных новостей, публикаций и инструментов, с которыми наша команда столкнулась в течение предыдущего месяца.
15. ✏️ Академические торренты
Масштабируемое, безопасное и отказоустойчивое хранилище данных с невероятно высокой скоростью загрузки. Мы благодарны за такую работу, спасибо Ло, Генри З. и Коэну, Джозефу П., за такие большие усилия.
14. 💃 DanceNet
Генератор танцев с использованием автоэнкодеров, LSTM и Mixture Density Network. Постройка в Керасе. Бумага и код нажатие.
Https://raw.githubusercontent.com/ft-interactive/chart-doctor/master/visual-vocabulary/poster.png
13. 💣 AutoKeras
Новая структура, позволяющая байесовской оптимизации управлять морфизмом сети для эффективного поиска нейронной архитектуры, путем введения ядра нейронной сети и древовидного алгоритма оптимизации функции сбора данных. Благодаря байесовской оптимизации для выбора операций морфизма сети исследование пространства поиска становится более эффективным.
12. 🏠 Создание 3D-рендеров из одного изображения пространства.
Целостный анализ и реконструкция 3D-сцены из одного изображения RGB с использованием стохастической грамматической модели, интегрированной со скрытым человеческим контекстом, геометрией и физикой. Бумага здесь. Довольно крутая работа.
11. 🖇️️ Adversarial Vision Challenge на NIPS 2018
«Общая цель этой задачи - способствовать измеримому прогрессу в создании надежных моделей машинного зрения и более широко применимых состязательных атак. На данный момент современные алгоритмы машинного зрения чрезвычайно восприимчивы к небольшим и почти незаметным изменениям входных данных (так называемые состязательные примеры). Это свойство показывает поразительную разницу в обработке информации людьми и машинами и вызывает опасения по поводу безопасности ».
10. 📙 Книга по машинному обучению на основе моделей - ранний доступ
Книга прикладного машинного обучения, ранний доступ. «В этой книге мы смотрим на машинное обучение с новой точки зрения, которую мы называем машинным обучением на основе моделей. Такая точка зрения помогает решить все эти проблемы и делает процесс создания эффективных решений машинного обучения более систематическим ».
9. 💧 Attentive Generative Adversarial Network для удаления дождевых капель с одного изображения (CVPR’2018)
Очень интересный проект Deep Learning по удалению капель дождя с изображений. Они использовали 1119 пар изображений с различными фоновыми сценами и каплями дождя, смоделированными с помощью очков. Другая сторона пары - та же сцена, но без стакана с каплями. В этом методе используется генеративная состязательная сеть, где генерирующая сеть создает карту внимания через сеть внимательного-повторяющегося и применяет эту карту вместе с входным изображением для создания изображения без капель дождя с помощью контекстного автокодировщика. Затем дискриминантная сеть оценивает достоверность сгенерированного вывода в глобальном и локальном масштабе. Чтобы иметь возможность проверять локально, они вводят карту внимания в сеть. Новинка авторов заключается в использовании карты внимания как в генеративной, так и в дискриминативной сети.
8. 🔖 Изучение динамики рынка для оптимального ценообразования (не только машинное обучение)
Настоятельно рекомендуется (чистое искусство) пост от инженеров AirBnB, в котором они моделируют вероятность заблаговременности бронирования. «Эта модель в настоящее время используется в продуктах, в первую очередь, для обеспечения разумного ценообразования. Инструмент использует прогнозируемое распределение времени выполнения заказа для каждой проверки, чтобы помочь хозяевам поддерживать цены в актуальном состоянии. Мы также используем его, чтобы информировать хозяев о статистике времени выполнения заказов, чтобы помочь им принимать обоснованные решения относительно календарной доступности ».
Они сочетают в себе 2 функции оптимизации: 1 время до события может быть аппроксимировано гамма-распределением, поскольку бронирования в единицу времени распределяются по Пуассону. Другая функция - это регулятор формы колебательного сигнала, который умножает первую функцию. Нажмите, чтобы продолжить чтение:
7. 📘 вариант классификации художественного текста с универсальными языковыми моделями
Тонкая настройка моделей НЛП с помощью ULMFiT. Полноценные нейронные сети на практике содержат много уровней, поэтому использование только трансферного обучения для одного слоя (word2vec), очевидно, было лишь малой частью того, что возможно. Дж. Ховард и др. Достигли эффективности обучения с нуля, используя в 100 раз больше данных.
6. ↩️ Настройка визуального воспроизведения гиперпараметров в Керасе
Deep Replay - создавайте визуализации, как в моем «Гиперпараметры в действии!» серии! Воспроизвести визуально процесс обучения модели глубокого обучения в Керасе.
dvgodoy / deepreplay
deepreplay - Deep Replay - Создавайте визуализации, как в моем« Гиперпараметры в действии! серия! github.com »
5. 🇹 TensorFlow 2.0
Мы рады отметить, что среди различных изменений особое внимание уделяется режиму активного выполнения, который будет центральной функцией.
4. 🕺 Vid2Vid
Реализация Pytorch нашего метода для фотореалистичного преобразования видео в видео с высоким разрешением (например, 2048x1024). Вы можете прочитать статью здесь. Цель состоит в том, чтобы сопоставить последовательность масок семантической сегментации с выходным фотореалистичным видео, которое точно отображает содержимое исходного видео.
3. 😀 Памятка по прогнозированию временных рядов
Мы давно этого ждали. Пришло время подготовить понятный краткий документ, объясняющий известные методы прогнозирования.
2. 📈 PolyRNN +
Инструмент для эффективного аннотирования наборов данных сегментации.
1. 🌱 Автоматические ответы на вопрос об изображении.
Визуальный ответ на вопрос (VQA). Данные: 82 783 обучающих изображения из набора данных COCO (общие объекты в контексте) + 443 757 пар вопрос-ответ для обучающих изображений + 40 504 проверочных изображения для выполнения собственного тестирования + 214 354 пары вопрос-ответ для проверочных изображений. Модель: 3 составных слоя LSTM по 512 единиц для обработки вопросов + VGG16 для изображений.
И это то, что нам показалось интересным в солнечный август. В xplore.ai мы всегда пробуем новейшие инструменты, экспериментируем с передовыми алгоритмами и читаем о последних тенденциях в каждой отрасли, где данные создают беспрецедентную ценность.
Если вам понравилась статья, хлопайте в ладоши и подписывайтесь. Вы также можете проверить другие статьи в нашем блоге xplore.ai. Вы также можете подписаться на нас в LinkedIn и Twitter или оставить мне сообщение. Надеемся, у вас впереди отличный месяц!
